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。     

基于卷积神经网络的列车实时客流检测算法

城市轨道交通作为城市公共交通系统的主体,在缓解交通出行压力、促进城市发展中具有十分重要的作用。科学精准的测算列车实时客流,对改善城市轨道交通客运服务水平,发展低碳、环保的绿色出行模式具有重大意义。为此,提出基于卷积神经网络的城市轨道交通列车实时客流检测算法,实现列车监控视频视野内乘客数量的实时检测。基于成都地铁1号线车载监控视频建立列车客流图像数据集,以剔除全连接层的VGG-16网络作为算法基础框架,提取输入图像的边缘、角点等浅层细节特征;将多尺度卷积层和膨胀卷积结构融合构建乘客多尺度特征感知模块,在保持图像分辨率的同时,通过不同的感受野增强尺度上下文信息的提取性能,提升网络对乘客尺度变化的鲁棒性;构建特征融合网络将网络浅层提取的细节特征与上采样后的深层语义特征嵌入融合,提升小尺度乘客目标的计数精度和特征图的信息丰富度。实验结果表明：所提算法在城市轨道交通列车场景下的检测精度得到显著提升,平均绝对误差、均方误差以及平均绝对百分比误差指标分别达到了1.1%,1.8%和5.4%,同时单张图像检测速率低于60 ms,能够满足列车客流检测的实时性需求;且算法在2个标准人群数据集Shanghai...     

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。     

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。     

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。     

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。     

城市轨道交通站点数据链客流预测方法研究

城市轨道交通客流预测数据是城市轨道交通设计与运营的重要依据与基础,在总结分析我国城市轨道交通客流预测经验及研究成果的基础上,提出基于城市土地利用法的站点数据链客流预测方法,系统介绍该预测方法的理论体系,并以杭州地铁4号线为例,验证站点数据链客流预测方法的科学性与合理性,以期使该预测方法在客流预测与校核中具有指导意义。     

突发事件下城市轨道交通网络客流重分布预测方法研究与应用

城市轨道交通发生突发事件后,准确把握乘客出行路径选择行为特征及受影响客流分布是保障应急处置高效、有序的关键。基于突发事件下乘客出行行为特征变化的分析,提出了受影响客流的界定算法;基于突发事件下乘客出行方案选择模型和多方式出行备选路径集的构造,建立了突发事件下网络受影响客流重分布预测算法。利用广州地铁5号线某一突发事件数据对预测模型进行了精度分析,验证了模型的适用性和有效性。     

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。     

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。     

土地利用因素对城市轨道交通车站客流的时空影响分析

通过建立城市轨道交通站点周边各类用地与客流的拟合模型,分析土地利用因素对客流的时空影响,为制订相关土地利用政策、合理组织站点客流提供依据。基于西安地铁4号线乘客出行特征数据,建立基于地理加权回归(GWR)的车站客流回归模型,量化分析了用地属性对车站客流的时空影响。结果表明:土地利用因素对早高峰出站客流、晚高峰进站客流的解释力较强;土地利用类型对客流的影响具有时空异质性,时间维度的变化与乘客出行目的有关,空间维度的变化与城市空间结构有关。与普通最小二乘回归模型相比,GWR模型能够刻画变量之间的空间异质性,具有更高的拟合精度。     

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。     

城市轨道交通环线试运营客流预测方法研究

为解决目前城市轨道交通环线开通试运营期间,客流预测OD数据难以获取、"初设"客流预测结果偏差较大的问题,考虑相邻轨道车站客流分布及出行规律具有相似性,提出一种"既有网络+新开环线"出行需求生成方法。既有线网OD计算以不同线路客流自然增长规律为基础;新开环线客流OD分布,根据环线车站进、出站客流量,结合环线车站位置分布以及既有线网组团间客流分布规律计算所得。经过验证,通过"既有网络+新开环线"算法实施轨道环线试运营期间出行需求预测,并将其在新的线网中分配,可实现线网客流情况快速计算,为线网运营组织安排提供依据。     

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。     

基于出行费用的城市轨道交通补贴优化模型

城市轨道交通作为国家重大基础设施,是国民经济大动脉,在经济社会发展中的地位和作用极其重要。科学合理地定价和补贴是保障城市轨道交通健康发展、提升系统整体和多方主体效益的重要手段。基于此,深入揭示乘客出行需求、企业运行计划和政府政策实施之间的多方主体博弈关系和利益需求,从城市轨道交通运营系统出发,并考虑补贴的公平性,构建了以社会福利最大化为目标的补贴优化模型,并融合票价和客流出行里程对补贴的影响。依据补贴优化模型特点,设计相应的启发式求解算法。以长沙地铁2号线为例,分析所提基于出行费用的补贴方案对客流出行行为和运营系统的影响,验证优化模型及算法的可行性。此外,以固定补贴方案为比较对象,研究结果表明：1)相比于固定补贴方案,基于出行费用的补贴方案对运营企业起到一定的激励作用,能够吸引更多的客流出行,提高运营效益,同时降低所需的补贴额度;2) 2种补贴方案下客流集中度存在差异,基于出行费用的补贴方案较固定补贴方案下的客流分布更为均衡,更能体现补贴的公平性。基于出行费用的补贴方案综合考虑了乘客出行距离和票价,补贴分配符合“递远递增”的规律,体现了补贴的公平性,并有利于补贴资源的合理分配,研究成果...     

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。     

广州城市轨道交通衔接设施用地配置模型与应用

交通衔接设施对于提高轨道交通客流集散效率具有重要作用。基于城市轨道交通与其他交通方式的换乘客流及各种交通方式的出行特征,进行数理模拟分析和推导,建立城市轨道交通衔接设施用地配置模型。以广州市为例,参照国家相关标准规范以及广州地铁的实际调研数据标定模型参数,确定各类交通衔接设施的用地配置指标,指导交通衔接设施规划和建设。通过对广州地铁已运营的214个车站的交通衔接设施规划实施评估及服务满意度调查发现：交通衔接设施用地已纳入法定控规进行严格管控并监督实施,近5年交通衔接设施的规划实施率从原来的21%提高到53%,乘客对交通衔接设施的服务满意度从原来的37%提升至76%,为广州地铁出行“最后一公里”的便捷接驳提供了有力保障。     

城市轨道交通客流高峰持续时间预测方法

分析了国内城市轨道交通运营管理的发展现状,总结了关于客流高峰持续时间现有的研究方法,通过对比分析,选择回归分析作为城市轨道交通客流持续时间预测模型。分析和定义了城市轨道交通客流高峰事件的概念,探讨了客流高峰事件的影响因素,阐述了回归分析模型的理论基础和求解方法。以南京地铁1号线的数据作为原始数据并进行建模,在此基础上验证研究方法的可行性。