旅客运输需求可替代性研究

为了定量分析旅客运输需求及其可替代性,利用集对分析原理,从旅客运输需求可替代性影响因素即旅客运输需求特性分析入手,建立替代模型,来定量研究在弹性需求下旅客运输需求的可替代性情况。算例分析结果表明,该需求替代模型具可行性和实用性。该研究可为运输企业合理安排客运产品结构、积极引导客流提供理论基础。     

基于组合熵优化的铁路客运网配流方法

针对铁路客运网的客流分配问题,以铁路列车开行方案为基础,由各OD间多条旅客出行路径构建铁路客运网.采用广义的旅行费用作为旅客出行路径综合总阻抗的度量,考虑不同铁路线区间客流输送能力和旅客出行路径综合总阻抗,提出不同铁路线区间客流输送能力饱和熵与旅客出行路径综合总阻抗熵等新概念.建立了以OD客流量守恒、旅客换乘次数限制以及客流量非负限制为约束条件,铁路旅客输送能力与旅客出行需求尽可能匹配的客流分配优化模型.根据区间客流输送能力和旅客出行路径综合总阻抗在实际问题中的重要程度,提出了基于组合熵优化的客流分配迭代优化求解算法.算例表明,利用该客流分配模型和算法能够得到更有效更细致的不同出行路径的铁路客流分配方案.     

公路客运系统动态模拟

通过对公路旅客运输需求进行分析，公路客运系统具有复杂性、非线性、互动反馈性和延迟性等特点．针对这些特点，运用系统动力学的原理和方法，构建了公路客运系统动力学模型．运用此模型对旅客周转量进行了长期预测，并对预测结果展开系统分析．     

铁路旅客列车开行方案决策模型

在分析传统运输模型不足的基础上 ,综合考虑旅行时间、旅行费用、旅行方便与舒适多因素对市场细分的影响 ,以及运输能力使用与需求转移的影响 ,构造了一个旅客列车开行方案决策模型 .其应用分两步进行 :通过预测客运需求和各类客流特征 (如平均收入水平 ) ,确定不同旅客列车需求量的概率分布 ;用 NLP模型求解各类旅客列车开行方案 (列数 ) .模型中参数定性分析表明 ,不同种类旅客列车间速度、票价以及旅客特征之间比值变化对铁路客运量增减及分布有着较大影响     

基于Prophet-DeepAR模型的Web流量预测

Web流量预测一直是数据中心网络的热点问题，对于提高网络服务质量具有重要意义。由于Web流量具有非线性、自相关性和周期性等复杂特点，对其准确预测有很大的挑战性。为充分挖掘出Web流量的可预测信息，同时使预测模型具有充分的可解释性和可配置性，本文提出一种基于Prophet和深度自回归(DeepAR)的组合预测模型。其中，Prophet是基于时序分解的加性模型，对Web流量的趋势、季节性周期、节假日信息进行建模。同时，使用基于概率预测的DeepAR模型对Prophet残差隐含的自回归信息建模，捕获长短期依赖关系，以减低Prophet残差的方差，并充分捕获Web流量的自回归信息。在真实的Web流量数据集上进行验证实验，结果表明在RMSE和MAE两项评价指标上均优于对比模型，验证了该组合模型的有效性。     

铁路旅客运输的市场定位及发展对策

铁路旅客运输对一个国家的经济发展起着至关重要的作用,文章通过对我国旅客运输市场的需求及发展趋势进行了分析,并对经济发展与城市化的进程对旅客运输需求总量及旅客运输市场的影响做了判断。通过剖析对铁路客运市场现状及原因,指出了铁路旅客运输的市场定位及发展对策。     

深度学习在实测沉降数据预处理中的应用研究

基于深度学习中的长短期记忆网络LSTM,通过搭建Seq2Seq模型,提出了可对实测沉降数据进行预处理的新方法.Seq2Seq可通过观测大量有效的测点数据来自动学习沉降发展规律,并在训练完成后能对异常测点沉降进行重新计算,可有效避免异常数据对后续沉降预测的干扰.以某机场多个区域的实测沉降数据为背景,通过将Seq2Seq模型重计算出的沉降值与实测值对比,验证了该模型的可靠性.结合超参数与数据集等参数分析,研究了提升模型学习能力的影响因素.研究结果表明:在训练集选取40个测点、测试集选取15个的条件下,模型重计算值与实测值全过程平均误差3 cm.增大训练集与数据特征,且减小训练集与测试集之间的偏差时,模型的精度提升明显,误差缩小到2 cm.     

地方铁路客运量预测分析及客运经营对策研究

本文以萧甬铁路为背景,在对旅客运输现状深入分析的基础上,采用经济指标预测法对2010年和2015年客货运量进行了预测,在综合考虑客运经营现状和客运量发展预测的基础上对萧甬铁路旅客运输进行了析,提出了可操作性的经营对策。     

基于季节ARIMA模型的铁路客运能力需求预测研究

针对铁路客运资源时空配置不均衡问题,运用面板数据的非线性时间序列分析理论,构建了预测铁路客运能力的3种ARIMA模型,并运用客运区段内13个站点的客流量数据进行了实例分析。结论如下:季节ARIMA模型预测铁路客运能力显著性最强;铁路客运呈现出单周的季节波动,同时节假日对季节波动的影响显著。     

铁路城际客流预测模型的研究

在客运市场,准确把握城际客流的影响因素,及其对铁路城际客流的影响程度,对铁路运输企业是非常关键的.文章从铁路运输企业的角度,分析影响城际客流的因素,利用灰色理论中系统关联度分析方法,建立一种新的铁路城际客流GM(1,5)预测模型.并以广州至深圳城际客流为背景,预测其铁路城际客流,为铁路运输企业客运产品设计提供科学依据.     

基于注意力Seq2Seq模型的终端区航空器航迹预测

为充分挖掘机场终端区航空器航迹时间依赖性,解决中长期、多步长航迹预测精度不稳定的问题,引入注意力机制(Attention Mechanism)和教师监督(Teacher Forcing)中的指数衰减(Exponential Decay)采样方法,提出了一种基于序列到序列框架的机场终端区航迹预测模型(Seq2Seq-Attention Mechanism-Exponential Decay, SAE)。序列到序列框架实现了多步长预测,注意力机制提高解码器预测精度,指数衰减采样方法加速了训练阶段模型收敛,在一定程度上提高了模型的泛化性。最后,为了验证提出方法的有效性,利用天津终端区28架次、90天ADS-B航迹数据构建原始数据集,以平均绝对误差(Mean Squared Error, MAE)和均方根误差(Root Mean Squared Error, RMSE)作为模型性能评价指标,进行了航迹预测实验,实验结果表明：高度、经度和纬度在序列到序列框架中的循环神经网络分别采用LSTM、GRU和LSTM可以获得最好预测性能;以四种预测长度1分钟、3分钟、5分钟和10分钟进行建模,与基线模型中预测性能最好的结果比较,所提出方法在验证集上的高度、经度和纬度指标表现最优,10分钟预测窗口下的平均绝对误差分别降低了66.30%, 54.62%和36.59%,均方根误差分别降低了65.45%, 38.16%和20.57%,同时,上述四种预测时长下所提出方法预测结果的均值和方差最小,表明随着预测时长的增加,模型预测结果的稳定性最好。此外,引入的注意力机制与指数衰减采样方法对有效捕捉航迹时间依赖性、提高模型泛化性均具有积极的贡献.     

大型活动散场期间地铁车站短时进站客流预测

大型活动散场期间的地铁车站客流属于可预知的非常规客流,采用常规客流的统计预测方法难以准确预测其客流需求.基于深度学习,将历史客流规律、大型活动数据与实时自动售检票系统数据相结合,提出了一种适用于大型活动散场期间地铁车站的短时客流预测模型.首先对历史客流数据进行了拆分及降噪处理,并分析了活动客流特征.之后,基于深度学习框架构建多层结构的卷积神经网络,拟合活动客流特征与客流时空分布的映射关系,并选取Adam(adaptive moment estimation)算法优化训练过程,以适用于活动散场时客流集中进站的情况.最后,以北京地铁奥林匹克公园站为例,利用实测数据验证了模型的准确性.预测结果表明:建立的Adam-CNN(convolution neural network)模型相对于常用时间序列方法自回归滑动平均和传统神经网络SGD-CNN模型具有更高的精度,能够为大型活动的组织提供更为有力的支持.     

融合长短期记忆网络和图卷积网络的轨道交通短时客流起讫点预测

轨道交通客流起讫点(origin-destination,OD)矩阵存在时间相关性和空间相关性。根据客流OD的时空特征,提出长短期记忆(long short-term memory,LSTM)网络和图卷积网络(graph convolutional networks,GCN)的短时组合预测方法。预测方法主要利用LSTM网络来获取客流的时间相关性,利用GCN来获取客流的空间相关性,基于出站口建立客流OD矩阵,对整个路网的客流OD进行训练预测。实验表明:融合LSTM神经网络和GCN神经网络的短时预测模型能有效预测轨道交通客流OD。相较于单独的LSTM神经网络,组合模型在预测误差方面有所改善,更适用于短时客流OD的预测。     

基于时间序列的铁路客流量预测及票额优化配置

铁路客流量受多因素影响,其时序特征明显,因此,基于平稳时间序列构建客流数据预测模型及单车次多区间票额分配模型,有利于掌握客流动态变化,改善铁路运营压力。实现特征数据抽取系统开发,进行累加、循环、筛选算法等数据预处理;运用多因子方差分析评价多种因素的显著相关性影响,通过ARMA模型进行短时旅客客流量预测,进行模型优化并检验,同时,基于线性规划构建客座率最大化的区间票额分配优化模型。     

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型(Prophet)与长短期记忆循环神经网络(LSTM)预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法(PSO)求出两种模型对应的组合系数,从而得到最终的Prophet-LSTM-PSO组合模型,并通过RMSE和MA...     

基于小波分解和长短时记忆网络的地铁进站量短时预测

针对城市地铁车站进站客流量短时预测问题，提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型，小波分解和重构可以有效处理数据的波动性，长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例，实现了组合模型对进站量的预测，发现本方法能够得到比较准确的预测效果，平均绝对百分误差为5.48%，与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%，表明本方法有更好的预测精度。     

基于系统动力学的高铁客运需求预测

为了确定中国高铁客运需求的发展规模和规律,通过分析与高铁客运需求相关的经济、人口、设施供给及民航竞争的影响因素,建立了高铁客运需求的系统动力学模型.经过对既有历史数据的验证分析,证明系统动力学模型的有效性,且预测精度优于传统方法.根据经济人口及出行要素设定了三种增长情景,预测发现,中国未来不同情境发展下的高铁客运需求将持续上升,高铁客运周转量2024年突破1万亿人公里,高铁出行量2026年突破30亿人次.基于以上结论,提出了中国高铁建设、票价及服务方面的建议.     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。