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RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

基于Box-Jenkins的铁路客运量短期预测

对客运量的发展趋势进行科学预测是铁路客运企业正确进行市场决策的基础。运用Box-Jenkins对某铁路局的客运量进行了预测,结果显示Box-Jenkins模型在分析处理短期客运发送量预测工作中的非平稳时间序列上,具有一定的优势,预测结果可信。     

沪宁城际铁路客流短期预测研究

为提高沪宁城际铁路运营组织效率,通过对沪宁城际铁路短期客运量的时序特征和变化规律的分析,表明短期客运量时间序列是一种具有周期性特征、增长趋势缓慢的非平稳时间序列。在此基础上,建立ARIMA乘积季节模型,并运用该模型对沪宁城际铁路南京站发送量客流进行预测,结果表明ARIMA乘积季节模型具有较好的预测精度,适宜做城际铁路的短期客流预测。     

轨道交通短期客流预测方法及其算法研究

轨道交通客流预测对轨道交通日常运营有着重要作用,文章首先根据轨道交通历史数据,对其客流特性进行了分析,着重利用灰色模型对轨道交通短期内的客流量进行建模预测,利用马尔科夫链修正和改进模型预测结果;为了方便客流预测的自动化实现,给出了整个客流预测过程的流程图,并对其预测算法进行了研究。     

郑州地铁短期客流预测研究

建立符合郑州地铁客流特点的短期客流预测模型并运用到线网客流预测工作中。短期客流预测模型可预测未来1个月内工作日、周末及节假日的线网客流,为线网日常运营管理及运输组织工作提供有效参考依据。     

基于Bi-LSTM网络的铁路短期货运量预测研究

短期货运量预测研究是铁路运输企业编制日常工作计划的重要依据,准确的货运量预测结果对铁路货运组织工作具有积极意义.针对铁路短期货运量预测,建立基于双向长短时记忆网络(Bi-LSTM)的短期货运量预测模型,以某铁路局集团公司4 122 d、136个月的货运发送量为实验数据分别进行各月和每日货运发送量的预测,其误差分别为5....     

城市轨道交通短期客流预测方法研究

阐述城市轨道交通客流预测面临的问题,总结近年来提出的各种短期客流预测方法及主要设计思想。首先介绍短期客流预测的研究背景,然后分别从实时判断和实时预测2个维度介绍具有代表性的研究工作,对涉及的主要方法进行分类分析,最后进行各种算法的综合比较,并指出城市轨道交通短期客流预测未来的研究方向。     

基于生存分析的AFC终端设备无故障运行时间预测

提出一种基于加速失效模型的无故障运行时间预测方法以改善AFC终端设备的维护管理水平.分析人、环境及设备自身状况特征因素对设备故障的影响,在生存分析的理论基础上研究构建基于风险的无故障运行时间预测模型.采用南京地铁油坊桥车站一年的AFC设备故障数据,以机械类故障为例进行估计和验证.根据赤池信息量准则,选择Weibull分...     

基于SAHDE-RVM的铁路短期风速预测研究

针对铁路短期风速预测方法中人工神经网络(ANN)易陷入局部最小值、支持向量机(SVM)核函数选择困难等缺陷,提出采用一种基于自适应混合差分进化相关向量机(SAHDE-RVM)对铁路短期风速进行预测研究。首先,改进自适应差分进化算法,引入模拟退火算法对种群的当前最优个体进行二次寻优,形成自适应混合差分进化算法,然后将自适应混合差分进化算法与相关向量机结合,建立自适应混合差分进化相关向量机模型,最后利用本文模型对国内某两段不同铁路沿线实测风速数据进行预测,预测结果表明,本文模型的预测指标均优于传统差分进化算法(DE)参数寻优的相关向量机模型及最小二乘支持向量机(LS-SVM)模型,具有更加出色的预测性能。     

青藏铁路格拉段沿线风速短时预测方法

青藏铁路大风监测预警系统采用时间序列法实现沿线风速的短时预测.利用时间序列法对经过1min平均化处理后的非平稳实测风速序列建立ARIMA(11,1,0)模型,进行超前3步预测计算,获取第3 min平均预测风速,预测平均绝对误差为2.237 2 m·s-1.针对时间序列法第3 min平均预测风速精度低的问题,采用提出的滚动式时间序列法修正时间序列法预测计算步骤,重新获取第3 min平均预测风速,预测平均绝对误差减小为1.1670 m·s-1.使用最小二乘法拟合样本每分钟内最大实测风速和该分钟平均风速的相关系数K,通过K为1.142 8修正滚动式时间序列法第3 min平均预测风速,获取滚动时间序列法第3 min最大预测风速,预测平均绝对误差为2.090 4 m·s-1.滚动式时间序列法第3 min平均风速、最大风速的两者预测均满足精度要求.滚动式时间序列法已经在系统中使用.     

基于Bootstrap和GA-Elman的土质滑坡坡表变形区间预测

坡体变形是表征边坡稳定性最直观的指标。如何科学合理地解译其演化特征,对滑坡灾害预警防范具有重大的工程意义及科学价值。由于滑坡灾害的影响因素中,很多不确定因素都不可能完全准确地定量分析,只能从定性层面建立影响因素与坡体变形的关系,为了解决滑坡确定性预测方法中未考虑预测与数据误差的问题,量化滑坡点预测结果中的不确定因素的影响,依托滑坡坡表变形点预测方法,提出基于残差Bootstrap与GA-Elman神经网络的区间预测方法。相比于传统方法,通过变形伪数据集的建立、GA-Elman模型的迭代训练与总方差估计、ELM网络残差训练与随机误差方差估计等步骤创建的区间预测方法在预测可靠性、区间宽度、针对特殊变化坡体的预测灵活度等方面都有显著提升。利用Bootstrap重抽样模型、GA-Elman神经网络预测算法以及区间预测理论方法,建立基于Bootstrap和GA-Elman的滑坡变形区间预测模型。研究导致滑坡变形的不同影响因素、预测模型参数及置信区间等对于区间预测模型效果的影响,并运用到现场滑坡中。分析结果表明,所提出的方法可适用于现场滑坡,更好地将滑坡降雨等影响因素与坡体表观变形建立联系,为滑坡...     

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。     

基于灰色区间预测模型的轨道不平顺状态预测

轨道不平顺状态是影响行车安全的关键因素。轨道质量指数(TQI)是反映轨道几何状态变化的重要数据,是一个随时间变化的时间序列,具有随机性。为了更好地研究轨道状态的变化趋势,利用灰色区间预测模型,对单元区段范围内随时间变化的TQI进行建模,并与传统的非等间距GM(1,1)预测模型相比较。为了说明预测模型的有效性,采用京九线K467.8~K468单元区段实际数据进行验证,结果表明灰色区间模型的预测精度更高,对铁路轨道养护维修工作起到指导作用。     

地铁隧道通风系统火灾排烟模式的风速试验

本文结合深圳地铁龙华线的实际情况,模拟在实际运营的情况下,区间隧道同时存在3列列车在同一区间隧道内情况下,隧道通风系统能否在火灾工况下火灾模式通风;测试火灾工况下区间隧道排烟系统的排烟效果,并对区间隧道火灾排烟风速测试结果进行了分析,并提出了有关结论,文章对工程设计与管理提供参考和借鉴。     

接触网设计风速的取值

风荷载是接触网设计中主要的可变荷载,风速取值的正确与否对接触网的运行安全及系统的经济性至关重要。本文指出了常规设计中在风速取值及风荷载计算方面存在的问题,通过借鉴其他行业及国外做法,结合本行业特点,提出与风速相关的各参数的取值建议。     

基于AFC数据的城市轨道交通短期客流预测实时修正研究

短期客流预测数据一般在预测日前1周或1月内生成,但突发疫情、恶劣天气等非预知情况会引起预测量与实际量有较大偏差,因此需要根据AFC数据对预测趋势及预测指标进行实时修正。首先建立基于AFC数据的客流实时清分推演模型,预测当前时刻前已进站但未出站乘客的出站车站、出站时间,出行路径及所乘车次;然后提出趋势修正策略,根据实时AFC刷卡数据及下一时段的预测OD客流量,采用自下而上的策略对下一时段各车站的预测OD客流量及预测出行记录进行修正;进而采用指标修正策略,将趋势修正与实时清分推演结果结合,生成下一时段全维度修正指标;最后以突发疫情为例,通过实验验证实时修正系统的应用效果。短期客流预测的实时修正能够进一步增强路网运营全貌监视能力及实时调度辅助决策支撑力度。     

城市轨道交通短期客流OD预测模型研究与实现

轨道交通短期客流预测在保障运营安全、制定科学的客运计划和组织方案、提高效率等方面具有重要意义.目前我国对精细化短期客流预测,特别是OD级预测的研究不多,尚未见成熟的预测方法或大型信息系统报告.通过自下而上的研究方式,从路网客流构成单位OD入手,根据轨道交通AFC(自动售检票系统)历史数据,分析轨道交通路网客流OD时空分...