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.     

基于地铁历史数据的PCA-RF分时段客流预测方法

地铁客流预测可以为轨道交通的相关决策提供辅助支持,在现代交通运输领域具有十分重要的现实意义。提出一种基于地铁历史数据的分时段客流预测方法(PCA-RF),通过对影响客流的因素进行抽取分析,从中提取有关客流的特征并用主成分分析法(PCA)赋予其不同的影响权值,随后用随机森林算法(RF)进行回归计算。通过实例对比说明PCA-RF相对于传统决策树方法具有较高的预测精度。     

基于GRNN神经网络的地铁疏散预警及对策研究

针对国内地铁车站客流无序性和突发性的现状,提出基于广义回归神经网络GRNN的地铁车站客流预警模型。以南京地铁全线网某时段客流数据为输入样本,运用GRNN神经网络进行训练与测试,得出预测数据并对比实际数据进行误差分析。结果表明:预测数据拟合,精度可行。将预测数据与南京地铁实时客流预警系统相结合,提出突发性大客流应急情况下的运营服务对策措施,为地铁运营管理单位避免突发大客流造成人员踩踏、恐慌等事故提供参考。     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

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.     

基于组合误差优化模型的城市轨道交通短期客流预测研究

为提高城市轨道交通短期客流预测的准确性,构建了一种基于组合误差优化的短期客流预测模型。采用预测误差值对预测值进行优化校正,弱化传统SVM模型在实际预测中误差对预测结果的影响,以提高模型的预测精度。数据选取样本周期内郑州市地铁1号线每小时客流量组成的样本序列并进行了仿真验证。结果显示,经误差优化后的预测模型的预测精度有了明显提高,且优化后的预测值与误差预测值的趋势具有较高的一致性。     

地铁车站大客流运营组织探讨

为了研究地铁车站大客流的运营组织方法,首先对大客流进行了分类,并分析了各类大客流的特点.按照乘客乘坐地铁的流程,探讨了地铁车站客流组织的影响因素,重点从客流预测、车站客流组织、列车运能、票务组织等方面提出了地铁车站大客流的具体运营组织措施.并以西安地铁2号线运营组织架构为背景,构建地铁车站发生大客流的组织管理模式.     

基于支持向量机的地铁客流量预测

地铁客流量是城市地铁交通运营组织的重要依据,客流随机性较大及其影响因素较多,因此加大了客流预测的难度。为了更加准确地预测城市地铁交通中的客流量,及时对客流组织方案进行调整,设计了一种基于非线性支持向量回归机的地铁客流量预测方法。该方法通过分析已采集数据的影响因素,确定对客流量影响较大的支持向量,然后构建预测模型进行预测。该模型可以通过调整影响因素的强度来提高预测精度。最后,通过算例验证：该方法可以有效地改善预测误差,适用于短期和不确定环境的地铁客流预测。     

大数据下考虑区间不确定阻抗的公交客流分配模型

为改进传统公交客流分配模型在处理实际路网阻抗缺乏不确定上的局限,运用公交车辆GPS数据和站点GIS数据来获取公交车在区间的行驶时间.将各公交站点的行程时间分为公交车辆运行时间、站点候车时间及换乘惩罚时间,并考虑到由于交通情况不确定导致阻抗的不确定,结合区间不确定理论,获取区间阻抗的计算方式,构建区间阻抗下的改进Logit公交客流分配模型,并设计求解方法.最后以深圳石岩街道区域9条公交线路为例,利用实际案例数据对所构建的模型进行验证,并对结果进行误差分析.研究结果表明:与传统不考虑区间不确定阻抗的客流分配模型相比,所建的客流分配模型的平均分配误差从17.7％下降至6.9％,9条线路的平均最大误差也从24.3％降至9.0％,即模型更加准确和贴合实际.     

基于季节指数的城市轨道交通月度客流预测方法

城市轨道交通的月度客流量兼具趋势增长性和季节波动性的二重趋势特性,其变化呈现出复杂的非线性组合特征。选取自回归积分滑动平均(ARIMA)模型对南京地铁2号线的月度进站客流量进行建模预测。针对月度客流量的季节波动特性,引入季节指数对原始客流数据进行季节调整,并利用经过变换后的客流数据进行模型的识别和定阶。将结果与未经季节指数调整的ARIMA模型预测结果对比分析可发现:基于季节指数的ARIMA模型预测各月度客流量的平均绝对百分比误差值比无季节指数调整的ARIMA模型的值小,且误差值小于5%,说明所提出的方法预测效果良好,适用于城市轨道交通进站量的短期预测,从而为地铁运能运力调整以及运营计划的制定提供参考依据。     

城市轨道交通强可控大客流组织

针对轨道交通运营过程中出现的突发大客流情况,从保证乘客安全、满足出行需求出发进行组织与控制。通过研究麦加轻轨的强可控大客流组织,探讨强可控大客流的特点,并针对其特点采用物理切割法、提高流速法、源头控制法3种组织与控制措施,分析强可控大客流在实际中的组织与控制,为今后大型或特大型活动所形成的强可控大客流组织与控制提供参考。     

城市轨道交通诱增客流量预测分析

介绍了城市轨道交通诱增客流量的定义及现有的预测模型,并指出其在应用中存在的问题。分析了城市轨道交通诱增客流量预测的难点,指出城市发展、常规公交、票价、线网规模、出行成本及交通政策是预测诱增交通客流量中需要考虑的主要因素。给出了城市轨道交通诱增交通量预测框架。     

基于客流预测的铁路旅客列车票额智能分配方法

以全路客票发售与预订系统中的客票数据为基础,将列车发售的客票数据转换成客运量时间序列数据,采用基于改进的移动平均时间序列分析法,实现列车逐日分席别的站站客流预测.综合考虑票额裂解因素、票额保护因素和客流培养因素,建立站间票额数量调配模型;以站间的票额分配数裂解票额时使用的长途票额最少为目标函数,建立席位占用优化模型;由这2个模型组成票额智能分配模型,通过模型求解得到票额预分方案.实例应用结果表明,采用该方法可以实现票额的自动、快速、合理、有效地按需分配,目前该方法已应用于中国铁路客票发售与预订系统.     

地铁车站应对大客流的组织措施

介绍了地铁车站客流组织的基本原则,分析了影响地铁车站客流组织的因素,结合天津地铁1号线客流组织实例,简析了车站在应对大客流时采取的组织措施。     

基于OD反推模型预测客运通道客流量

OD矩阵是进行客流预测的重要基础数据,在实际操作过程中,获取吸引区之间的OD矩阵却是非常困难的,一般采用OD调查的方式,但缺陷是调查过程较为费时、费力。本文提出一种免OD调查,利用客流区段观测值直接反推OD矩阵的方法。首先讨论了传统"四阶段"模式与OD反推预测模式的联系和区别,然后阐述以重力模型为结构的基于区段客流量反推OD矩阵模型,并利用最大似然法对模型参数进行迭代求解,最后结合一个具体实例,运用该方法对武广客运通道的客流量进行了预测分析,采用试算法模拟重力模型的参数,误差控制良好,结果验证了方法的有效性。     

铁路综合客流与列流管理系统的研究与实现

本文介绍了铁路综合客流与列流管理系统关键技术和主要功能,基于区段密度和区段客座率理论的算法准确高效是该系统的主要创新,同时在系统实现策略上采用了基于DevExpress组件的数据可视化技术和轻量级桌面GIS技术,达到了数据可视化效果与程序交互性的良好平衡,符合客运业务人员的使用习惯和分析思路.     

桥式铁路客站的客流组织及通道能力研究

对桥式铁路客站的客流组织及通道能力关键技术进行研究，通过分析，模拟站台疏散方式，提交改进和完善的建议。     

快速铁路客运网客流组织与营销管理战略研究

大规模的铁路建设将形成快速客运通道。提供适应社会需求的运输产品，使铁路客运市场供需紧张的局面得到改观，在主要客运通道上，运输能力将不再成为制约市场发展的主导因素。更新市场营销理念和手段，按客流需求制定列车开行方案，实现客运专线与既有铁路的合理分工与紧密衔接，合理引导旅客选择客运产品，维持平稳的运输秩序，规范信息管理手段，为社会提供安全、经济、快捷的客运服务。     

地铁线网大客流应对措施探讨

在对近年来国内各城市地铁发展及地铁大客流风险分析的基础上,对地铁形成线网效应后如何应对大客流进行了探讨.从行车组织、客运组织、设备维修技术保障及外部单位协作等方面提出了具体应对措施.通过相关应对措施有效地保障了地铁大客流输运安全、有序可控.     

苏州地铁客流波动特性分析

为研究轨道交通客流的波动性,提出使用SARIMA+GARCH这一随机结构作为轨道交通客流的综合时间序列模型。在这个随机结构中,SARIMA模型描述客流时间序列的一阶状态,即均值特征;GARCH模型获得客流时间序列的二阶状态,即条件异方差特征。采用苏州地铁全网客流数据作为分析实例,对5 min、15 min和1 h汇集度的工作日和休息日客流共6组客流数据进行波动性建模、预测与分析,结果表明,SARIMA+GARCH模型具有较好的预测性能。基于各组客流数据的分析结果,分别对工作日与休息日以及不同时间汇集度之间的客流波动特性进行对比,结果表明:休息日客流的波动性强于工作日客流;时间汇集度小的情况下,客流的波动性会更强。