基于ARIMA与灰色马尔科夫模型的三亚市交通客流量预测研究

为了较为全面、客观、准确地预测城市的交通客流量,对三亚市旅游统计数据2012-2017年每月的交通客流数据进行分析,在数据整理的基础上,主要采用ARIMA模型和灰色马尔科夫模型对2012-01—2017-12月三亚的交通流量分别进行拟合仿真,并对2018年每月的客流进行了趋势外推预测;结果表明:采用ARIMA预测模型所获得的平均绝对百分误差为4. 42%,采用灰色马尔科夫模型获得的平均绝对百分误差为3. 78%,表明两种预测具有较高的精度;最后利用灰色马尔科夫模型进行趋势外推预测,得出三亚市2018年交通客流预计近3 600万,预测结果对三亚市旅游、交通等行业制定政策能起到积极的作用。     

人工蜂群算法优化LS-SVM的预测模型

在航空公司运营过程中,航空客流量预测是航班计划制定、机组调度规划及航线安排等的重要依据。为了更加准确地预测航空客流量,提出了一种基于人工蜂群ABC(artificial bee colony)算法优化最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)的航空客流量预测模型(ABC-LSSVM),并与LSSVM、GA-LSSVM和PSO-LSSVM模型的结果进行对比。结果表明,ABC-LSSVM模型的误差最小、精度最高,是相对有效的一种航空客流量预测方法。     

基于S-Catboost算法的短时公交客流预测及影响因子分析

针对城市公交实时客流数据多样化和特征复杂的状况,提出一种基于S-Catboost模型的客流特征提取及短时客流预测方法和影响因子分析流程。首先,通过爬虫技术获取公交客流数据的环境和时变特征,扩充客流数据的特征维度。其次,通过对客流数据进行时间和精度加权并采用LSTM和随机森林2种基模型对客流数据进行堆叠(Stacking),提取强特征并加入第二层子模型的特征矩阵。最后,利用Catboost算法对类别特征进行数值化处理,得到预测结果。实验结果表明该模型比传统LSTM、随机森林、GBDT以及SVM在预测准确度和计算时间上都有明显的优势,并给出了不同影响因子对客流量的相对贡献度和各自的偏效应,该模型对于公交系统进行实时线网优化调度和线路拥挤度信息发布具有比较高的实用价值。     

基于灰色预测模型的重庆市入境旅游客流量预测

灰色预测模型在研究入境旅游客流量预测上有很高的精度.依据灰色预测模型的建模过程和模型精度检验的方法,对重庆市1997—2007年的入境旅游客流量进行分析,选取2004—2007年的入境旅游客流量作为原始数据,建立了重庆市入境旅游客流量和时间的数列预测GM(1,1)模型,经检验该模型预测精度可靠.依据该模型,计算出了2008—2012年重庆市的入境旅游客流量,预计2008—2012年重庆市入境旅游客流量会继续迅速上升,有望在2009年突破100万人次.     

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。     

基于相空间重构-SVM的公交客流量预测研究

提出了一种基于相空间重构与支持向量机预测公交客流量的新方法.应用互信息法计算公交客流量时间序列的最优时间延迟;应用Ca0氏方法计算其最佳嵌入维数;然后计算出最大Lyapunov指数,证实客流节存在混沌现象.建立相空间重构-支持向量机预测模型并确定训练样本对,对公交客流量数据进行预测.实例证明,该方法能有效地进行客流量预测.     

基于向量自回归和动态模式分解的城市轨道交通短时OD预测

针对城市轨道交通OD客流量短时预测问题,提出基于向量自回归（Vector Auto Regression, VAR）和动态模式分解（Dynamic Mode Decomposition, DMD）的VAR-DMD组合预测模型.首先,以北京市范围内的地铁站点为例,基于自动售检票系统数据（Auto Fare Collection, AFC）,对地铁OD客流进行时空特征分析;其次,构建高阶加权向量自回归模型捕获OD客流数据的时空关联性,利用动态模式分解算法估算模型的参数,提取OD客流数据动态特征,实现数据的降维和降噪,利用实时更新算法更新模型的参数,实现长期连续预测;最后,以北京地铁AFC数据为算例,对模型进行验证.研究结果表明：相较于基准模型,VAR-DMD模型的运行时间减少96.67%,预测误差减少2.6%,具有较高的预测速度和预测精度,为城市轨道交通运营管理部门提供了可靠又及时的决策依据.     

ARIMA-RBF模型在城市轨道交通客流预测中的应用

客流量预测是城市轨道交通规划设计和运营管理的基本依据,已成为城市轨道交通建设过程中的重要环节。本文通过分析平常日客流变化的周规律、非平稳性等时序特征以及ARIMA模型和RBF模型的作用机理,将适合进行线性时间序列预测的ARIMA模型和适合处理非线性问题的RBF神经网络组合,建立了ARIMA RBF预测模型,并用该模型对北京市城市轨道交通平常日客流量进行预测,该模型充分考虑到城市轨道交通客流变化的线性及非线性特征,取得了较好的预测效果。     

基于AFC数据的大型活动期间城市轨道交通客流预测

准确预测大型活动期间城市轨道交通客流,是城市轨道交通管理与运营部门制定运输组织计划的重要依据,也是实现活动期间交通保障的关键.在分析大型活动期间城市轨道交通历史客流特征的基础上,针对活动期间的客流成分,分别构建活动客流与背景客流预测模型,以实现对未来大型活动期间城市轨道交通客流的预测.基于城市轨道交通自动检票系统(AFC)采集到的客流数据,分析大型活动期间的历史客流数据的变化规律,并依据其客流特征进行成分分解.针对活动客流,构建基于小波分解与重构的GM-ARIMA客流预测模型,针对背景客流则采用ARIMA模型与底特律法进行预测.基于广州地铁在2011—2014年广交会期间的历史AFC客流数据,对提出的方法进行验证.结果表明:该方法能够捕捉大型活动期间的客流特征,并可实现对大型活动期间城市轨道交通客流的预测.     

基于深度学习的地铁短时客流量预测

为了对地铁短时客流流量进行准确预测,建立了一种基于深度学习的地铁短时客流预测方法。通过分析地铁的客流数据,发现周一至周四、周五以及周末的发展模式存在一定的差异。依据该发现,基于深度学习的理论框架,建立了双向长短期记忆网络的地铁短时客流量预测模型。最后以广州体育西路地铁站数据为例进行预测分析,并将预测结果与决策树模型、支持向量机算法以及长短期记忆网络的预测结果进行对比分析。结果表明,双向长短期记忆网络全面优于其他预测算法,且该算法的平均预测精度超过90%,对地铁运力的合理配置等有一定的应用价值。     

基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.     

基于不同时间粒度的城市轨道交通短时客流预测

为探究城市轨道交通进站客流量预测精度与时间粒度之间的关系,以西安地铁自动售检票(AFC)系统连续50 d进站客流量数据为研究依据,将地铁运营有效时间划分为5、15、30 min,1、2 h及1 d等不同时间粒度,并对不同时间粒度下客流量时间序列采用Pearson系数法进行相似性度量,然后利用差分整合移动平均自回归(ARIMA)模型对不同时间粒度下的全网进站量进行拟合。以Pearson系数等于0.95作为短时客流预测时间粒度的选取阈值,最终选取在30、60 min及1 d三种时间粒度下用ARIMA模型进行短时客流预测,并与自回归滑动平均(AR)模型、支持向量回归(SVR)模型和BP神经网络预测模型的预测结果进行比较分析。研究结果表明:时间粒度相关性系数变化呈现单波峰形态,在30、60 min及1 d时间粒度下,ARIMA模型预测结果平均相对误差分别为4.12%、3.54%、4.97%;在这4种模型中,ARIMA模型平均预测精度最高,在不同时间粒度下这4种模型的预测误差呈现相同的变化趋势,即平均预测误差由大到小的3种时间粒度分别为1 d,30、60 min。因此,时间粒度大小选取的极端化并不会带来短时客流预测效果的直接提升,优化后的时间序列模型在西安地铁全网进站客流量短期预测方面具有较高的精度,研究成果可为城市轨道交通行车组织优化提供技术支持。     

基于小波神经网络的短时客流量预测研究

提出了基于小波神经网络的短时客流预测方法。对具有动态性,受多种因素影响的城轨的客流量进行短时的预测。通过建立小波神经网络对于城轨进行每隔15 min客流量预测。示例结果表明,所建立的小波神经网络的预测模型比其他的典型的预测模型预测精度高,误差小。     

基于时空特征的城市轨道交通客流量预测方法

随着城市轨道交通网络运营里程的不断增长及网络承载客流量的不断提高,特定站点客流量极易发生急剧变化,这种变化引起整个网络客流量的不均匀分布,从而增加运营调度的难度和运营事故的发生概率.本文以城市轨道交通实际运营中采集的大量客流数据为基础,从时间和空间两个维度分析城市轨道交通客流分布的特点,并进一步提出基于贝叶斯网络的客流量预测方法,实现对特定站点的客流量预测.本实验完全基于实际数据,结果表明:预测客流量平均绝对百分比误差基本在0.1以下,预测准确程度较高.     

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.     

注意力机制的长短时记忆神经网络航线订座需求预测

针对航线订座需求预测中存在的预测结果不稳定,偏差较大的问题,提出一种基于注意力机制的长短时记忆神经网络航线订座需求预测模型. 首先,对采集得到的航线订座需求数据进行数据清洗与指标计算处理;接着,对处理后的指标数据基于注意力机制做权重分配;然后进行长短时记忆神经网络航线订座需求预测模型的建立,从而得到航线订座需求的最终预测结果值. 将训练优化得到的模型应用于国内某航司的航线订座需求预测中,计算出预测结果. 实验结果表明,基于注意力机制的长短时记忆神经网络航线订座需求预测模型预测精度较高,以厦门-上海航线为例,预测结果与真实值对比,平均绝对误差为13.1,均方根误差为17.2,相比较于移动平均法、指数平滑法及循环神经网络,CNN-LSTM混合模型有较好的预测效果.     

城市轨道交通网络突发事件影响客流量的计算

城市轨道交通网络发生突发事件而造成临时性中断后,因列车运行延误具有传递性和扩散性,此时各相关车站会形成延误客流、绕行客流及损失客流.引入图论的方法建立城市轨道交通网络局部中断评价模型;再结合轨道网络单位时段内各站点间的起讫点出行分布历史或预测矩阵,得到了在各个受影响站点的各种受影响客流的评价模型.根据这些模型可以得到网络节点破坏后各相关站点随着时间的推移而不断变化的受影响客流量、绕行客流量、拥堵客流量、延误客流量、损失客流量、损失时间等参数.通过对上海轨道交通的局部网络的分析计算,证明了该应急处置参考模型的有效性.     

基于随机森林算法的混凝土早期抗裂性预测研究

将随机森林(Random Forest)回归算法应用于混凝土早期抗裂性研究.以松通项目混凝土为例,基于大量文献和工程经验选取了7个主要影响因素的混凝土早期抗裂性指标体系.以原始数据建立训练样本集和测试集,通过计算基于Bootstrap自助重抽样得到的袋外数据(OOB)的模型误判率,确定随机森林预测模型的最优参数,并对影响因素进行重要性排序,利用Pearson相关性图分析各影响因素相关度,然后建立RF训练模型,输出模型训练集和预测集的预测拟合结果.通过RMSE和R~2值分析模型的预测精度,并将预测结果与BP神经网络和小波神经网络模型对比.结果显示,随机森林预测模型误差最小,精度最高,验证了模型的准确性和可靠性.提出的随机森林预测模型为实现混凝土早期抗裂性预测提供了一种有效的方法.     

基于充分可观控实验方法的城市轨道交通客流随机分配模型优化

城市轨道交通起讫点间路径客流分配直接影响各条线路断面客流量的大小,进行科学精准的网络客流分配是实施客流统计分析、客流预测、运输计划编制、客运组织等工作的重要基础。基于城市轨道交通客流在轨道交通线网内的时空分布是充分可观控的理论,辨析影响客流随机概率分配的主要因素,建立网络模型架构,基于随机效用理论优化乘客出行的微观路径选择行为和决策过程,将客流随机分配模型中的有效路径效益值函数优化为分段函数。通过对结果进行路径分配比例验证及分线断面客流量验证,说明优化方法达到预期目标,为实现规范化、科学化、系统化的城市轨道交通清分奠定了坚实的基础。     

城市轨道交通的客流预测模型研究

在研究城市当前客流量特点和规模的基础上,进行城市客流量预l测是十分必要的。首先介绍影响客流发展的因素．然后研究已调查过交通情况时的客流预测情况,得出出行生成模型、出行分布模型、交通量吸引模型和交通量分配模型。通过客流量的预测,为准确或正确决策提供科学依据和前提。