城市轨道交通进出站短时客流预测模型研究

针对城市轨道交通短时进出站客流的强随机性、周期性及非线性的特征,提出了一种基于小波变换与Adam算法优化的长短时记忆网络(LSTM)短时客流组合预测模型(即WT-LSTM组合模型),同时基于非饱和激活函数ReLU函数实现了LSTM的学习与训练.采用LSTM模型与WT-LSTM组合模型对广州地铁广州塔站的客流量进行预测,并对预测结果的误差进行对比分析.结果 表明,WT-LSTM组合模型能够较好地预测短时客流,预测结果优于单一LSTM模型.     

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 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。     

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。     

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。     

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。     

基于周期时变特点的城市轨道交通短期客流预测研究

分析了城市轨道交通客流的周期时变性特征,并根据该特征在GM(1,1)灰色预测模型的基础上改进了马尔科夫算法,以适用于城市轨道交通短期客流预测。用无偏GM(1,1)模型拟合系统的发展变化趋势,再以此为基础进行了马尔科夫链预测,并采用多转移矩阵排除客流数据中噪声数据的扰动。试验结果表明,改进后的模型在城市轨道交通客流短期预测中具有良好的精确性。     

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义.充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBA-LSTM).引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验.实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测.     

城市轨道交通客流分布短时预测模型研究及应用

客流分布短时预测对于城市轨道交通运营管理和乘客出行服务具有重要的实际意义。采用自底向上的网络建模技术,利用动态仿真方法模拟乘客出行行为,构建城市轨道交通客流动态分布仿真模型,进行城市轨道交通线网客流分布短时预测,并通过实际AFC(自动售检票)刷卡数据进行二元校验。依托北京市轨道交通安全防范物联网应用示范工程,将其应用于北京地铁运营实践中,结合实例验证了模型的可行性和有效性。     

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。     

基于深度学习长短期记忆网络结构的地铁站短时客流量预测

准确预测地铁站短时客流量,有助于提前开展安全预警工作,快速做出人员疏导方案。根据上海轨道交通2016年3月2. 4亿条刷卡数据,以及该时间段的天气数据,利用Pearson相关分析法提取了客流量的7个外部天气影响因子,以及3个基于历史数据的内部影响因子。通过对数据的分析,综合考虑工作日、非工作日和高峰时段对客流的影响,提取2个内部显著影响因子。以上海轨道交通莘庄站为例,提出了一种基于深度学习长短期记忆(LSTM)网络结构的地铁站短时客流预测方法。最后,将预测结果与典型时间序列预测算法MLR(多元线性回归)和BP(反向传播)神经网络进行对比,验证了LSTM网络在地铁站短时客流量预测中具有更高的准确性和很好的适用性。     

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。     

城市轨道交通新站开通初期实时进出站客流量预测

针对城市轨道交通新站开通初期实时客流预测缺乏历史数据、客流波动大等问题,提出基于改进K近邻非参数回归的新站开通初期实时进出站客流量预测方法。考虑城市轨道交通客流生成机理,分析新站开通初期车站客流量变化规律及其与车站周边土地利用的相关性;基于该相关性,通过聚类分析构建新站与相似既有车站的映射关系,提出支撑新站客流预测的历史数据库构建方法;在此基础上,结合实时客流特征改进非参数回归算法,提出新站开通初期实时进出站客流量预测方法;利用广州地铁客流数据进行新线开通初期实时进站量预测的案例分析。结果表明:该方法具有良好的预测精度,新站开通初期实时进站客流量预测的平均绝对误差不大于16人次,可满足城市轨道交通精细化的运营管理需求。     

城市轨道交通车辆以太网流量的预测方法

随着城市轨道交通云平台的部署,城市轨道交通车辆对通信带宽的需求越来越高。近年来,用以太网替代传统的车辆总线已成为共识。然而,面向城市轨道交通应用尤其基于车辆以太网的数据流量的研究还处于探索阶段。考虑车辆以太网数据流量的统计规律特性,采用3种流行的智能预测方法,即RBF(径向基函数)神经网络模型、LSTM(长短期记忆)神经网络模型和LS-SVM(最小二乘支持向量机)模型对车辆以太网流量进行预测,通过仿真试验对3种方法的预测性能进行了有效性验证。结果表明：在小样本(3 000个数据量)条件下,采用LS-SVM模型对车辆以太网数据进行预测,相比其他两种方法能获得更高的预测精度。     

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。     

城市轨道交通短时客流不确定性预测模型

以城市轨道交通实际运营客流数据为基础,针对现有短时客流预测存在的问题,从运营时段特征、客流类型及站点周边用地类型等影响因素出发,剖析了短时客流存在不确定性的原因;基于周期性差分自动平滑回归模型和支持向量机理论,构建了短时客流预测组合模型,捕捉短时客流的周期性特征和局部非线性性特征;为提高短时客流预测结果的可信度,引入广义自回归条件异方差模型来构建短时客流不确定性预测模型。通过实例,验证结果表明,周期性差分自动平滑回归-在线支持向量机组合模型对于周期性强且稳定的客流具有优越的预测性能,广义自回归条件异方差模型的短期客流不确定性预测结果更为准确可靠。     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

基于移动通信数据分析的Elman神经网络城市轨道交通客流预测

城市轨道交通的短时客流预测数据对运营组织单位面对潜在的大客流或突发事件的应对准备工作有着重要的作用。以原始移动通信数据作为换乘站点换乘客流统计的数据来源,得到了精确的单条线路某个换乘站的换乘人数,并结合自动售检票系统的统计数据,通过建立Elman神经网络模型对客流数据进行样本对训练,得到下游车站未来1 h内断面客流量的预测结果。预测结果误差符合要求,为站点的运营组织方案提供了良好的数据支撑。同时为了对比说明建立了ARIMA模型,并对预测结果作出分析比较。     

基于行为分析的突发事件下城轨站间客流分布预测

提出突发事件下城市轨道交通(城轨)站间客流分布预测方法,旨在为制定突发事件下的应急预案和运营管理措施提供决策支持。首先,提出突发事件下城轨受影响客流界定算法,界定受影响的客流;然后,针对受影响客流,基于非集计理论构建突发事件下城轨乘客的出行选择行为模型,捕捉受影响乘客的出行选择偏好;其次,建立突发事件下的多方式备选出行方案集合,结合乘客出行选择行为建模结果,预测突发事件下城轨站间客流的重分布。最后,基于某突发事件下某城市轨道交通系统的历史客流数据,对该预测方法进行验证。结果表明,该方法能够捕捉到突发事件下城轨乘客的出行行为特征,分时站间客流预测的平均绝对误差为2.05人,预测效果较好。