城市轨道交通短时客流不确定性预测模型

以城市轨道交通实际运营客流数据为基础,针对现有短时客流预测存在的问题,从运营时段特征、客流类型及站点周边用地类型等影响因素出发,剖析了短时客流存在不确定性的原因;基于周期性差分自动平滑回归模型和支持向量机理论,构建了短时客流预测组合模型,捕捉短时客流的周期性特征和局部非线性性特征;为提高短时客流预测结果的可信度,引入广义自回归条件异方差模型来构建短时客流不确定性预测模型。通过实例,验证结果表明,周期性差分自动平滑回归-在线支持向量机组合模型对于周期性强且稳定的客流具有优越的预测性能,广义自回归条件异方差模型的短期客流不确定性预测结果更为准确可靠。     

基于网格搜索支持向量机的边坡稳定性系数预测

边坡稳定性分析是岩土工程的一个常见问题,影响参数较多。首先将影响边坡稳定性的样本集合建立支持向量机(Support Vector Machine,SVM)回归模型,而后使用网格搜索法(Grid-search)优化支持向量机的参数,并将优化过参数的支持向量机回归模型与贝叶斯岭回归模型、普通线性回归模型、梯度增强回归模型的预测结果进行对比。研究结果表明:优化后的SVM回归模型预测方法在边坡安全系数预测方法中更为精准稳定,具有一定的实际应用价值。     

高速铁路预售期旅客购票量分布预测

在预售前(相隔31 d)预测高速铁路预售期旅客购票量分布是铁路企业精准进行收益管理的前提。基于高速铁路预售模式和旅客售票数据,分析预售期内各预售日旅客购票量的相关性,探究预售期旅客购票量分布的影响因素。综合考虑出发日特征以及旅客购票量分布时序特征的影响,构建了考虑多输出间关联性的最小二乘支持向量回归-卷积长短期记忆网络(MLSSVR-ConvLSTM)模型。以京沪高铁线路中上海虹桥站至北京南站、上海虹桥站至徐州东站、上海虹桥站至无锡东站这3种不同距离OD旅客为例,进行预售期旅客购票量分布预测实例分析。研究结果显示：MLSSVR-ConvLSTM模型预测结果较好地反映了真实的预售期旅客购票量分布的变化趋势,平均绝对百分比误差为6.7%～11.0%,预测效果优于多元线性回归(MLR)、K近邻回归(KN)、极致梯度提升算法(XGBoost)、支持向量回归机(SVM)、多输出最小二乘支持向量回归(MLSSVR)和卷积长短期记忆网络(ConvLSTM)等模型,验证了所提出模型的合理性和有效性。进而表明,在构建预售期旅客购票量分布预测模型时,考虑预售期旅客购票量分布整体性以及各类因素的综合影响可有...     

城市轨道交通客流时空分布特性研究

利用城轨自动售票系统(AFC)数据分析西安地铁1、2、3号线客流,得到不同类型车站客流特征,将典型车站不同时间的站间OD可视化处理,通过映射方式对OD矩阵时空分布情况进行可视化.结果表明:(1)由于西安是一个旅游城市,工作日只有早、晚高峰时段客流高于节假日,其他时段客流低于节假日;(2)早、晚高峰出行具有明显潮汐特性,...     

以旅游功能为主的城市轨道交通线路客流预测方法

以深圳轨道交通8号线为例,分析了以旅游功能为主的轨道交通线路的客流特征。针对旅游客流特征,改进了传统的城市轨道交通客流预测方法,利用RP/SP(显示偏好/陈述偏好)调查等手段,提出建立旅游客流预测模型的方法。此方法改变了以往只预测各个预测年限工作日客流数据的惯例,提出针对淡季和旺季的工作日、周末\节假日分别进行客流预测,每个预测年限预测4套客流预测数据,为深圳轨道交通8号线工程可行性研究提供了必要且充足的数据支撑。     

基于GA-岭回归分析的机车车轮踏面磨耗量预测算法研究

车轮踏面磨耗量是评价机车运行安全的重要参数，但多数车轮运维现场的条件尚不能对踏面磨耗量及时、准确地进行监测。为了解决上述问题，文章提出了基于“GA-岭回归”分析的机车车轮踏面磨耗量预测算法（简称“GA-岭回归”预测算法）。“GA-岭回归”预测算法分为数据前处理和数据预测分析2部分。对于数据前处理，首先依据不同的测量方式对采集到的踏面磨耗量数据进行分类，基于车轮的实际运维情况，分析不同类型数据的特点；随后以镟修周期作为数据划分标准，对分类后的数据进行切片处理；最后采用相关标准和主成分分析法对相应的动态测量数据进行清洗、降噪。对于数据预测分析，首先划分数据集，进行数据整合，创建训练集数据的时间滑动窗口；随后采用岭回归算法对训练集数据进行回归分析训练，并结合遗传算法和验证集数据进行模型参数的调优，以提高预测准确性。基于测试集数据，分别采用传统预测算法、岭回归线性预测算法和“GA-岭回归”预测算法，对3类预测算法的预测效果进行对比分析；随后采用相同的测试方法，扩大车轮样本的数量，继续进行预测效果的对比分析。测试结果表明，采用“GA-岭回归”预测算法的预测误差和误差标准差均相对较低。经分析可知，...     

共享单车对北京市轨道交通运营管理影响研究

在挖掘共享单车出行数据、轨道交通客流数据的基础上,分析北京市共享单车和轨道交通的出行特征,以及共享单车出现后轨道交通车站级、线路级、线网级的进站量变化和运距变化情况。结果表明,共享单车对轨道交通线网级进站量的影响不明显,但外围车站进站量增幅较大,6 km以下运距的客流略有减少,其中2 km以内出行运距的客流减少最为明显。同时,共享单车的无序停放不利于大客流车站的客运组织和应急情况下的客流疏散,城市交通管理部门和轨道交通运营企业需共同加强对共享单车的秩序化管理,使其在不影响城市交通正常运行的前提下充分发挥积极效用。     

基于深度学习长短期记忆网络结构的地铁站短时客流量预测

准确预测地铁站短时客流量,有助于提前开展安全预警工作,快速做出人员疏导方案。根据上海轨道交通2016年3月2. 4亿条刷卡数据,以及该时间段的天气数据,利用Pearson相关分析法提取了客流量的7个外部天气影响因子,以及3个基于历史数据的内部影响因子。通过对数据的分析,综合考虑工作日、非工作日和高峰时段对客流的影响,提取2个内部显著影响因子。以上海轨道交通莘庄站为例,提出了一种基于深度学习长短期记忆(LSTM)网络结构的地铁站短时客流预测方法。最后,将预测结果与典型时间序列预测算法MLR(多元线性回归)和BP(反向传播)神经网络进行对比,验证了LSTM网络在地铁站短时客流量预测中具有更高的准确性和很好的适用性。     

基于机器学习的盾构掘进参数预测

依托济南市济泺路穿黄隧道东线工程,选取1 130组掘进数据,按照施工顺序划分数据集,采用粗细程度、软硬程度、密实程度和渗透能力4个维度描述土体的物理力学状态,分别建立基于长短期记忆模型(Long-Short Term Memory, LSTM)、随机森林模型(Random Forest)和BP神经网络的盾构隧道掘进参数预测模型,详细对比分析3种模型对总推力和掘进速度的预测效果。研究表明：(1)LSTM模型在按施工顺序预测盾构总推力和掘进速度时,平均相对误差仅为3.72%和7.41%,模型训练时间均在20 s以内,整体表现优于随机森林模型和BP神经网络;(2)在地形发生剧烈变化以及盾构掘进线路在直线与平曲线过渡时,总推力和掘进速度出现较大波动,LSTM模型预测结果相对误差偏大的组数仅占4%与10.2%,且总体误差满足施工要求;(3)随机森林模型预测结果的相对误差在总推力和掘进速度剧烈波动的环段处偏大,数量偏多,因此在按施工顺序预测时不是优选。     

基于支持向量机的节假日进出站客流预测方法

节假日期间客流规律分析与预测是城市轨道交通运营企业做好节假日期间大客流组织工作的重要内容,可有效指导车站现场、OCC(运营控制中心)等提前做好预案,制定和实施合适的运营管理及客流组织计划。基于节假日期间车站进出站客流量特征分析结果,考虑按车站特点的分类情况,构建了基于支持向量机的城市轨道交通节假日进出站客流量预测模型。最后利用广州地铁客流数据对预测模型进行精度分析,验证了模型的预测精度。     

北京地铁节假日客流特点和运营组织方法分析

为提高节假日期间北京地铁运营安全水平和运输服务质量,从全路网、线路和车站3个层面,利用客运量、进站量、断面量等指标分析时空客流特征和变化原因。结果表明:节假日路网分时进站客流无明显高峰;节假日前一天午后路网进站量相比上周同期工作日增加显著;不同性质线路全日分时进、出站客流和断面客流特征差异较大,一般位于对外交通枢纽、商业及文体景区附近的地铁站点易出现短时大客流。基于此,从行车组织、客运组织和应急处置3方面总结节假日运营组织方法。     

基于演化博弈的促进公交-共享单车一体化研究

共享单车与公交之间的结合为公共交通的可持续发展提供了新机遇,二者合作为有效解决城市“最初/后一公里”难题、提高居民公共交通出行效率提供了新方法。然而,如何推广公交-共享单车集成模式仍未得到研究。为此,从公交和共享单车集成化研究角度出发,构建政府主导下的公交与共享单车企业的三方演化博弈模型,探讨该模式中各参与主体的演化趋势及内在机理。首先,建立三方博弈主体的收益矩阵和各参与主体的复制动态方程,并通过稳定性分析得到理想稳定策略;其次,分析理想策略和不稳定策略下的三方主体演化路径,对公交与共享单车企业的初始合作意愿进行数值仿真分析;最后,讨论政府行为对公交、共享单车演化路径的影响。研究结果表明：在初始合作意愿数值变化下,当一方合作意愿较低时,则双方不能达成合作。政府采取积极发展策略是促进公交与共享单车合作联运模式的重要因素,政府对两企业的财政补助、对其违规行为的监管、惩罚,以及督查力度的加强仅改变二者选择合作策略的演化速率。通过对比发现数值仿真分析结果与各博弈方的策略稳定性分析结论一致且具有效性。所建模型有效,假设合理,可为公共交通行业管理提供参考。     

基于数据驱动的地下车站 能耗预测模型对比研究

对比了最小二乘多元线性回归、岭回归、Lasso 回归、随机森林、XGBoost 在地下车站通风空调、垂直 交通能耗预测领域的应用效果。研究发现,对于地下车站通风空调和垂直交通能耗预测,各算法的均方根误差 的变异系数(CV-RMSE)均在 10%以下,可达到工程应用要求的精度。其中,XGBoost 算法在通风空调能耗预测 中的 CV-RMSE 为 5.1%,在垂直交通能耗预测中的 CV-RMSE 为 5.4%,预测效果明显优于其他算法。从计算 成本来看,最小二乘回归、岭回归、Lasso 回归算法计算成本较低,随机森林和 XGBoost 模型调参复杂、计算 成本较高。对比常用的数据驱动算法在地下车站能耗预测中的预测精度和计算成本,为地下车站模型的搭建提 供算法参考。     

郑州地铁短期客流预测研究

建立符合郑州地铁客流特点的短期客流预测模型并运用到线网客流预测工作中。短期客流预测模型可预测未来1个月内工作日、周末及节假日的线网客流,为线网日常运营管理及运输组织工作提供有效参考依据。     

苏州轨道交通节假日客流预测研究

节假日大客流往往会对城市轨道运营管理造成较大压力,及时准确地预测节假日期间客流,可以为城市轨道交通运营与管理部门制定运输计划、确定应对措施提供重要依据,保障节假日期间轨道交通安全顺畅运行。在分析节假日客流变化趋势的基础上,根据历史客流变化趋势获得基准客流;基于当前客流量水平,构建ARIMA-GARCH模型,预测轨道交通未来节假日各时段客流量。基于苏州轨道交通2018年与2019年的历史客流数据,对方法进行验证分析。结果表明,该方法能有效识别节假日客流特征,降低客流预测前期工作,并实现城市轨道交通节假日各时段客流预测。     

西安地铁纺织城站3线换乘方案研究

结合西安地铁1号线、6号线和临潼线的建设实际,分析了将纺织城站设置为3线换乘站的必要性和合理性.结合纺织城站最大断面客流量预测和分析成果,通过分析客流流线和车站周边控制因素,分别提出了3种3线换乘布置形式.通过比选确定采用地下二层3线平面双向同台换乘的方案.结合车站客流仿真模拟和布局优化,对车站客流疏散的薄弱环节进行补强,以克服3线换乘车站的弱点.     

城市轨道交通新站开通初期实时进出站客流量预测

针对城市轨道交通新站开通初期实时客流预测缺乏历史数据、客流波动大等问题,提出基于改进K近邻非参数回归的新站开通初期实时进出站客流量预测方法。考虑城市轨道交通客流生成机理,分析新站开通初期车站客流量变化规律及其与车站周边土地利用的相关性;基于该相关性,通过聚类分析构建新站与相似既有车站的映射关系,提出支撑新站客流预测的历史数据库构建方法;在此基础上,结合实时客流特征改进非参数回归算法,提出新站开通初期实时进出站客流量预测方法;利用广州地铁客流数据进行新线开通初期实时进站量预测的案例分析。结果表明:该方法具有良好的预测精度,新站开通初期实时进站客流量预测的平均绝对误差不大于16人次,可满足城市轨道交通精细化的运营管理需求。     

基于梯度提升决策树模型的铁路货运装卸时间预测技术

铁路货运装卸时间的精准预测可提升铁路货运系统的调度合理性和服务质量,但装卸时间受多种因素影响。文章针对铁路货运装卸时间预测问题,从铁路货运运单全流程信息中挖掘运单属性与货运装卸时间的关系,以分类与回归树为基础模型,在LightGBM框架下构建梯度提升决策树模型;对铁路货运运单全流程信息中的相关数据进行整合、对数变换、增加特征等预处理,形成运单数据集;采用该数据对构建的模型进行训练,结果表明,构建的模型对货运装卸时间的预测性能优于与其对比的其他机器学习模型。将该模型应用在实际货运装卸业务场景时,实际准确率依旧高于其他对比模型。     

苏州地铁客流波动特性分析

为研究轨道交通客流的波动性,提出使用SARIMA+GARCH这一随机结构作为轨道交通客流的综合时间序列模型。在这个随机结构中,SARIMA模型描述客流时间序列的一阶状态,即均值特征;GARCH模型获得客流时间序列的二阶状态,即条件异方差特征。采用苏州地铁全网客流数据作为分析实例,对5 min、15 min和1 h汇集度的工作日和休息日客流共6组客流数据进行波动性建模、预测与分析,结果表明,SARIMA+GARCH模型具有较好的预测性能。基于各组客流数据的分析结果,分别对工作日与休息日以及不同时间汇集度之间的客流波动特性进行对比,结果表明:休息日客流的波动性强于工作日客流;时间汇集度小的情况下,客流的波动性会更强。     

地铁供电系统中压开关柜电流分析理论和方法

通过分析地铁供电系统不同电压等级的设备电流特征,确定35 kV电压等级设备电流可构造标准曲线,采用机器智能学习算法分析、测算地铁供电系统中各类开关峰谷时段运行电流,以均值-方差方法确定电流的高度异常偏离点,实现异常点数据周期内统计以及实时提醒功能。应用电流实测值分析电流在工作日、节假日的不同曲线,为负荷预测和非正常运行方式下的负荷叠加风险提供预测和评估依据,保障供电系统的安全运行,提高负荷管控效率。