首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 15 毫秒
1.
为适应轨道交通客流变化规律,以提高地铁短时客流预测结果的准确度,且兼顾轨道交通客流变化的周期性和潮汐性,提出一种基于注意力机制的双向长短时记忆神经网络(BiLSTM)短时客流预测模型。首先,将处理后的地铁进出站客流数据以不同时间粒度和节日类型作为预测因素,输入到模型中;其次,通过BiLSTM充分挖掘时间序列的全局特征进行初步预测;最后,再通过注意力机制对不同时间点的显著特征加权得出预测结果,提高模型的预测性能。以上海地铁四号线海伦路站的真实客流数据为对象,进行不同模型的对比实验,并通过4种评价指标(MAE、MAPE、RMSE、R2),评价改进前后的模型客流预测准确性。实验结果表明,在评估指标上,文中提出的ATT-BiLSTM模型要优于单种神经网络预测模型。  相似文献   

2.
短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明:相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%~44.8%,均方根误差降低16.9%~47.4%,对短时客流的预测结果误差改善显著。  相似文献   

3.
4.
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。  相似文献   

5.
本文根据轨道交通客流预测的实际特点,应用修正后的四阶段模型对哈尔滨市地铁一号线的客流进行了预测,并得出预测结果。通过分析,证明了四阶段预测方法的可行性及合理性。  相似文献   

6.
地铁全网客流量预测对轨道线网规模确定及线路规划建设具有指导性作用,为准确预测地铁全网客流量,选取GM(1,1)均值模型、GM(1,1)差分模型和灰色Verhulst模型对重庆地铁全网客流量进行预测,采用平均相对误差、均方差比值和关联度三个指标对模型进行检验。结果表明:GM(1,1)均值模型预测结果与实际数据最接近,预测性能优于差分模型和Verhulst模型,为重庆地铁全网客流预测提供新思路,为重庆地铁规划建设提供理论依据。  相似文献   

7.
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。  相似文献   

8.
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...  相似文献   

9.
【背景】客流预测是城市轨道交通运营和管理的重要组成,近年来结合多源数据和深度神经网络的精准客流预测受到越来越多的关注。【目标】提升轨道交通站点客流预测的精度,为运营管理提供有效支持。【方法】首先,搭建一种融合多特征的站点客流预测模型,该模型通过卷积神经网络(CNN)提取地铁客流的时空特征,并结合残差单元(ResNet)增强特征提取能力,构建特征传播矩阵挖掘站点间的空间特征,采用长短期记忆网络(LSTM)提取影响因子序列数据的时间特征,在特征融合过程中应用注意力机制突出关键特征。随后,引入遗传算法(GA)对模型进行优化,并采用多层感知器(MLP)修正模型的预测结果误差,提高模型的预测精度。【数据】杭州地铁站点刷卡数据及对应的气象数据、POI数据。【结果】优化ResNet-CNN-LSTM-Attention模型(IO-RCLA)的预测精度最高。相比于RCLA模型,IO-RCLA所有站点预测结果的MAE、RMSE、MAPE分别降低了17.09%、16.09%和8.91%,证明了方法在多站点客流预测中的高精度和有效性。  相似文献   

10.
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。  相似文献   

11.
本文首先根据北京城市轨道交通网络的特点,以静态非平衡分配模型中的最短路径分配为理论基础,实现历史客流在断面上的分配,得到具有参考价值的断面客流。然后通过大量BP神经网络建模试验,对北京城市轨道交通客流预测问题,建立了合理的预测模型。最后利用BP神经网络模型对13号线西直门站至2号线西直门站的换乘断面客流进行预测,并与最小二乘拟合结果进行对比分析,得出合理的客流预测结果。  相似文献   

12.
地铁站点客流的时变特征是地铁客流管理和预测的重要参数.基于上海1个月的地铁自动售检票系统小时客流数据,采用K-Means聚类算法分析站点客流典型时变曲线特征,并利用POI数据计算点客流时变特征与站点周边土地利用之间的关联性.结果显示,上海地铁站点可分为居住导向型、就业导向型、商业型、混合型、混合偏居住型、混合偏就业型等.不同类型站点服务范围内的土地利用有显著差异,且二者之间有很强的相关性.本研究为地铁客流预测、地铁站点规划设计和地铁运营组织提供相关参考.  相似文献   

13.
本文根据轨道交通客流预测的实际特点,应用修正后的四阶段模型对哈尔滨市地铁一号线的客流进行了预测,并得出预测结果.通过分析,证明了四阶段预测方法的可行性及合理性.  相似文献   

14.
汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度,以及调控汽车保有量规模具有重要意义。为此,本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先,分析汽车出车率的关键影响因素,提取出17个特征影响因子,结合标准化处理后的重构时间序列,基于随机森林算法进行变量的重要度评估,筛选出最优特征集合作为预测模型输入;其次,为解决神经网络算法容易陷入局部极值的难题,建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型,利用HPO的探索-开发机制,实现BiLSTM框架的动态化搭建与精细化调参;最后,结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明:与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比,HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%~54.38%、20.67%~57.40%、27...  相似文献   

15.
城市轨道交通客流预测理论与方法的研究   总被引:3,自引:0,他引:3  
研究了采用“四阶段”法预测城市轨道交通客流量的理论模型与方法,并着重论述在混合交通状态下客流分配的平衡模型,提出了以广义出行时间最小为优化目标的分层预测思想。  相似文献   

16.
17.
基于连通北京市地铁车站与周边建筑的人行通道的不同特点,分析研究操作性较强的客流预测方法体系,提出三种不同的预测方法,并提出各种方法的应用条件。以地铁大兴线西红门站与英特宜家购物中心连接通廊为例,进行客流预测分析,为确定连接通廊的建设规模提供技术支持。  相似文献   

18.
基于优化PSO-BP算法的耦合时空特征下地铁客流预测   总被引:1,自引:0,他引:1       下载免费PDF全文
为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。  相似文献   

19.
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.  相似文献   

20.
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。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号