基于动态反馈神经网络的城市轨道交通短期客流预测

城市轨道交通短期客流的预测是制定列车调度计划、车站客运组织工作等的关键。文章在研究城市轨道交通的断面客流特征的基础上,建立基于动态反馈神经网络的城市轨道交通短期客流预测模型,提出通过若干组连续历史断面客流数据训练动态连续的神经网络,以此对未来客流进行预测;并以北京轨道交通某日早高峰客流为例进行分析,验证了该模型与方法的有效性。     

基于灰色理论的城市轨道交通短期客流预测研究

城市轨道交通短期客流的预测是制定列车调度计划、车站客运组织工作的关键。在研究城市轨道交通的断面客流特征的基础上,建立基于灰色预测的城市轨道交通短期客流预测模型,提出通过若干组连续历史客流数据构建灰色预测模型,以此类推对未来客流进行预测。以某城市轨道交通网络客流为例进行计算,得到预测数据与真实数据误差较小,验证了该模型与方法的有效性。     

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

地铁客流的变化规律存在着一定周期性和潮汐性,针对地铁客流的预测有助于提高城市轨道系统的运营效率,实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度,提出了一种基于Logistic混沌映射麻雀算法(Logistic-SSA)优化BP神经网络的地铁客流短时预测模型。该模型通过Logistic混沌映射初始化麻雀算法种群,再利用改进后的麻雀算法优化BP神经网络,达到提高BP神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站AFC刷卡数据为例,利用构建的预测模型开展客流预测实验,并通过3种准确性评价指标(MAE、RMSE、MAPE),评价改进前后模型预测的准确性。研究结果表明：改进的Logistic-SSA-BP预测模型平均绝对百分误差分别为14.96%和13.73%;与传统BP预测模型相比,其客流预测结果具有更高的准确性。     

基于VMD-LSTM轨道交通客流预测模型

客流量预测是城市智能交通系统的重要组成部分.为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型.采集明尼苏达州州际轨道交通客流数据对模型进行验证.结...     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

城市短期交通流量预测方法的探讨

根据实际观测得到的交通流量数据,运用灰色预测模型、神经网络以及最小二乘拟合等三种交通流量预测模型．对上海市延安东路隧道浦西段入口处短期车流量进行短期的预测。计算结果表明,神经网络模型的精度最高。最后提出一种根据短期交通流量预测结果的人工智能解决交通拥堵的方案。     

基于Wi-Fi探针的地铁客流预测研究

在城市轨道交通日常运营中,随着车站客流量的逐年增长,为了避免人群拥挤导致的安全问题,地铁车站客流量的准确预测存在重要的现实意义.通过对Wi-Fi探针的采集原理、源数据处理进行分析,对Wi-Fi探针间的关系进行关联分析,构建BP神经网络客流的预测模型,最后以算例验证Wi-Fi探针技术采集数据及客流预测模型的有效性和可行性,并以某地铁站采集到的数据为例进行验证.实验结果表明,Wi-Fi探针技术采集到的数据可以满足客流预测的需求,基于Wi-Fi探针的地铁客流预测模型有效.     

基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究

考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM)。采用人工计数法,获取铁路枢纽站出租车客流需求的时间序列数据,根据供需量平衡理论,建立理想条件下需求量短时计算模型。以标准化原始数据为CNN的输入,分别通过双层卷积和池化,提取原始数据特征向量输入特征,并以此作为LSTM的训练数据进行短时预测,将预测数据标准化还原后可得到匹配原始数据的预测数据。对比分析SARIMA、LSTM预测模型,构建的CNN-LSTM组合模型RMSE值有所降低,表明构建模型适用于铁路枢纽出租车需求量短时预测。