共查询到10条相似文献,搜索用时 78 毫秒
1.
路网客流实时状态是城市轨道交通系统进行日常运营及关键决策的重要基础,针对目前城市轨道交通客流预测中站点层次预测方法较成熟,而客流分布预测较少的情况,提出基于时序神经网络的量测方程OD客流动态预测方法。利用地铁AFC数据,确定时序神经网络预测的最优数据粒度为15mins和最优时间序列阶数为4,以此构建时序神经网络框架,对站点进站量进行预测;对于站点进站客流与OD客流间的时空关联性,主要体现在进站客流的不同去向以及相同去向下不同的到达时间,建立量测方程反应这一联系,将进站客流转化为OD客流,并以成都地铁为例,对路网条件下不同分布特征OD客流进行预测验证,加权相对误差为14.08%,验证了模型的有效性。 相似文献
2.
3.
为了更加客观全面地反映城市轨道交通出行者决策行为,提升城市轨道交通客流预测准确性,缓解线路运营面临的高峰时段客流拥挤现象,从出行广义费用角度出发,开展城市轨道交通客流分配研究。综合考虑票价、出行时间、舒适度、准时性等因素,构建了城市轨道交通乘客出行广义费用计算模型;以北京地铁5号线为例,将广义费用作为出行阻抗引入客流分配之中,构建了基于广义费用的随机用户平衡条件下的城市轨道交通客流分配模型,并提出了嵌套Logit模型的迭代加权法用以求解模型;基于分配模型及算法,对不同票价和列车容量条件下的城市轨道交通客流分配结果进行了对比分析。结果表明,基于广义费用的城市轨道交通客流分配模型能够实现对轨道交通流量的有效预测,可对各类缓解高峰时段拥挤措施的实施效果进行评估,辅助城市轨道交通领域相关决策。 相似文献
4.
5.
探索挖掘URT站点客流时空特征并精准预测运营高峰期的站点客流,对提高URT系统客流组织效率、保障乘客出行安全具有重要意义。针对传统模型对于时空特征挖掘不够以及在多步短时客流预测的精度上有待提升等问题,引入时段相关性及站点关联度以量化客流隐式时空特征,并建立一种结合双层图卷积神经网络(GCN)与门控循环单元(GRU)的dmGCN-GRU短时进站客流预测模型,随后以杭州地铁为例,对工作日数据和非工作日数据分别进行了仿真实验。结果表明,dmGCN-GRU模型能够深度融合时段相关性、站点关联度、站间OD、邻接矩阵等多重时空特征,可在增加一定训练时长的前提下提高预测精度、模型稳定性。随预测步长增加,模型性能虽有所下降,例如工作日数据拟合优度从94.68%降至94.27%,但性能仍优于SVR、GRU、GCN以及GCN-LSTM等模型。 相似文献
6.
7.
8.
9.