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。     

基于支持向量机的节假日进出站客流预测方法

节假日期间客流规律分析与预测是城市轨道交通运营企业做好节假日期间大客流组织工作的重要内容,可有效指导车站现场、OCC(运营控制中心)等提前做好预案,制定和实施合适的运营管理及客流组织计划。基于节假日期间车站进出站客流量特征分析结果,考虑按车站特点的分类情况,构建了基于支持向量机的城市轨道交通节假日进出站客流量预测模型。最后利用广州地铁客流数据对预测模型进行精度分析,验证了模型的预测精度。     

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。     

基于物联网设备检测数据的城市轨道交通车站站台多维度实时客流密集度指数预测方法研究

实时准确的客流预测是城市轨道交通客流预警和疏导的基础。本文针对城市轨道交通车站站台的实时客流密集度指数预测问题,根据实时客流的"间歇性"特点,依据30s为周期的真实检测数据,分别构建低、中、高3个时间维度在线实时预测模型。根据应用需要,对30s低纬度预测采用自回归与移动平均整合模型(ARIMA),对3min左右中维度提出多因素logistic预测模型,15min构建一种灰色与移动平均整合模型,并分别对预测参数进行估计。通过对10余个车站早晚高峰及平峰不同数据的大量在线实验验证模型的准确性,以北京地铁动物园站为例进行介绍,3个维度精度分别达到97%、95%、99%。结果表明:采用本文提出的模型较其他时间序列模型进行城市轨道交通车站设施的实时客流预测,具有更好的预测性能。本文所提模型已经用于北京市轨道交通安全防范物联网示范工程中,初步取得较好的实践效果。     

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。     

基于网络可控性的城市轨道交通客流网络限流优化控制方法

城市轨道交通客流网络的可控性决定客流状态密度在时间空间上是否达到均衡。建立城市轨道交通客流网络模型,提出限流车站备选集评价指标。基于系统可控判定理论,将客流分布转化为系统状态方程,提出城市轨道交通客流网可控性判定方法,建立基于驱动节点匹配的路网限流车站优化方法,实现对城市轨道交通客流网络限流车站的优化控制。以北京城市轨道交通客流网络进行实证分析。结果表明,当限流车站达到车站总数25.3%以上时路网达到可控状态,并计算出早高峰时的路网可控状态下的最小限流车站集合。     

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 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。     

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。     

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。     

城市轨道交通车站高峰客流偏差研究

城市轨道交通车站设计时,大多数城市采用预测的城市高峰小时客流作为设计客流。但由于城市轨道交通车站客流的高峰出现时段与城市高峰小时不完全一致,导致某些车站设计客流偏小。为研究城市高峰小时客流与车站高峰小时客流的差异,通过引入车站高峰客流偏差系数,合理确定车站设计客流。以西安市地铁为例,运用最小二乘支持向量机建立预测车站高峰客流偏差系数的模型,得出训练集拟合优度为0.71,测试集预测平均相对误差为2.41%,模型拟合效果良好,表明最小二乘支持向量机能够很好地预测车站高峰客流偏差系数。     

建立在现有模型基础上的轨道交通客流预测模型及其校核

客流预测是贯穿城市轨道交通规划、设计和运营全过程的一项系统工程.目前我国城市轨道交通建设已进入快速发展时期,部分城市在轨道交通运营过程中逐步积累了客流方面的第一手资料.如何利用这些资料来改进和优化原有客流预测模型、提高预测的精度具有十分重要的意义.在回顾武汉市交通预测模型发展的基础上,介绍了利用1号线一期工程客流资料对现有模型进行改进和优化的过程,以及将轨道矩阵从公共交通总矩阵中分离的具体方法.实践证明,在已标定完善的轨道模型基础上进行轨道交通客流预测,其客流预测成果更具合理性.     

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。     

基于概率神经网络的轨道交通车站客流安全状态评价

以城市轨道交通车站安全为研究对象,建立基于概率神经网络的车站客流安全状态评价模型。模型将提炼出的城市轨道交通车站客流安全状态评价指标作为输入参数,将评价等级结果作为输出参数,以各指标不同等级的评价标准作为模型训练数据来源。为验证方法的有效性,设计不同的客流场景,利用微观仿真软件VISSIM对车站客流运行状态进行仿真实验,以获得各指标的数据。仿真应用结果表明,该方法能够对城市轨道交通车站客流安全状态进行评价。     

基于概率神经网络的城市轨道交通车站客流安全状态评价研究

以城市轨道交通车站安全为研究对象,建立基于概率神经网络的车站客流安全状态评价模型。将模型提炼出的城市轨道交通车站客流安全状态评价指标作为输入参数,将评价等级结果作为输出参数,以各指标不同等级的评价标准作为模型训练数据来源。为验证方法的有效性,设计不同的客流场景,利用微观仿真软件VISSIM对车站客流运行状态进行仿真实验,以获得各指标的数据。仿真应用结果表明,该方法能够对城市轨道交通车站客流安全状态进行评价。     

城市轨道交通短时断面客流预测

为进一步提高城市轨道交通断面客流短时预测的精度,提出采用多维标度法分析线网各断面之间的相关性,以此将断面分为若干相关小组,将相关小组作为研究对象,并利用卡尔曼滤波方法建立相关断面客流短时预测模型进行城市轨道交通断面客流短时预测,并通过实例分析验证该理论的有效性。结果表明,考虑断面之间相关性的预测模型的预测精度要优于单一断面预测模型的预测精度。     

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。     

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。     

基于视频检测的轨道交通短时客流预测研究

为提高客流预测的精度,构建轨道交通站点客流多变量时间序列预测模型。基于视频检测的轨道交通短时客流预测研究采用方向梯度直方图特征描述器与支持向量机分类器识别行人目标,利用Camshift算法对目标跟踪,从而获取客流量和客流速度参数,并根据协整关系构建客流多变量预测的向量误差修正模型,最后利用南京鼓楼车站4A通道的视频数据进行模型验证和对比分析。实例验证结果表明:构建的向量误差修正模型具有较好的预测性能,客流量和速度预测的MAPE值都小于8%,优于相同样本下ARIMA(0,1,1)的预测性能。