UKF地铁短时客流预测研究

为获得较为可靠的地铁车站实时客流,提出基于神经网络与无迹变换卡尔曼滤波(UKF)结合的信息融合预测方法。首先利用各站点间进出客流时空相关性,在运行时间约束下组织预测向量,以BP神经网络为函数表达给出目标站点客流的初步预测值。在此基础上,利用无迹变换卡尔曼滤波解决神经网络过学习造成的误差,以提高预测结果精度。最后选取实例验证算法的准确性,结果表明,该改进算法可有效提高预测精度,满足运营需求。     

南京地铁南北线客流预测研究

介绍了南京地铁南北线客流预测的影响因素、步骤、模型、软件及结果，并对预测结构进行了简要分析。     

大型活动期间地铁车站客流预测方法研究

以中国进出口商品交易会(广交会)为研究对象,对大型活动期间地铁车站客流组成及其分布特征进行了分析,并基于历史客流数据提出广交会期间车站客流量的提取方法.基于灰色预测理论构建了广交会期间地铁车站客流量预测模型,依托2018年秋季广交会期间地铁车站客流数据对该模型进行了验证.结果 表明,所提方法可高精度预测广交会期间的地铁车站客流量.     

西安地铁3号线客流趋势预测研究

在目前我国城市已运营的轨道交通线路中,实际客流与设计客流偏差较大的问题普遍存在。以西安地铁3号线为例,研究其现状客流特征,并与原设计客流对比,分析主要客流预测指标与实际值的偏差及原因。在综合考虑客流影响因素的基础上,提出3号线研究年度内各年客流预测推荐值,对其原客流预测进行校正。最后,结合3号线客流发展规律,对城市轨道交通规划设计及运营提出相关建议。在线路运营初期对客流趋势进行预测,为合理增购车辆、制定运营计划提供依据,为其他线路进行客流趋势预测提供参考。     

郑州地铁短期客流预测研究

建立符合郑州地铁客流特点的短期客流预测模型并运用到线网客流预测工作中。短期客流预测模型可预测未来1个月内工作日、周末及节假日的线网客流,为线网日常运营管理及运输组织工作提供有效参考依据。     

基于智慧地铁的车站客流压力分级管控策略

从地铁车站大客流管控需求出发,提出了基于智慧地铁的车站客流压力分级管控技术和管控策略,即基于客流智能监控的车站客流压力分级技术和基于客流压力分级技术的大客流管控策略.分析了智慧地铁下的车站大客流管控需求和思路,介绍了车站客流压力分级管控技术和管控策略.该策略的提出可为地铁运营管理者更加精细化地处理各类大客流风险提供了依...     

客流预测量对地铁车站造价的影响分析

在地铁工程可行性研究阶段,项目决策对地铁工程造价的影响度可达80%～90%,而客流量又是决定地铁工程必要性和可行性的重要参数。客流预测工作做得科学细致,可以使地铁修建方面的许多不合理因素得到控制。研究了客流预测量与不同发车频率下列车编组的关系,探讨了客流预测量与车站站台长度、宽度和进出站通道等的关系,分析了客流预测量对车站规模的影响,及其对车站造价的影响。     

基于GA-SLSTM模型的城市轨道交通短时客流预测

城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆（SLSTM,Stacked Long Short Term Memory）模型的基础上,引入遗传算法（GA,Genetic Algorithm）,构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络（RNN,Recurrent Neural Network）模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。     

基于大数据技术的铁路客流预测系统架构研究

分析现有铁路客流预测理论研究和系统应用,针对预测过程中缺乏对不确定因素考虑的情况,提出预测系统中事件的概念,基于大数据技术构建事件处理平台和预测系统架构,该架构为铁路客流预测实时性和准确性的提升奠定基础。     

西安地铁2号线南段运营初期客流预测

以西安地铁2号线南延段开通日期为预测年限,通过设计、实施客流调查及AFC(自动售检票)系统数据分析,深入探讨2号线南段现状客流出行特征及既有线上的客流规律,运用在既有客流规律基础上的趋势推演法,通过标定车站客流与土地利用、到离站交通距离与地铁车站选择、合理轨道乘距等数学模型,从客运量与断面客流量两方面完成其开通初期的客流预测,为2号线南段开通的运输计划编制提供依据,为后期新线开通的客流预测积累经验。     

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...     

客流预测成果在地铁车站设计中应用及预测值偏小的影响分析

阐述轨道交通客流预测成果在地铁车站设计中应用及影响,并对设计中如何合理利用客流预测成果进行探讨。     

断面客流不均衡条件下的地铁行车组织方法

结合地铁客流的分布特征,分析了地铁客流时间和空间分布的不均衡性,给出了依据客流不均衡性设计行车组织方法的原则。此外,给出了各种不均衡性的数学公式描述。以西安地铁二号线客流预测数据为例,探讨了客流分布特性与行车组织之间的关系,设计了相应的行车组织方案。     

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。     

深圳地铁运营对轨道交通客流预测的启示

研究目的:深圳市轨道交通一期工程运营以来,客流处于全国最好的水平,部分车站的客流已经接近设计水平。若运营中出现客流超出运输能力的情况,会对地铁公司的正常运营带来很大的风险,为规避运营风险,需对实际客流较之设计客流进行校验,对可能导致客流断面激增的因素进行预估。研究结论:本文以深圳市轨道交通运营的统计数据和设计资料为基础,重新审视其设计时的客流预测结果,系统地定性分析了客流高断面超出设计水平的影响因素,得出深圳地铁客流将在网络化以后将进入快速增长阶段的结论,建议地铁公司应适当增加车辆配置以应对客流的快速增长。     

城市轨道交通线网时空相关性客流预测研究

城市轨道交通客流预测是一个时空相关的复杂问题,仅根据车站的历史数据很难得出更有参考价值的预测结果。提出基于Elman神经网络算法的时空相关性客流预测方式。其模型输入包括车站的历史数据和线网中其它车站及交叉线路车站的时空相关性数据。前者从车站前3周数据中提取纵向强时间相关性数据;后者从相关车站的前3周数据中提取横向强时间相关性数据。提取过程均采用Spearman算法。在两条交叉线路共33个车站3周时间范围的客流数据上,利用Elman神经网络算法比较分析时空预测方式和时间预测方式的预测性能。试验结果表明,时空预测方式对实际客流的预测精度优于时间预测方式。最后,在时空预测的基础上进行客流多步预测,为城城市轨道交通有效的客流疏导提供数据支持和相对宽裕的时间。     

基于混合EMD-BPNN方法的短期客流预测分析

通过城市轨道交通的客流预测,可以达到提升乘客出行效率、降低运营成本等目的。基于此,提出一种经验模态分解和神经网络相结合的混合EMD-BPNN方法来预测短期的客流量。该方法通过经验模态分解将原始的客流数据分解成多个固有模态函数分量,并筛选出有意义的分量,将其作为神经网络的输入,从而进行客流预测。实验结果证明,该方法在地铁的短期客流预测中的精度和稳定性均高于传统神经网络算法。