基于深度学习的城市轨道交通短时客流起讫点预测

提出了一种基于门控循环单元(GRU)神经网络的城市轨道交通短时客流OD(起讫点)预估模型。以实际数据为例,引入同期天气数据,对工作日的数据进行训练预测,并与长短期记忆(LSTM)神经网络模型进行对比。预测结果表明:相对于LSTM模型,GRU模型不仅模型简单、收敛速度明显较快,而且在预估误差和预测稳定性等方面也略优,更适于短时客流OD的快速预测。     

基于广义动态模糊神经网络的短时车站进站客流量预测

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点,结合逻辑推理能力强的模糊技术与自学习能力强的神经网络,提出一种基于广义动态模糊神经网络(GD-FNN)的短时进站客流量预测方法。以北京轨道交通各车站的进站客流量数据为例,分析轨道交通车站的进站客流特征,确定影响短时客流分布的主要因素;然后采用GD-FNN方法构建车站短时进站量的预测模型,实现对北京轨道交通系统若干车站进站量的预测。预测结果表明:该方法与传统的神经网络相比,预测效果更准确(最大相对误差小于8%),稳定性好。     

基于LSTM(长短期记忆)网络的城市轨道交通列车停站精度预测

城市轨道交通列车进站自动停车过程中常会出现冲标和欠标问题,结合行车日志大数据分析和LSTM(长短期记忆)网络算法,提出了有效的解决方案。首先针对行车日志中大量的列车停车精度历史信息进行大数据分析,按1 d为一个统计周期对数据进行分期,并对数据进行预处理和多类拟合,对比后获得最佳拟合参数的时间序列。然后通过LSTM网络算法构建深度学习模型,对列车进站自动停车精度的分布进行预测。最后基于成都某地铁线列车停车精度的历史数据,对该LSTM预测模型进行训练与验证。结果表明：该预测模型可满足统计学上对相似度大于0.9的要求,从而验证了该模型的有效性和准确性。     

基于数据融合的地铁客流量预测方法

为了更加准确地预测城市地铁交通中动态变化的客流量 ,通过分析城市地铁交通客流量的特点 ,提出了一种基于神经网络数据融合的预测方法。这种方法根据预测数据各属性的特点 ,将采集的数据提取出多个相关序列。在此基础上对各序列采取不同的处理、预测方法 ,再利用神经网络进行融合。这种方法可用于数据动态预测的各种领域。实验表明 ,采用这种方法可以有效地改善数据预测的误差。     

基于支持向量机的地铁客流量预测

地铁客流量是城市地铁交通运营组织的重要依据,客流随机性较大及其影响因素较多,因此加大了客流预测的难度。为了更加准确地预测城市地铁交通中的客流量,及时对客流组织方案进行调整,设计了一种基于非线性支持向量回归机的地铁客流量预测方法。该方法通过分析已采集数据的影响因素,确定对客流量影响较大的支持向量,然后构建预测模型进行预测。该模型可以通过调整影响因素的强度来提高预测精度。最后,通过算例验证：该方法可以有效地改善预测误差,适用于短期和不确定环境的地铁客流预测。     

基于OD反推模型预测客运通道客流量

OD矩阵是进行客流预测的重要基础数据,在实际操作过程中,获取吸引区之间的OD矩阵却是非常困难的,一般采用OD调查的方式,但缺陷是调查过程较为费时、费力。本文提出一种免OD调查,利用客流区段观测值直接反推OD矩阵的方法。首先讨论了传统"四阶段"模式与OD反推预测模式的联系和区别,然后阐述以重力模型为结构的基于区段客流量反推OD矩阵模型,并利用最大似然法对模型参数进行迭代求解,最后结合一个具体实例,运用该方法对武广客运通道的客流量进行了预测分析,采用试算法模拟重力模型的参数,误差控制良好,结果验证了方法的有效性。     

基于梯度提升的城市轨道交通客流量预测分析

通过分析城市轨道交通日均客流及相关影响因素的变化特征,以多种因素作为数据集特征,采用梯度提升法和随机森林的混合模型对日均客流量进行预测。以北京地铁客流数据作为研究对象,对模型进行了试验。试验结果表明,基于梯度提升和随机森林的混合模型相较于常规ARIMA模型和随机森林模型具有更好的适应性,在常态和特殊情况下均能取得可接受的预测效果。     

铁路客运专线客流量预测的探讨

依据客运专线客流的成因,将其分为趋势客流、诱增客流和转移客流。运用灰色预测模型对趋势客流进行预测;采用以GDP和常住人口数量作为影响因素的改进型重力模型对诱增客流进行探讨;利用MNL（Multi-Nominal Logit）模型来预测转移客流。以某规划中的客运专线为例,对文中的预测模型进行阐述,以验证本模型对于客运专线客流预测的正确性。     

基于长短期记忆网络的动车组轴箱轴承故障诊断预测模型研究

动车组轴箱轴承是动车组转向架的关键部件,其运行品质直接影响动车组的运营安全.以深度学习算法为基础,利用轴承振动信号时间序列的特点和LSTM(长短期记忆网络)擅长处理时间序列的优势,通过构建LSTM模型对轴承的故障状态进行识别,开发了基于深度学习的轴承故障诊断预测软件,实现了轴承故障早期的分类与诊断.模型的仿真和试验表明...     

基于空间加权的LS-SVM城市轨道交通车站客流量预测

为提高城市轨道交通车站客流预测模型精度,简化模型数据需求规模,提出基于空间加权的LS-SVM城市轨道交通车站客流预测模型。基于交通网络距离重新划分车站的影响范围,提出分距离影响带的线型和指数型空间权重系数方程,结合空间权重系数,输入区域特征变量和车站属性变量构建城市轨道交通车站客流LSSVM预测模型,运用动态改变惯性权重自适应粒子群优化算法(DCW-APSO)对模型参数进行优化选取。应用模型预测2011年成都市地铁1号线部分车站客流,并与其他模型进行比较,结果表明:模型明显提高客流预测精度,简化数据需求量,作为城市轨道交通客流预测的补充模型可以进一步提高系统的可靠性。     

后疫情时代基于XGBoost的铁路客运站客流量预测研究

进入"后疫情时期",铁路客流正逐步回升,但呈现较大波动,面对铁路提质增效的任务,准确预测客流量愈发重要.文章采用极端梯度提升(XGBoost,eXtreme Gradient Boosting)模型,以新冠肺炎疫情、天气和日期属性作为影响因素,选取上海站2016年1月1日—2020年7月27日客流量数据作为训练集和验证...     

基于数据挖掘算法的地铁站能耗时序预测方法

建立了误差反向传播神经网络(BPNN)、决策树分类与回归树(CART)、支持向量回归机(SVR)三种普通的输入-输出预测模型,对地铁站能耗进行预测。基于数据挖掘算法对三个模型进行改进,得到了三种模型基于时间延迟的预测结果,对比了改进前后的预测结果,并确定了最佳的时间延迟。结果表明:普通的输入-输出模型中,SVR对能耗的预测更加精确;基于时间序列的能耗预测模型对BPNN预测模型的提升最大;滞后时长为5 min时,三种模型的预测精度最高;基于决策树CART算法的时序能耗预测模型对时间延迟的敏感度最高。     

基于AFC数据的城轨站间客流量分布预测

基于轨道交通自动售检票系统(Automatic Fare Collection,AFC)统计获得的集计型客流数据,依据行为分析理论,提出1种适用于路网结构变化条件下的城轨站间客流量分布预测模型。首先,基于随机效用最大化理论,构建乘客目的地选择模型,选取终点站吸引客流量、列车运行时间、乘客在站换乘时间、乘客换乘次数、起终点站的线位关系和站点属性6个指标构建效用函数,以反映目的地吸引力、城轨服务水平、起终点站之间的线位匹配关系等对乘客目的地选择行为的影响,在此基础上,建立站间客流量分布预测模型;然后,利用代表个人法将AFC数据转化为非集计型数据,基于WESML(Weighted Exogenous Sampling Maximum Likelihood)估计方法,实现对目的地选择的非集计预测模型的参数标定。采用广州地铁6号线开通前后的AFC数据,对该预测模型的预测效果进行检验。结果表明:在新线接入导致地铁线网结构发生变化的条件下,全线网站间客流量分布预测的平均绝对误差仅为36人,因此该预测模型具有较高的预测精度。     

基于深度学习的高速铁路工务安全指数预测技术

高速铁路工务安全指数（HRPSI）反映了高速铁路工务故障和事故的发生状况,对其进行规律验证与预测对于高速铁路工务专业进行安全评估和预测具有非常重要的现实意义。基于高速铁路10周年工务安全指数数据,构建2种深度学习的时间序列预测模型。利用皮尔森系数预测模型的有效性证明构建2种模型的有效性。其中门控循环单元（GRU）预测方法效果更好,训练集和测试集的皮尔森系数分别为0.937 1和0.922 1,可有效预测工务安全指数变化趋势。     

基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

基于月客流量残差的地铁客流季节指数预测方法

为精准反映城市轨道交通的季节性特征,基于月客流残差提出了地铁客流季节区间分类方法.建立趋势方程并计算月客流残差,以月客流残差曲线之间的相似度为基础对月份进行分类,得出基于月客流残差曲线的季节分组区间(SIR).分别以每月进行分类并计算传统月份分组区间(TMC)、以每季度进行分类并计算传统季度分组区间(TQC)以及SIR...     

基于支持向量回归的大型客运站客流量预测应用研究

准确预测大型客运站发送客流量,是铁路依据旅客出行需求制订开行方案、编制运行图和完成客流输送任务的重要基础.简要介绍支持向量回归的概念和原理;以汉口车站2017年1月—12月日实际发送客流量作为样本数据集,分析大型铁路客运车站客流特点,即年度客流呈现明显周期波动性、长周期内因多次节假日出现客流大幅激增;将样本数据集分为训...