上海轨道交通网络客流预测的后评估

在轨道交通客流预测研究工作中,日均客流和高峰高断面客流的预测结果是各方面关注的重点。通过对既往轨道网络客流预测的后评估,即充分利用原有预测数据或预测前提进行推算,得到2008年全网的预测值,将其与2008年实际值进行对比,分析差异,查找原因,旨在为预测模型改进及其相关的研究提供一定的帮助。     

城市轨道交通客流预测专家点评

2008年10月14—15日,“城市轨道交通客流预测理论、方法和应用”研讨会在北京顺利召开。会议交流了各城市轨道交通客流预测现状,探讨了客流预测理论和方法。这次会议不仅是对城市轨道交通客流预测工作的促进,而且必将对我国城市交通客流预测技术起到补充完善的重要作用。本刊特对部分与会专家的发言进行编辑整理,以飨读者。     

沈阳至铁岭城际快速轨道交通客流预测研究

基于对沈阳至铁岭城际快速轨道交通功能定位与客流特征分析,提出了将城际快速轨道交通作为区域客流通道进行研究的基本思想,以及四阶段客流预测的技术路线.通过客流分配模型,对沈阳至铁岭城际快速轨道交通进行了客流预测,获得线路全日客运量、平均运距和高峰小时最大断面客流量等客流预测指标.     

基于城市轨道交通客流短时预测的运营编组设计

根据城市轨道交通客流短时预测量进行运营编组设计,更接近客流的实际运营情况,具有实时、灵活和快速响应等优点.以一周为周期,使用最近一周的历史断面客流量作为原始数据,应用嵌入式灰色神经网络组合模型进行短时预测,得到的下一周期断面客流量更符合客流不断变化的趋势.以此为基础进行运营编组设计,使其更能适应客流量的实时变化.然后将按计划运营的实际客流纳入历史客流,进行循环修正更新,作为下一周期客流短时预测基础进行运营编组设计.基于城市轨道交通客流短时预测的运营编组优化,在一定程度上可以提高城市轨道交通系统运能,提升运营效率,降低运营成本.     

上海市轨道交通客流预测理论方法研究

加强城市轨道交通客流预测理论方法的研究是提高客流预测准确性的重要手段之一。结合过去20年上海市轨道交通发展的实践经验和教训,总结了影响轨道交通客流预测精度的因素。对轨道交通客流预测的理论、方法和参数进行了深入研究,重点分析了客流预测在理论研究和模型方法改进方面应注意的问题和研究的方向,并指出客流预测参数取值存在的问题。最后,提出在预测技术方面未来的研究方向,以提高轨道交通客流预测的准确性。     

基于XGBoost的轨道交通短时客流预测精度分析

短时客流预测是轨道交通运营调度中的先导工作,其中短时预测的时效性尤为重要,预测中既要保证预测精度同时也要提升预测效率,提出基于集成学习的XGBoost算法进行轨道客流预测.以西安市地铁二号线AFC刷卡数据为例,在数据预处理过程中发现特殊节假日、休息日及工作日具有不同的客流特征,在工作日客流波动更为剧烈,因此,采用工作日客流量进行验证.将预测结果与BP神经网络模型、ARM A模型进行对比,结果表明:XG-Boost算法具有更高的预测精度,同时计算时间更短.研究结果可为制定轨道交通动态运营提供参考,同时,将机器学习运用到客流预测中也能增大预测方法的可选择性.     

基于时间序列季节分类模型的轨道交通客流短期预测

轨道交通客流的分析中,数据季节性特征对客流预测的有效性存在显著影响.通过分析轨道交通客流曲线,发现轨道交通客流呈现出季节性特征;针对这种特征,提出基于季节分类模型的轨道交通客流预测方法.根据客流季节特征建立季节分类模板和季节时间序列;采用乘法季节自回归差分滑动平均模型建立客流季节分类模型;使用季节分类模型预测对应类型日期的客流.实验表明:季节分类模型既能有效预测轨道交通客流,又能较好地避免预测误差波动性问题.     

基于栈式自编码的高速铁路站间客流短期预测研究

站间短期客流预测是高速铁路运营管理的重要依据.首先在提取原始客流数据特征的基础上得到样本和标签集,然后基于栈式自编码算法预训练神经网络模型参数,最后构建神经网络预测模型.以渝万高铁为例,采用2016年11月到2018年10月数据进行验证,结果表明:提出的模型预测误差为12.08％,与其它4种常用预测模型相比精度分别提高12.12％、1.12％、6.9％和19.12％,模型适用于短期客流预测.     

哈尔滨市地铁一号线的客流预测

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.     

基于PWNN模型的轨道交通客流预测分析

在缓解城市交通拥堵、环境污染等问题上,城市轨道交通起到了举足轻重的作用。客流预测作为城市轨道交通建设的设计基础和前提依据,单一的客流预测方法往往难以满足预测精度要求,因此,通过收集北京地铁2号线2017年全年客流量数据,对其常态客流统计特征进行了深入的分析,并采用SPSS分析软件进行了层次聚类分析,构建了PWNN组合预测模型,对常态客流进行了客流预测分析。结果表明:PWNN组合模型能够减小常态客流的预测误差。