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.     

基于圈层人口变量的城市轨道交通车站客流预测

考虑城市轨道交通车站客流(指进出站客流)吸引范围内不同距离的人口对车站客流贡献率不同的情况,将人口按照距离车站的远近分为不同圈层,以不同圈层人口作为变量进行车站客流预测.通过偏相关分析验证圈层人口作为变量的合理性,同时获得影响车站客流的其他显著因素.针对线性多元回归预测模型的不合理性,建立了可反映车站客流与自变量高度非线性关系的BP(back propagation)神经网络预测模型.案例研究表明:基于圈层人口变量和BP神经网络的车站客流预测模型在减小误差方面明显优于其他模型,且具有很好的实时性.在上述模型的基础上,构建了已知任意车站背景变量,车站圈层人口对客流的贡献率模型.该模型验证的结果进一步说明基于圈层人口变量和BP神经网络的车站客流预测模型能够很好地反映圈层人口与其他影响车站客流的显著影响因素同车站客流之间的关系.     

基于时间序列分解与门控循环单元的地铁换乘客流预测

为丰富地铁内部换乘客流预测理论,更好地制定地铁运营计划,提出了一种基于时间序列分解方法(STL)与门控循环单元(GRU)的地铁换乘客流预测模型。该模型将预测过程分为3个阶段,第1阶段为原始地铁刷卡数据预处理,采用基于图的深度优先搜索算法识别乘客的出行路径,构建换乘客流时间序列;第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量,并利用3σ原则对余量进行异常值的剔除与填充;第3阶段基于深度学习库Keras,完成GRU模型的搭建、训练及预测。以北京地铁西直门站的换乘客流数据为研究对象,对模型的有效性进行了验证,结果表明：与长短时记忆神经网络(LSTM)、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型(STL-LSTM)相比,STL-GRU组合预测模型可提升工作日(不含周五)、周五、休息日的换乘客流预测精度,预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点。     

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。     

一种基于灰色马尔科夫的大客流实时预测模型

为分析和处理大型活动期间轨道交通大客流的预测预警问题,本文构建了一种基于灰色马尔科夫的大客流实时预测模型.以各类大型活动的历史OD客流数据为基础,利用灰色预测算法对客流数据建立灰色模型,然后建立马尔科夫修正模型,最后利用预测误差对灰色预测结果进行修正得到最终的预测大客流值.实验采用北京轨道交通OD客流数据和标准评价方法,实时预测五棵松体育馆举办的CBA决赛对五棵松地铁站产生的出站大客流,预测结果表明模型是有效的,对真实的大客流预测具有较好的效果.     

广州地铁换乘车站节假日客流组织与管控研究

随着地铁成为市民出行首选交通工具,在节假日期间地铁客流增长更为明显,这对地铁车站客流组织带来巨大压力,特别是大城市的大型交通枢纽,该文以广州地铁广州火车站为例,通过对车站的结构、设备、设施、客流组成、运输能力现状进行分析,对地铁换乘车站节假日期间客流组织的方式、难点进行探讨,并提出相应的客流管理控制措施,确保了客流组织安全顺畅有序,提升了地铁运输企业的服务水平和管理水平。     

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.     

基于自动售检票数据的轨道车站客流识别模型

为探究城市轨道交通车站客流模式,采用轨道自动售检票(automatic fare collection,AFC)数据,构建客流指标,提出了一种基于K-means聚类算法的站点客流识别模型.以重庆轨道3号线连续1个月的AFC数据为例,探讨工作日、周末、节假日时期不同客流指标和综合多变量指标的聚类结果.结果表明:不同时期客流指标能够促进车站客流识别;将站点客流模式分为7类时,聚类效能最佳;通过连续1周和连续1个月聚类结果对比,验证了分类结果具有良好的稳定性.结合结果数据特征和站点实际情况对车站客流特点进行归纳总结.     

采用改进四阶段法的市域轨道线网客流需求预测

考虑中心城区与乡镇居民出行特征的差异,提出一种适用于市域范围的预测方法.该方法以传统四阶段法为基础,分别建立中心城区与市域客流预测模型.中心城区客流独立预测后作为市域客流的一部分参与市域客流分配,分配结果通过反馈机制作用于交通分布模型,循环迭代直至平衡收敛.利用福清市现状基础数据运用TransCAD软件标定模型参数并校验,结果表明,调查值与模拟值的相对误差满足预测精度要求.最后采用已标定模型对福清市域轨道线网进行客流预测,结果表明, 3个目标年客流预测结果符合迭代收敛判定标准,进一步说明该方法具有理论与实践应用价值.     

基于改进灰色组合模型的城市轨道交通客流预测 ——以西安地铁2号线为例

针对城市轨道客流培育发展大致呈S形曲线的特点,首先以灰色Verhulst模型对西安地铁2号线客流进行预测.为提高预测结果的精度,对原始数据形成的序列数据通过对数变换处理来减少其波动性.由于所研究轨道线路尚未到达客流饱和阶段,为了规避单一模型较大的风险性,针对不同模型的特点,从处理过的原数据列选取西安地铁1号线开通年度(2014年1月)之后的西安地铁2号线数列,此数据列数据量较少,波动性小,采用灰色GM(1,1)模型对处理过的西安市地铁2号线数列进行预测.通过将灰色GM(1,1)模型预测结果与改进Verhulst模型预测结果进行线性组合,之后将采用不同预测模型的预测结果与实际值进行对比分析,发现组合模型的预测精度更高.     

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。     

铁路客运需求分析与短期客流预测研究

旅客对于铁路客运的需求直接决定了铁路自身的运输生产,对历史旅客需求规律的准确分析以及对未来短期需求的准确预测对旅客运输组织的优化极为重要。为此,提出了基于Prophet模型的铁路客运量需求分析方法和基于Seq2Seq-Attention与Prophet非线性组合模型的短期客流预测方法。前者可以从长期的历史数据中分解出普适整个数据的客流时间分布特征,从而对过去的客运需求规律做出分析;后者利用神经网络进行非线性组合,以求在不同规模的数据集上充分发挥Seq2Seq-Attention网络与Prophet模型各自的优势,做出更精准的客流需求预测。通过实例验证表明,使用Prophet模型将客流历史数据分解成多种时间分布类型数据后在整个数据集上的误差仅有6.68%,同时Seq2Seq-Prophet模型在数据集上的预测效果好于组成它的单模型和其余既有方法。     

基于RBF神经网络的高铁客运枢纽客流参数预测方法

客流参数预测是实现枢纽客流安全状态预警的重要手段,针对枢纽客流参数的预测问题,提出了基于RBF神经网络的高铁客运枢纽客流参数预测方法,通过对高铁综合客运枢纽内瓶颈点的短时客流参数信息进行预测,对客流的拥堵或滞留状态进行及时预警. 实验证明基于RBF神经网络的高铁客运枢纽客流参数预测方法能够对瓶颈点未来短时内的客流参数信息进行较准确地预测,并可较好地反映滞留客流状态.     

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。     

地铁车站客流疏导优化

为解决日常轨道交通站点拥堵问题,提高地铁车站客运效率,利用AnyLogic仿真软件对地铁站进行模拟仿真,得到地铁站行人密度图,分析地铁站拥堵瓶颈点,从行人流线和站内设施设备布局两个角度提出针对性优化措施。结果表明：地铁站站厅层安检区和站台层扶梯组通常为地铁站拥堵瓶颈区,改善安检区域与扶梯出口区域的拥堵是提升地铁站客运效率的关键。在安检口增设独立安检系统,适时安排工作人员引导拥堵区人流是既经济又高效的措施。采取措施后,拥堵区行人密度有所下降,验证了优化措施的有效性。该方法可为地铁站客流组织管理提供参考。     

基于Softplus函数的双隐含层BP神经网络的公路客运量预测

为了提高预测模型的精度,提出一种基于Softplus激活函数的双隐含层BP神经网络的预测方法,提高了模型的非线性学习和泛化能力及预测精度,并改善了网络性能。将该方法应用于公路客运量实际预测中进行有效性验证,结果表明该方法对公路客运量有更好的非线性拟合能力和预测准确性。     

考虑乘客选择行为的地铁车站承载能力瓶颈识别方法

乘客选择行为引起地铁车站客流量分布动态变化,并导致拥堵的传播,是承载能力瓶颈产生的关键因素之一.通过分析乘客在站服务事件链,构建地铁车站系统中设施设备关联网络.在分析乘客选择行为作用下的关联网络特性的基础上,建立了节点约束下的车站客流分配模型,并引入动态惩罚函数求解该模型,结合求解结果,提出通过节点受影响程度指标来识别能力瓶颈.以上海地铁陆家浜路站为例分析,与StaPass软件的仿真结果进行对比,验证了该方法的可行性和准确性,有助于快速分析不同客流条件下车站客流分布,并确定能力瓶颈.     

基于时空数据挖掘的铁路客流预测方法

提出了一种新的基于时空数据挖掘的铁路客流预测方法,该方法一方面采用统计学原理对目标对象本身的时序进行预测,另一方面通过神经网络解算相邻对象的空间影响,最后使用线性回归得到综合预测结果.采用该方法对某铁路直通区段2004年春运期间旅客总发送量进行预测,与不考虑空间影响的预测方法相比,预测精度有所改善.     

城市轨道交通车站客流状态采集范围

随着城市化进程的不断推进,迅猛增加的轨道交通客流对客运组织管理提出了更高的要求。目前,虽然多样化的视频采集设备已广泛应用于地铁客流监测中,但是对视频监测范围缺乏统一的标准规范导致监控设备布设随意性大、客流采集无法满足监测需求,鉴于此,课题开展对轨道交通车站客流状态数据采集范围的研究。首先,阐述了客流状态采集范围的概念和影响因素;其次,分析轨道交通车站不同功能区域的数据采集参数类型,以全面性及精度最优为目标,构建了不同功能区域的采集范围模型,并给出模型中参数权重的计算方法和模型求解方法;最后,以北京西直门地铁站为研究对象进行实例分析,给出其不同功能区客流状态数据的最优采集范围。本研究可为交通流数据的获取提供有效的技术支持和保障。