多源数据驱动CNN-GRU模型的公交客流量分类预测

为精准分析公交线路与站点不同客流的出行特征及时变差异性，结合深度学习理论，提出了一种基于卷积神经网络(CNN)与门控制循环单元(GRU)组合的公交客流分类预测模型；融合匹配公交一卡通刷卡、公交车GPS轨迹、线路和站点基础信息、气象等多源数据，实现公交客流数据重构；采用K-Medians算法将乘客分为通勤类和非通勤类；以乘客类型、历史客流量、时段、高/平峰、星期、降水量、重大活动等因素为输入向量，分别建立CNN与GRU单一模型，并利用均方误差、均方根误差、平均绝对误差为评价指标，开展预测；针对单一模型不适用多特征时间序列预测等问题，分别构建了由CNN和GRU组合的线路客流和断面客流预测模型；以北京市特15路公交为例，预测工作日与非工作日场景下的线路及断面的分类客流。分析结果表明:对于通勤类和非通勤类线路及断面客流，组合模型的均方误差相比单一模型平均降低了57.932、13.106和33.987，均方根误差平均降低了1.862、1.058和1.538，平均绝对误差平均降低了1.399、0.487和0.613，可见，多源数据驱动下的CNN-GRU组合模型具有良好的预测性能。      

考虑时空修正的轨道交通封站短时客流预测方法

为了实现封站情况下轨道交通短时客流的精准预测和探索客流的变化机理,提出了一种考虑时空修正的融合动态因子模型(DFM)和支持向量机(SVM)的短时客流预测方法(DFM-SVM); 利用符号聚合近似方法(SAX)与动态时间规整(DTW)相结合的算法(SAX-DTW)识别受封站影响的时空范围,利用DFM预测常态下的短时客流,利用SVM提取和处理受封站影响车站与时段客流量的非线性特征,对受影响车站与时段的客流量进行修正; 以北京地铁封站情景下车站的进站量预测为例,验证方法的有效性。研究结果表明: 与既有SAX相比,提出的SAX-DTW不仅能全面考虑到客流数量和客流趋势的变化,还能更准确地识别出多个车站的异常时段; 与传统DFM相比,DFM-SVM能显著降低各车站的预测残差,其中奥体中心车站的预测残差降低约60%;与基线模型霍尔特-温特(Holt-Winters)、SVM、门控循环单元(GRU)和长短期记忆(LSTM)相比,在整体客流量预测效果方面,提出的DFM-SVM在其均方根误差方面分别降低43.39%、70.00%、33.18%和70.83%,平均绝对误差分别降低43.72%、67.17%、28.98%和57.08%;在单个车站的客流量预测效果方面,提出的DFM-SVM在均方根误差和平均绝对误差方面有70%的车站均低于其他基准模型。可见,提出的DFM-SVM能够捕捉封站影响客流的非线性关系,极大提升了客流预测精度,能够为运营管理者提供可靠的客流预警信息与决策依据。      

基于城市轨道交通客流短时预测的运营编组设计

根据城市轨道交通客流短时预测量进行运营编组设计,更接近客流的实际运营情况,具有实时、灵活和快速响应等优点.以一周为周期,使用最近一周的历史断面客流量作为原始数据,应用嵌入式灰色神经网络组合模型进行短时预测,得到的下一周期断面客流量更符合客流不断变化的趋势.以此为基础进行运营编组设计,使其更能适应客流量的实时变化.然后将按计划运营的实际客流纳入历史客流,进行循环修正更新,作为下一周期客流短时预测基础进行运营编组设计.基于城市轨道交通客流短时预测的运营编组优化,在一定程度上可以提高城市轨道交通系统运能,提升运营效率,降低运营成本.     

基于乘积ARIMA模型的城市轨道交通进出站客流量预测

基于城市轨道交通自动售检票（Automatic Fare Collection,AFC）系统采集的进出站客流的历史数据,构建乘积差分自回归移动平均（Auto-Regressive Integrated Moving Average,ARIMA）模型,实现对进出站客流量的精确预测.通过自相关和偏自相关函数进行数据的平稳性和周期性分析,消除趋势性和周期性特征影响;考虑到处理后数据的周期性和短期相关性之间的乘积关系,构建乘积ARIMA进出站客流预测模型,并以广州地铁各车站进出站客流量数据为例进行了模型的参数标定.模型预测值与实际值的对比分析显示该模型的平均绝对百分误差保持在5％以内,表明该模型具有很高的预测精度和良好的适用性.     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

基于站点实时关联度的短时公交客流预测方法

为探究公交站点之间的关联度并对公交客流进行更精准的实时预测，本文提出基于 Attention的交通预测核心算法(Traffic Forecast Model Based Attention，TFMA)，结合数据预处理和 站点信息编码完成基于站点实时关联度的短时公交客流预测方法。该方法首先创新性地提出了 站点实时关联度，可实现对目标站点客流量更精准的预测；其次，在公交站点的编码信息中融入 线路站点信息、客流变化率、天气、日期等关联因素；接着，该方法依靠Attention机制计算站点实 时关联度；核心算法中使用multi-headed机制、增加通道和残差连接进一步提升预测能力；最后， 以苏州市公交数据进行验证。结果显示：在准确率上，对比多元线性回归的53.8%、GRU(Gated Recurrent Unit)的66.9%和LightGBM(Light Gradient Boosting Machine)的81.2%，本文提出的基于 站点实时关联度的短时公交客流预测方法的准确率在90%以上，表明该方法具备优秀的短时公 交客流预测能力。     

基于VMD-LSTM轨道交通客流预测模型

客流量预测是城市智能交通系统的重要组成部分。为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型。采集明尼苏达州州际轨道交通客流数据对模型进行验证。结果表明:相对传统LSTM预测模型,VMD改进LSTM使平均绝对百分误差(MAPE)减少8.38%,均方根误差(RMSE)减小256.99,有效提高LSTM神经网络的预测精度与鲁棒性。     

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.     

基于维度规约的快速路全时段排放模型适应性研究

针对城市快速路汽车污染物排放控制需要，紧扣不同排放模型在映射不同时段排放影响因素与排放率关系方面的差异，以排放测试车辆实际工况排放序列为数据源，分别将反向传播神经网络(Back Propagation Neural Network, BPNN)、广义回归神经网络(General Regression Neural Network, GRNN)和径向基函数神经网络(Radial Basis Function, RBFNN)与平均影响值(Mean Impact Value, MIV)方法相结合，构建维度规约模型。以95%累计贡献率为阈值对排放预测模型输入维度进行降维的基础上，分析神经网络在维度规约前后在不同时段的预测污染物排放率适应性。结果表明：维度规约后BPNN和GRNN模型的R2及MSE在全时段排放数据集中的预测性能提升1.19%、10.14%、6.51%、15.56%,RBF模型对维度规约不敏感；全时段GRNN模型的R2和其余两个模型相比提高10.18%和7.68%,MSE和其余两个模型相比降低0.0396和0.0446，同时MAPE显著降低7.38%和3.86%，揭示GRNN模型在...     

基于VMD-BP神经网络模型的铁路车站月度客流发送量预测研究

为确定合理的列车开行对数,首先分别以BP神经网络(BP Neutral Network)和极限学习机(Extreme Leaning Machine, ELM)构建基准模型;在此基础上,结合经验模态分解算法(Empirical Mode Decomposition, EMD)和变分模态分解算法(Variational Mode Decomposition,VMD)适合处理非线性、非平稳数据的特点,对客流发送数据进行处理,然后分别与基准模型组合形成组合模型,并提出了月度客流发送量的概念,建立了滚动的月度客流发送量预测机制。最后,以兰州西站衔接各线的客流日发送数据为原始数据,以各基准模型和组合模型对月度客流发送量进行了预测,并对预测结果和指标加以分析对比。研究结果表明:(1)以客流发送量作为原始数据,VMD算法分解效果优于EMD算法;(2)对比各基准模型和组合模型,VMD-BP神经网络组合模型预测精度最高,适用于铁路车站月度客流发送量预测问题。     

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SARIMA模型的广珠城际铁路客流量预测

为实现铁路车站发送客流量的短期预测,研究预测步长对短期客流预测效果的影响,分析了广珠城际铁路车站发送客流的特征和变化规律,结合客流特征及季节性差分自回归滑动平均模型（seasonal autoregressive integrated moving average,SARIMA）的适用性,构建了SARIMA客流预测模型,利用Python软件中的Statsmodels模块完成了SARIMA客流模型的精细化调参,以广州南站、小榄站的发送客流量为例验证了模型的有效性. 结果表明,SARIMA预测模型可以较好地适用于不同数量等级的客流预测,其预测精度随预测步长的增加而降低. 预测步长为1时,广州南站、小榄站、珠海站客流预测平均绝对百分比误差（mean absolute percentage error,MAPE）值分别为3.97%,5.83%,5.43%;预测步长增加为2时,各车站客流预测误差显著增加,广州南站、小榄站、珠海站客流预测误差MAPE值分别为5.31%,6.79%,7.62%;预测步长大于2时,预测误差基本保持稳定. 将SARIMA模型预测效果与随机森林（random forest, RF）、支持向量机（support vector machine, SVM）、梯度提升算法（gradient boosting, GB）、K最近邻算法（K-nearest neighbor, KNN）模型或方法的预测效果进行对比,预测步长为1时,SARIMA模型预测效果略优于其余4种模型,5种预测模型预测精度差距较小;预测步长大于1时,RF、SVM、GB、KNN模型预测误差随预测步长显著增加,预测误差为SARIMA模型的数倍. SARIMA模型在客流时间序列的多步预测方面具有较大的优势.      

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.