基于LSTM的轨道交通进站客流短时预测研究

对轨道交通进站客流进行准确的预测有助于城市交通系统更好的管理,及时做出应对措施.使用K-means聚类方法对南京地铁113个站点进行聚类,得到5个不同类别的轨道站点,分析不同类型站点进站客流的时序特征以及天气与工作日因素对客流的影响,发现是否为工作日对进站客流影响最为明显.用长短时记忆网络将前35天的数据作为训练集预测...     

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.     

不同类型的城市轨道交通车站客流时空分布特征

为明晰轨道交通车站功能类型，防范大客流风险和精细化城市管理，探究不同类型车站客流的时空分布特征，采用高斯混合模型(GMM)建立轨道交通车站类型识别方法，运用期望最大化(EM)算法进行求解，选择南京市轨道交通系统进行验证；从进出站时间分布和出行时间分布2个维度，探讨不同类型车站的客流时间分布规律；从车站间的客流起讫点(OD)分布，分析不同类型车站的客流空间分布规律。研究结果表明：南京市128个轨道交通车站可以划分为居住导向型、就业导向型、职住错位型、错位偏居住型、错位偏就业型和枢纽综合型6类；不同类型车站的客流进出站时间分布差异显著，居住导向型和就业导向型车站呈现出典型的单峰形态，进出站客流比介于[0.23,5.59],具有明显的“早进晚出”或“早出晚进”客流高峰；职住错位型车站呈现出典型的双峰形态，进出站客流比分别为1.19和1.07,早晚高峰时段的进出客流较为均衡；错位偏居住型和错位偏就业型车站也呈现出双峰形态，但2个峰值大小不同；枢纽综合型车站没有显著的进出站客流早晚高峰，客流波动没有明显的规律性；不同类型车站的进出站早晚高峰时段不一致，其中早高峰时段出站时间的高峰比进站时间晚15...     

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k-means聚类的城市轨道交通站点分类研究

城市轨道交通站点的分类对于研究不同类型站点周边的土地利用、客流变化规律、发展趋势等都有着重要作用。文章采用聚类分析的方法,聚类的初始变量为11个与站点自身特征和站点周边环境影响因素相关的变量。使用Z-score的方法将初始变量标准化,通过主成分分析法提取出4个主要因子,最后采用k-means聚类方法,根据提取出的4个主要因子对轨道交通各站点进行类别划分。文章对苏州市轨道交通1、2号线共58个站点进行聚类,最终分为一般站点、商业区站、交通接驳站、居住区站、综合交通枢纽站共5类站点。通过站点分类,可以为分类别的站点后续研究建立基础,为站点周围区域的发展提供参考。     

基于GRU算法的轨道交通客流预测模型

轨道交通的高速发展,使得站点的客流压力加剧,拥挤问题也带来了安全隐患.为简化客流预测模型训练时间,轻量化模型,采用K-means聚类,将客流数据进行分类,归一化数据,简化数据分布.在划分训练集和测试集后,分别利用长短时记忆网络(LSTM)模型和门控循环单元(GRU)模型对数据集进行训练.在不同时间粒度下分析了模型的可行性,对比两种算法的损失函数和运行时间.实验结果表明,在预测结果的准确性相近的情况下,GRU模型比LSTM模型有更短的拟合时间,同时模型本身更加简单,有着更好的适用性.     

地铁流动性与站点商圈商业集聚规模耦合关系研究

轨道交通在城市内部产生巨量的流动性，而流动与商业之间存在密切关系．分析流动与商业集聚的关系，对未来地铁站点及附近商圈的规划具有重要意义．以广州为例，在15个地铁站点进行实地调查的基础上，通过地铁流动性的产生与转换，对地铁流动性因素进行划分．利用主成分回归，构建商业集聚的回归模型分析不同因子与商业集聚之间的关系．并进一步讨论了地铁流动因素、商业集聚的空间耦合．结果显示:（1）除站点类型、站点开通时间外，文中划分的与地铁流动性因素与站点商业集聚都存在相关关系；其中，客流与站点商业集聚相关性最强．（2）从地铁流动性因素对商业集聚影响的角度看，流动性因素主要通过2个因子（地铁客流因子、地面基础设施因子）影响站点商圈商业集聚规模．（3）地铁站点市场腹地、客流量、发展历史等共同构成了地铁客流因子，为站点商业带来客流.（4）站点街道长度、地面公交等因素构成地面基础设施因子，为客流影响站点商业提供了地面物质基础，这2个因子共同影响了地铁商业规模．构建的主成分回归模型综合考虑了各流动要素对站点商业集聚的影响，提高了拟合精度．     

基于密度的全局K-means算法的改进

针对全局K-means聚类算法和快速全局K-means聚类算法在选择下一簇的聚类中心点时,需要逐一计算数据集中每个点作为备选聚类中心点时的簇内平方误差函数,而数据集中存在很多不可能作为备选点的噪声点.为剔除噪声点,提出了一种基于高密度数的DGK-means算法,并通过UCI数据库中的4组数据集进行实验测试.验证了在聚类效果稳定的前提下,改进的DGK-means算法比全局K-means算法和快速全局K-means算法,聚类用时更短,聚类效率更高.     

基于城市轨道交通大数据的站点客流存量反演与客流去向预测

利用图论中交通/流量网络的概念对轨道交通路网进行了拓扑建模,对各个站点通过闸机进/出站客流量和通过线路到达/离开客流建立了客流守恒公式.基于该守恒公式和大数据机器学习算法对路网每个站点进出站数据进行分析和挖掘,得到了将路网客流量"分配"到每对进出站点间K条最短路径上的比率,进而建立了反演各个站点客流存量和对线路客流负载进行预测的数值算法.文章利用上海轨道交通路网数据对该反演预测算法进行了数值测试,结果与实测数据吻合,说明算法有效.     

模糊K-m eans算法在临床路径决策中的应用

针对临床路径决策分析聚类算法中聚类效果依赖于样本数据分布且处理数据效率低的问题,提出基于均衡分配方法的模糊K-means算法的临床路径决策方法.该算法利用文字数字化处理与加权计算来建立数据格式统一且关键属性突出的样本特征值矩阵;利用基于均衡分配方法的模糊K-means算法对上述样本进行聚类分析,得到最终的聚类中心与聚类结果,以此辅助医生进行临床路径决策.采用ECLIPSE编程进行仿真,与传统模糊K-means算法和基于减法聚类的FCM算法相比,采用该算法的迭代时间分别降低了26%与70%,迭代次数分别减少了33%和82%,平均目标函数最小值分别减小了32%和28%.实验表明,该算法能够有效降低聚类效果对于样本数据分布的依赖,同时数据聚类效率与质量也有显著的提高.     

两种聚类算法在网站用户细分中的比较

给出了K-means算法和层次聚类算法在具体网站用户细分中准确率的比较,在细分网站用户这一类问题中,K-means算法在聚类准确率和处理速度上具有较大的优势,能够满足网站用户细分准确率的基本要求,其聚类准确率达到95%左右,且K-means算法处理速度比较快;层次聚类算法的处理速度较K-means算法慢,且其聚类准确率在处理大量用户数据时低于92%,这对于处理网站用户数据这类信息并不具备优势.     

上海地铁8号线对城市住宅价格的时空效应定量研究

以上海地铁8号线周边二手房交易数据为样本,运用基于栅格建模的可达性分析原理计算时间成本以划定8号线影响范围,进而筛选影响住宅价格的特征变量,并应用特征价格模型分析8号线对周边住宅价格影响的时空效应.结果表明,8号线对其周边住宅价格产生正效应,距离地铁站点越近,住宅价格越高,且随着远离地铁站点,这种影响逐渐减弱.另外,8号线的开通对周边住宅价格产生明显的时间效应,导致其价格上涨,且在不同区位具有不同上涨幅度.关于划定轨道交通影响的空间范围,较之以前的凭经验判别在技术方法上进行了新的尝试,对轨道交通新线路开通影响周边房地产价格的时间性进行了探索.     

大客流冲击下北京市轨道交通网络稳定性

为了减少轨道交通站点运营不稳定现象的发生,优化轨道交通网络结构,提升网络运营效率,对大客流冲击下的轨道交通运行稳定性进行研究。以北京市轨道交通网络为例,采用L空间法构建以轨道站点为节点、相邻站点线路为连边的北京市轨道交通网络模型;仿真分析了节点度、平均路径长度、聚类系数、网络直径、网络效率等特征参数值和其分布规律。根据事件类型将站点分为功能减弱站点和功能中断站点,并分别采用客流传播模型和网络效率模型,仿真量化了不同事件类型发生背景下的网络稳定性。研究结果表明:现阶段北京市轨道交通网络具有无标度网络的特征,网络可达性较好,聚类系数较小,网络连通性有待提高;当换乘站因超大客流出现而功能减弱时,若相邻站点数S≤7时,网络中拥挤站点拥挤状态可自行消退,且相邻站点数与拥挤消退所需时间呈负相关;当换乘站出现功能中断时,网络效率值会显著降低,破坏站点的重要度系数在(0.75,1]范围时对网络效率的影响最大,在(0,0.5]范围时对网络效率的影响最小。该研究结果为及时发现轨道网络关键点及其薄弱环节,保障超大客流背景下的城市轨道交通网络安全运营提供依据,也为大客流冲击下的北京市轨道网络应急方案的制定提供决策支持。     

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.     

一种基于集成学习的分布式聚类算法

基于集成学习的思想,提出一种分布式聚类模型.该模型的分布式处理过程分为2个阶段:先在局部站点局部聚类,然后在全局站点全局聚类.局部站点的局部聚类看作是一种基于数据子集的学习过程,所有的局部聚类结果组成了聚类集成系统的个体学习器,全局聚类采用平均法对局部结果进行集成,并定义了一个准则函数来度量集成的精度.把K-means算法推广到分布式环境,提出一种基于该模型的分布式K均值算法DK-means,该算法对局部数据的分布有较强的伸缩性.实验结果表明,DK-means在同等条件下能达到集中式聚类的精度水平,是有效可行的,从而验证了基于集成学习的分布式聚类模型的有效性.     

基于K-means聚类特征消减的网络异常检测

针对基础K-means算法在KDD 99数据集中检测罕见攻击效果差且效率低下等问题,该文通过数据统计的方式对数据集中各维度与每类攻击类型的相关分析发现,罕见攻击极易被大量的常见攻击所淹没,而当常见攻击被移去时,这些威胁性更大的罕见攻击则能够被更好地识别出来。基于此,该文提出一种改进的基于K-means分层迭代的检测算法,通过有针对性的特征选择来降低K-means聚类的数据维度,经过多次属性消减的K-means聚类迭代操作可以更加精准地检测到不同异常类型的攻击。在KDD 99数据集上的实验结果表明:该算法对原基础的K-means检测算法难以检测到的罕见攻击类型U2R/R2L攻击检测率几乎达到99%左右。同时随着每次分层迭代聚类维度近50%的降低,进一步节省了约90%的异常检测时间。     

快慢车行车模式下地铁车站辐射范围研究

地铁车站辐射范围是衡量地铁对站点周边出行者吸引力和地铁交通功能的重要指标.快慢车行车模式下车站服务水平的差异可能导致其吸引力和辐射范围的差异.调研车站客流集散距离分布情况,结合折减系数确定车站辐射范围,分析不同类型车站辐射范围差异,并与全程旅行时间及不同类型车站客流量进行对比,反映快慢车行车模式对车站辐射范围的影响程度,并为改善车站集散交通系统提供理论依据.最后,以上海地铁16号线为例进行实例研究.     

基于GIS的城市轨道交通站点供需关系评价——以合肥市地铁1号线为例

在城市轨道交通运营初期,通过建立合理的评价体系,明确现状轨道交通站点供给能力和周边出行需求之间的关系,能够为处于不同营运状态的轨道交通站点周边空间及城市综合交通体系近期发展建设提供相应的建议。本文以合肥市目前已投入运营的地铁1号线为例,研究了沿线23个站点周边2 km缓冲区范围内的交通可达性,以期反映各站点的供给能力;在此基础上,建立合肥市轨道交通空间需求评价指标体系,利用GIS空间分析方法得出各站点的需求度值,结合供需平衡指数和合肥市现状调研的认知评判,分析供需矛盾产生的原因,进而对相应的站点周边空间近期发展建设提出对策和建议。     

基于自动检票系统数据挖掘的地铁刚性出行起讫点识别方法

刚性用户是地铁用户群的主要构成部分。对刚性出行起讫点的识别有助于深入了解该类型用户的出行特点,为地铁精细化管理和运营提供数据基础。针对现有起讫点挖掘方法指标较笼统、无法针对个体用户出行特征等问题,提出基于自动检票系统(automatic fare collection,AFC)数据挖掘的地铁刚性出行起讫点识别方法。首先,在分析AFC数据特点的基础上,以用户站点序列为媒介,通过用户出行的时空规律识别地铁刚性用户;其次结合刚性用户出行特点,提取刚性出行起讫点属性;最后以北京地铁为例,验证该算法的准确性,探讨北京地铁刚性需求分布。研究结果表明:该算法识别率可达到93. 5%,满足地铁运营和规划的数据要求;北京地铁刚性出行起讫点分布与现状用地属性及客流集散情况相吻合,间接证明了该算法的可靠性。     

基于K近邻模式匹配的地铁客流量短时预测

为准确预测地铁客流量,以便更好地进行车辆调度和站点管理,提出一种基于K近邻模式匹配的地铁客流量短时预测方法.通过分析地铁客流数据,发现地铁的日客流发展模式具有一定规律;针对该发现,提出一种基于误差变化率计算的自适应K值获取算法,自动获取合适的K值以提高预测算法的普适性.最后以广州火车南站地铁站为例进行实例分析,结果表明:所提出的方法同时适用于节假日与非节假日两种不同交通模式的地铁客流预测,平均预测精度在90%左右,具有较好的应用推广价值.