城市轨道交通客流量实时预测模型

城市轨道交通客流预测方法主要有基于调查的客流量预测方法和基于实际流量的事后统计方法。针对目前尚无根据实际客流量数据预测各个站的客流量的模型,提出了利用实际到站的客流量数据,通过建立灰色模型和马尔科夫链,预测下一站实际客流量的实时预测模型。试验仿真表明,该模型能较好预测实时客流量。     

基于仿真的城市轨道交通站台客流滞留分级预警方法

站台是城市轨道交通车站客流集散和客流高峰期限流的核心区域。运用计算机仿真的方法对列车延误时站台的客流滞留、密度分布和服务水平变化过程进行了仿真研究,测算了站台达到拥挤和安全极限时的客流容量,分析了不同客流到达率下站台达到拥挤和安全极限的时间分布以及服务水平变化曲线,并提出利用关键控制点对站台进行客流拥挤和安全分级预警的方法。     

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, R...     

基于XGBoost的轨道交通短时客流预测精度分析

短时客流预测是轨道交通运营调度中的先导工作,其中短时预测的时效性尤为重要,预测中既要保证预测精度同时也要提升预测效率,提出基于集成学习的XGBoost算法进行轨道客流预测.以西安市地铁二号线AFC刷卡数据为例,在数据预处理过程中发现特殊节假日、休息日及工作日具有不同的客流特征,在工作日客流波动更为剧烈,因此,采用工作日客流量进行验证.将预测结果与BP神经网络模型、ARM A模型进行对比,结果表明:XG-Boost算法具有更高的预测精度,同时计算时间更短.研究结果可为制定轨道交通动态运营提供参考,同时,将机器学习运用到客流预测中也能增大预测方法的可选择性.     

道路公交与轨道交通竞争选择模型研究——基于上海轨道交通6号线客运走廊

上海轨道交通6号线开通前后,部分原有的道路公交客流向轨道交通客流转移,造成居民出行结构发生变化.在居民公交出行显示性偏好调研的基础上,分析开通之后出行者的出行时间、费用等的变化情况,构建道路公交和轨道交通方式的效用函数和方式竞争选择模型,为轨道交通6号线所在客运走廊上的公交线路调整提供依据.建议客运走廊轨道交通方式竞争选择的调查数据有效样本扩大到200个以上.对于轨道交通与道路公交的竞争关系要准确把握,公交线路调整方案不能操之过急,需逐步调整实施.     

重庆轻轨2号线客流增长趋势的预测及对其财务后评价

基于重庆轻轨2号线运营后的客流数据,运用最小二乘法进行数值分析,建立客流增长趋势模型,从项目自身的角度对生命周期内的收益和成本进行计算,对其进行财务后评价,其结论与国内地铁公司运营效益基本相符。     

从站运分离到“建养”分离

针对客运枢纽的规划建设和运营,业界都在提倡站运分离,而相关专家认为应该进一步细允将建设和养护也分离出来,规划建设主要靠行政帮忙,经营养护却应以市场为主导。     

50名赛手燃情石家庄 争夺入场券

随着最后一个分站赛——石家庄分站赛的到来,乘龙汽车杯2011中卡极限挑战赛的紧张氛围骤然升温,决定谁将获得进军柳州总决赛、赢价值10万大奖24个席位的关键性战役。让石家庄站的比赛盛况空前,充满悬念。广州站、苏州站的亚军、季军,郑州站的冠亚季军系数到齐,更有听到消息赶来的各路赛车高手,这让主场作战的河北赛手十分兴奋。     

高铁来了:货运缓和,客运偏紧

今年高铁快速发展,低价普通铁路运输能力与往年比力量稍为薄弱,其中有一部分旅客要流向道路客运,对道路客运造成一定压力。春运在即,自1月11日起,全国铁路实行新的列车运行图。据悉,此次运行图调整本着"高铁动车组列车以加密为主,普速客车以优