灰色预测法在城轨客流预测中的应用

选择灰色系统理论对城市轨道交通客流进行预测.此方法利用城市轨道交通客流量历史数据建立GM(1,1)模型群,对模型群中的各个模型进行精度检验,选取其中精度较高的模型对客流进行预测.     

基于客运量波动的城市轨道交通项目财务效益后评价分析

研究目的:城市轨道交通建设项目的决策和管理水平及其产生的效益越来越受到重视,后评价作为工程项目全生命周期管理的重要环节,正是满足这一要求的最佳手段.本文借鉴建设项目后评价理论与方法,结合城市轨道交通的特点,探讨基于客运量波动的城市轨道交通项目的财务效益后评价理论与方法.研究结果:根据城市轨道交通项目的特点,本文分析了财务效益后评价的内容,并从客运量的波动性建立城市轨道交通项目财务效益后评价的随机灰色系统模型,利用GM(1,1)模型对客运量进行拟合和预测,以此得到的客流数据作为财务效益后评价的基础数据.算例表明GM(1,1)模型能较好地反映客运量的变化发展规律,具有良好的外推性和准确度,适用于城市轨道交通项目的财务效益后评价.     

城市轨道交通线延伸段经济评价方法初探

针对城市轨道交通线延伸段的经济评价方法存在的分歧,对各种评价方法的优缺点进行了分析,探讨了基于增量法的延伸段经济评价方法.为解决增量客流的计算问题,运用灰色理论建立了先期工程客流的灰色系统模型.利用GM(1,1)模型对客运量进行拟合和预测,以此得到的客流数据作为先期工程的新预测客流.该模型的运用能较为准确地定量延伸段的客流增量,为正确评价延伸段的财务可行性和经济合理性提供了条件.     

ARIMA模型在城市轨道交通短期客流预测中的应用研究

城市轨道交通站点的客流监控与短期精准预测对实现高效列车调度、防范安全隐患、降低运营成本具有关键作用。文章通过优化ARIMA模型参数对不同时间粒度下天津地铁某站点周一到周五的AFC客流数据进行预测,预测结果表明ARIMA方法能够准确预测城市轨道交通站点的短期客流。减小客流数据时间粒度能够获得更多的客流数据细节信息,有利于提升预测的精准度。研究发现即便在客流数据能够通过平稳性检验的情况下,对客流数据进行差分处理依然能够明显提升ARIMA模型的预测精度。     

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。     

深基坑开挖变形的灰色马尔科夫链预测方法

基于灰色马尔科夫链理论,提出了深基坑开挖变形灰色马尔科夫链预测方法,建立了用于变形预测的新陈代谢GM(1,1)模型和灰色马尔科夫链模型.研究结果表明:这2种模型的预测精度都可以满足施工期预测要求,灰色马尔科夫链模型的各项指标均优于新陈代谢GM(1,1)模型.该结果对同类研究具有一定参考价值.     

面向数据驱动的城市轨道交通短时客流预测模型

考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。     

城市轨道交通实时客流监控方法与实现技术

我国城市轨道交通的高速发展以及大规模城市轨道交通网络的日臻完善使得列车调度与指挥的重要性日益凸显,而对客流进行精准高效的监控统计是实现列车高效调度的基础。文章通过对城市轨道交通站点进出客流进行分析,得出短期客流数据具有明确的周期性和时序相关性,客流监控数据可以成为短期客流预测的可靠数据来源。客流监控数据获取需要将存量式与通量式客流监控设备结合,通过合理布置监控点位获得及时精准的客流监控数据,为短期客流预测提供低时延、高精度数据支持。     

基于改进灰色模型的东北地区铁路货运量预测

铁路货运量预测在国家和区域经济发展规划中具有十分重要的作用。灰色GM(1,1)预测模型被广泛应用于铁路货运量预测研究中。本文在建立灰色GM(1,1)模型的基础上,采用更符合东北地区经济发展态势的改进灰色模型——新陈代谢GM(1,1)模型对东北地区2006—2011年铁路货运量进行预测。通过对原始数据与预测数据的精度检验后发现:新陈代谢GM(1,1)模型满足四种精度检验要求,符合一级预测标准并适合中长期预测,适合于东北地区铁路货运量的预测研究。最后应用新模型预测2012—2015年东北地区的铁路货运量,使得预测数据更加合理化。与灰色预测的基本模型相比,改进的预测模型具有较好的实用价值。观察预测数据发现东北地区货运量呈单调递增趋势,有良好的发展态势。     

灰色动态模型群在城市轨道交通客流预测中的应用研究

随着城市轨道交通的快速发展,客流预测作为一项基础工作,在城市轨道交通规划、设计、建设及运营等环节中起着至关重要的作用.鉴于城市轨道交通客流具有周期性变化的特点,依据灰色系统理论,本文提出了由多个灰色Verhulst模型组成的灰色动态模型群,以某城市轨道交通线路为例进行短期客流的预测分析.实例计算证明了采用动态模型群的预测平均值作为最终预测,具有较高的预测精度,可满足实际应用需求.     

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 SSA-SVR 模型的城市轨道 交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析 (singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨 道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始 时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进 行各站点的短时进站客流预测。采集 2015 年 11 月北京市全网的城市轨道交通进站客流数据,对提出的短时客流 预测模型进行验证和对比分析。结果表明,组合模型预测精度相比 ARIMA、SVR、CNN-LSTM 和 T-GCN 模型具 有更高的预测精度和更稳定的预测表现,具有一定的实际意义。     

铁路客流总量预测方法研究

客流预测是铁路运输进行运力布局,产品调整的重要基础。预测的科学性、精确度将直接影响运输生产,因此努力提高客流预测的精度与可用性,是目前运输学科的一个热门研究领域。本文提出基于历史与预售的时间序列（HAP）预测方法对铁路客运中、短期客运总量进行预测分析,以预测铁路客流总量,控制预测误差。经过实际应用,验证了该方法的科学性和合理性。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

地铁换乘客流实时监测模型研究

针对地铁换乘客流随机性强及短时冲击性等特点,在分析地铁线网结构的基础上,提出基于时序倒推的地铁换乘客流实时监测模型,并采用BP神经网络算法进行模型求解。选取南京地铁典型换乘站对所述方法进行分析验证,进一步说明模型的合理性和可行性。     

城轨新线客流成长期进出站量短时预测研究

为准确掌握城轨新线开通初期客流演化态势、提高运输组织合理性,针对新线客流变化不稳定、缺乏历史客流数据等问题,提出城轨新线客流成长期进出站量短时预测方法。通过对新线站点进出站量变化规律的分析,基于改进模糊C均值聚类算法,对考虑客流趋势相似性的城轨站点类型划分方法进行研究,并提出城轨新线站点历史数据库构建方法;基于趋势距离对近邻匹配机制进行优化,并根据多元统计回归对K近邻算法进行改进,提出新线站点客流成长期进出站量短时预测方法;结合广州地铁客流数据,对预测方法的有效性进行验证。研究结果显示:新线站点客流成长期内短时进、出站量平均预测效率较既有方法增加了35.68%、32.23%,预测精度较既有方法增加了38.32%、25.80%。     

基于土地利用的城轨新站点客流预测方法研究

城市轨道交通线路规划、设计和建设全过程年限较长,在此期间土地利用规划通常多有调整,导致工可研阶段的客流预测结果难以支撑新线开通时运输计划编制等运营管理工作。提出一种基于土地利用的城轨新站点客流预测方法,首先研究城轨站点周边人口岗位数据统计方法,其次提出人口岗位比、人口岗位总数和站点可达性指标概念,基于K近邻非参数回归预测方法构建进出站量预测模型,最后依托广州地铁客流数据对模型进行精度分析。结果表明,所有站点进站量预测的平均绝对误差占平均实际进站量的19.0%,进站量大于2万人次的站点平均相对误差为16.0%,所提方法可为城轨新线开通后运输组织提供决策依据。     

城际轨道交通旅客票价与客流量敏感性分析模型

城际轨道交通票价作为影响客流大小的关键敏感性因素,关系到客流预测的准确性。为明确城际轨道交通票价与客流的关系,本文提供一种基于均衡模型的票价敏感分析方法,通过对平均运行时间、花费价格及其他影响因素分析,建立效用函数,计算效用值;依据客流均衡配流模型,得到各类交通方式均衡状态下客流量;在此基础上,利用灵敏度分析模型得到不同方式出行票价与客流量的关系;最后以杭绍城际轨道交通线为例进行票价敏感性分析,研究结果表明,该模型与算法具有较高的可靠性。     

高速铁路与公路客运竞争的市场分担率模型研究

随着高速铁路的快速发展,高速铁路网络初步形成,对公路客运也产生了巨大的冲击。在原有由经济性、快速性、方便性、舒适性、安全性因素组成的传统Logit函数上,加入偏好性因素,构建了改进的Logit函数模型来分析竞争市场分担率。同时,基于运行时速和距离,构建了高速铁路与公路客运市场分担率演变模型并进行了敏感性分析。结果表明,从市场总份额和影响因素重要性角度来讲,高速铁路与公路客运市场份额分别为53.32%和46.8%;从不同距离上的竞争演变角度来讲,在高速铁路时速分别为200、250、300、350 km时,高速铁路与公路客运竞争的市场临界点分别为200、150、100、75 km,大于这些临界点时,高速铁路市场份额占优势;小于这些临界点时,公路客运市场份额占优势。     

轨道交通客流预测四阶段法的改进

从交通生成、交通分布、交通方式划分等3方面指出了轨道交通客流预测四阶段法的不足,提出按出行目的对区内和区间的交通分布分别建模,对原来没有轨道交通的城市,采用二阶段的轨道交通方式划分对规划中的轨道交通客流进行预测,建立了区内、区间分布模型。并对分布模型的改进方法进行了验证,改进分布模型较原重力模型对样本OD的模拟更精确。