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.     

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.     

城市轨道交通短时OD客流预测实验教学系统设计

针对目前轨道交通运营管理实践教学中缺乏实验设备,学生缺少直观认知的问题,设计了基于地铁AFC数据的城市轨道交通短时OD客流预测实验教学系统。系统分为数据准备、客流预测、结果评价三个模块,采用数据隔离方式解耦客流预测中的三个阶段,使用B/S架构实现了多用户同时访问和实验。该教学系统为轨道交通专业学生进行客流预测实践提供了平台,已在深圳技术大学城市交通与物流学院实践课程中投入使用。     

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.     

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.     

基于客流转移的轨道交通换乘站客流分析

换乘站客流研究是城市轨道交通重要的研究方向,本文针对轨道交通换乘站客流分析预测存在的不足,提出了一种基于客流转移的换乘站客流分析方法。文章主要对比轨道交通信息运营前后两个阶段,获得换乘站准确的客流变化情况,为下一步进行客流预测建模提供坚实的理论与数据支撑。     

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.     

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。     

对城市轨道交通客流特征的分析与预测

城市轨道交通是缓解城市道路交通压力的有效途径，客流预测是城市轨道交通建设与设计的基础环节。本文主要对城市轨道交通客流模型展开探讨，并从其特征、机理上提出预测方法。     

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.     

基于旅行时间分析的城轨乘客路径集验证方法

城市轨道交通乘客出行路径集是否正确,是乘客路径选择估计以及网络客流分布计算的前提和基础.从现有客流分布模型中有效路径选择集问题及OD实际旅行时间聚类特征出发,引入Rodriguez-Laio快速聚类算法,提出基于旅行时间聚类分析的城市轨道交通乘客路径集验证方法.以北京地铁网络为例进行算例分析,结果表明,该方法可以在全网络范围内对路径选择集问题OD作出快速识别及滚动验证,并为以原因分析为导向的现场客流调查与模型修正工作提供重要参考.     

城市轨道交通客流预测结果的技术分析体系

针对目前城市轨道交通客流预测可信度较低的状况,建议通过对客流预测结果的评估分析来提高轨道交通系统的抗风险能力,提出了包含可信度分析、客流特性分析、风险性分析和敏感性分析在内的城市轨道交通客流预测结果分析的结构体系。从预测过程和预测结果两方面指出了城市轨道交通客流预测可信度分析的要点,以高峰小时单向最大断面客流量、时空分布特性为核心,建立了轨道交通客流特性分析指标;通过客流在成熟区域内的集中率和在某些车站的集中率,反映客流预测结果的风险性大小;提出了客流预测敏感性分析的技术路线,并进一步指出不同时期敏感性因素的选择,并对西安地铁3号线客流预测进行了全面分析。结果表明:其预测结果是可信的,但客流的时空分布很不均衡;客流预测存在较大的风险性,客流波动幅度较大。     

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.     

城市轨道交通线路客流分布的实时预测方法

为准确计算轨道交通线路客流实时分布的各项参数,首先提出了各时段进站乘客的起讫点(OD)分布预测方法,然后在分析了站台与列车之间客流交换规律的基础上提出了站台—列车客流交互模型.最后,提出了轨道交通线路客流分布的实时算法,并通过实例验证了该算法的实用性.     

基于时空特征提取的城市轨道交通乘客出行目的地预测

为满足城市轨道交通运营组织进行客流管控和行车调度的实时需求,提出了基于乘客OD时空特征的出行目的地在线预测方法。通过分析定义乘客OD时空特征矩阵,以乘客个体的历史自动售检票系统（AFC）数据为训练样本,提出了基于行程密度聚类的乘客OD时空特征提取方法。分析制定乘客实时进站刷卡信息与其OD时空特征矩阵的匹配规则,基于3种匹配情况分别提出了相应的目的地实时预测方法。以南京市轨道交通AFC数据为实例进行验证,结果表明本文提出的预测方法在高峰时段预测准确率、全天预测稳定性等方面效果良好,可为地铁运营组织提供参考。     

基于混沌自适应遗传 ν SVR的城市客运量预测

针对城市客运量预测问题本身所存在的小样本、高维数和非线性等特点,将ν-支持向量回归机(ν-support vector regression,ν-SVR)应用于城市客运量预测.为了提高ν-SVR模型的预测精度和泛化性能,利用基于混沌理论和自适应机制的混沌自适应遗传算法(chaosadaptive genetic algorithm,CAGA)优选ν-SVR模型参数,建立了基于CAGA进行参数优选的CAGA-ν-SVR城市客运量预测模型.结合1978～2008年统计数据进行了仿真预测,结果表明该模型的预测性能优于RBF神经网络模型、GA-SVR模型和GA-ν-SVR模型,平均绝对相对误差控制在2.3%以内,可有效应用于城市客运量预测.