基于ARIMA模型的城市轨道交通进站量预测研究

客流量预测是客运组织的基础,预测结果能够为运营管理及应急处置提供决策依据。针对城市轨道交通客流量预测问题,在分析轨道交通站点客流的周期性波动规律及变化趋势的基础上,构建自回归积分滑动平均模型(ARIMA)进行站点进站客流量的短期预测。以北京地铁为例进行实证分析,利用符合要求的季节ARIMA模型对客流量进行短时预测,选取东直门站实际客流进行模型参数标定,并对路网上典型车站(端点站、中间站、换乘站及接驳站)进行客流预测。研究结果表明:自回归积分滑动平均模型的平均预测误差仅为4%,具有较高的预测精度,验证了预测方法的准确性。     

综合混沌相空间重构与相似性原理的铁路客流量预测

重构相空间理论对我国铁路客流量数据时间序列进行相空间重构,通过计算分形维数和提取最大Lyapunov指数,分析得出了铁路客流量时间序列数据的演化具有混沌特征,结合我国铁路客流量在全年中的波动特点,提出适合我国国情的综合混沌相空间重构与相似性原理的铁路客流量预测算法.该算法能自动参考过去相似年度同期的客流量变化趋势,对预测值进行智能化调整.通过以某火车站客流量为预测对象进行验证,结果证明了该预测算法的准确性和实用性.     

���˻��ڼ䱱�����������о�

2008年北京奥运会期间,作为最主要交通方式之一的北京地铁采取了一系列措施,如编制奥运期间地铁运行图,延长地铁各线运营时间等,为两大奥运赛事期间赛会交通和城市日常交通的顺畅运行提供了保障。本文从时空分布特征角度分析了奥运期间日均客流量,尤其是开、闭幕式等重点日客流特征和各运营线路尤其是紧邻奥运会热点赛事场馆的车站进站量客流变化。分析结果表明,奥运会对北京地铁客流的影响与奥运场馆的地区分布密切相关,奥运期间北京中心城区地铁平日客流量变化较小、假日小幅增长,而奥运会热点赛事地区地铁平日客流量呈小幅度增长、假日则大幅度增加。     

考虑节假日效应的交通枢纽客流量预测模型

客流量预测是城市交通枢纽管理的基础,准确的客流量估计为交通枢纽的运力调整,管理预案的设计提供基础.目前对客流量预测的研究较多,但现有模型并未考虑节假日效应对枢纽客流量的影响.因此,本文基于多元季节性时间序列(SARIMAX) 原理,建立考虑节假日效应的城市交通枢纽客流量预测模型,并以上海虹桥2 号航站楼站轨道交通客流量数据为基础,对该模型进行了标定和预测.标定结果显示,在春节期间,该站点客流量将有明显的下降,而在其他法定节假日期间流量均有一定程度的提升.对模型预测值和真实值比对结果显示,该模型的平均误差在5%以内,表明该模型具有较强的实用性.     

基于混沌-小波神经网络的公交客流量预测模型研究

为提高公交客流量预测的精确度,将混沌理论和小波神经网络方法相结合应用于公交客流量预测。分别采用自相关法、伪最近邻域法计算公交客流量时间序列的时间延迟、嵌入维数,采用小数据量法计算其最大李雅普诺夫指数,证实该时间序列具有混沌特性。据此建立混沌-小波神经网络预测模型,进而对H省某市实际公交客流量进行预测。实验结果表明,相比于传统的BP神经网络预测法、LIBSVM预测法,该方法在均方误差(MSE)、平均绝对误差(MAE)、平均相对误差(MRE)上均具有更小的预测误差,因而可以有效地预测公交客流量。     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测.通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练,并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明:所建的Elman模型比BP模型的预测精度高,效果好.     

基于多模式灰色模型的地铁全网客流预测研究

地铁全网客流量预测对轨道线网规模确定及线路规划建设具有指导性作用,为准确预测地铁全网客流量,选取GM(1,1)均值模型、GM(1,1)差分模型和灰色Verhulst模型对重庆地铁全网客流量进行预测,采用平均相对误差、均方差比值和关联度三个指标对模型进行检验。结果表明:GM(1,1)均值模型预测结果与实际数据最接近,预测性能优于差分模型和Verhulst模型,为重庆地铁全网客流预测提供新思路,为重庆地铁规划建设提供理论依据。     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练,并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明:所建的Elman模型比BP模型的预测精度高,效果好。     

铁路客流量预测分析与研究

铁路客流量预测与分析对铁路部门采取有效的应对措施具有十分重要的意义,分别应用基本的神经网络和遗传算法优化BP神经网络对客流量进行了预测,建立铁路客流量网络预测模型.分别利用以前客流量的数据对2011年和2012年的客流量做了预测验证,并对2013年的客流量做了预测,结果表明利用遗传算法优化BP神经网络得到的预测数据和实际的基本相符,该预测算法应用到客流量的预测中效果良好,具有很好的应用和推广的前景.     

Analysis on Beijing Subway Flows during the 29th Olympics

During the Beijing Olympics, as a major mode to support the urban traffic, Beijing subway adopts a series measures to give the guarantee to smooth operation of traffic, which include designing specific train schedule and extending the operation time of subway lines. Viewed from the characteristics of passenger flow in temporal distributions especially the opening and closing ceremony day and directional distributions such as the stations around competition venue, this paper analyzes the variety of the traffic flow of Beijing subway. The results indicate that the influence on passenger volumes from the Olympics is significantly associated with the layout of Olympics stadiums. Subway passenger volumes in central districts experience little increase both in weekdays and holidays. In the other aspect, the passenger flow have little rise in weekdays but reach a much higher amount in the holidays.     

基于时段分布的市郊轨道交通车站滞留客流分布算法

市郊轨道交通车站滞留客流的分时段预测,关系到运营计划的调整、乘客出行 方式的选择、出行时间的预估等,尤其对市郊线路快慢车模式下开行方案的优化具有重 要意义.首先引入出行方式角度费用理论,分析了乘客公交出行与地铁线路形成的角度费 用,构建了角度费用模型Anglecostm,n k ,计算乘客的流失率VPn ,进而确定因滞留客流达到 阈值而导致的乘客流失量.其次,以AFC获取的客流数据为支撑,结合角度费用模型对乘 客流失量的计算,提出了一种基于时段的滞留车站客流分布预测方法,接着分析了站台 候车客流与通过列车实际载客情况两者之间的客流交互规律,提出了候车客流-列车载 客量影响动态交换模型,并分析和研究该模型求解算法.最后,以某市郊线路进行实例演 算,预测结果可为轨道交通开行方案优化提供理论和方法支持,对运营计划临时调整,客 流预测及引导模型的补充等提供参考.     

地铁与周边建筑连接通道客流预测方法

基于连通北京市地铁车站与周边建筑的人行通道的不同特点,分析研究操作性较强的客流预测方法体系,提出三种不同的预测方法,并提出各种方法的应用条件。以地铁大兴线西红门站与英特宜家购物中心连接通廊为例,进行客流预测分析,为确定连接通廊的建设规模提供技术支持。     

基于土地利用及客流特征的地铁车站分类

为研究地铁站的精细化分类问题,利用基于出行链分析的通勤出行识别方法筛选通勤客 流,结合早晚高峰的进出站客流量,识别车站的职住功能特征;基于百度地图开源平台抓取POI (Point of interest)数据,从用地功能角度进行组合归类,得到细粒度的车站周边土地利用特征。结 合以上两类特征,建立基于非监督学习K-Means++方法的地铁车站分类模型,将北京地铁307个 车站分为7类。根据其客流和周边用地特征分别识别为配套设施开发完善的典型居住型车站,具 有商业开发潜力的典型居住型车站,配置一定工作岗位的居住型车站,高度开发的典型工作型车 站,职住结合的工作型车站,旅游休闲型的车站,以及尚待开发的远郊车站。经过分析,该分类结 果与实际情况高度吻合,验证了模型的有效性,可以为城市规划及车站周边土地开发提供依据。     

城市轨道交通短时客流预测体系框架及关键技术

针对当前城市轨道交通短时客流预测系统性不强等问题,构建短时客流预测体系框架,并讨论预测过程涉及的关键技术。框架的构建以自动售检票系统（AFC）获得的数据为出发点,统计站点客流和线网客流OD矩阵两类基础客流数据;在此基础上,构建线网客流分配模型,结合视频数据、站点平面布置和列车运行时刻表三类数据,考虑乘客步行时间的影响,估计断面客流数据;接着,在分析站点客流和断面客流数据时空特性的基础上,分别预测站点和断面短时客流;利用站点客流和断面客流短时预测结果反推未来OD矩阵;同时引入GARCH模型分析预测结果的可靠性,以提高短时客流预测结果的可信度。     

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.     

���л�·��ͨ��ʵʱ����Ԥ��ʵ��ģ��

基于BP神经网络和RBF神经网络构建了城市环路交通流动态实时预测模型，并对北京市三环路的实测交通流数据进行了预测分析。实证结果表明，该模型具有较高的精确度，算法的动态实时性也满足实际预测系统的要求，具有较好的实用性。     

基于动态反馈神经网络的城市轨道交通短期客流预测

城市轨道交通短期客流的预测是制定列车调度计划、车站客运组织工作等的关键。文章在研究城市轨道交通的断面客流特征的基础上,建立基于动态反馈神经网络的城市轨道交通短期客流预测模型,提出通过若干组连续历史断面客流数据训练动态连续的神经网络,以此对未来客流进行预测;并以北京轨道交通某日早高峰客流为例进行分析,验证了该模型与方法的有效性。