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.     

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。     

太原市轨道一号线站间OD及沿线区段空间分布研究

客流预测是轨道交通网络规划的一个重要组成部分,结合轨道交通客流预测结果,基于重力模型,可以分析得到轨道线路上沿线各站点间OD分布,在此基础上,将轨道沿线按土地利用进行区段划分,可以得到轨道沿线各区段的空间分布。站间OD分布与沿线区段空间分布结果可以很好地反应出轨道沿线各站点及各区段用地的人口出行特性,结合轨道线路沿线土地利用规划,可以实现客流预测与土地利用的互动反馈。本文以太原市轨道一号线为例,对其站间OD分布及沿线区段空间分布进行研究。     

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。     

CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法

客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络（Bidirectional Long Short-Term Memory, BiLSTM）预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise, CEEMDAN）提升客流观测数据的平稳性,用粒子群算法（Particle Swarm Optimization,PSO）优化BiLSTM隐藏层神经元个数、学习率与训练次数;基于Theano和Tensorflow深度学习库Keras,构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM,用均方根误差与平均绝对误差进行预测精度检验,并在浙江省海宁市2个公交站点进行了应用.研究结果表明：客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下...     

城市轨道交通车站客流特征影响程度分析

城市轨道交通车站客流特征与其周边建成环境和社会经济因素密切相关，且不同影响因素对客流特征的影响也存在时间和空间异质性。以车站工作日日均客流量、工作日特殊时段(如早高峰进站、早高峰出站、晚高峰进站和晚高峰出站)客流量为因变量，从车站属性、连接性和建成环境3个方面选择23个自变量，采用多尺度地理加权回归(MGWR)模型构建客流特征分析模型，分析不同时间尺度下轨道交通车站客流量的影响因素及其相互作用，并以南京市轨道交通系统进行实例分析。结果表明：与普通最小二乘法(OLS)回归模型和地理加权回归(GWR)模型相比，MGWR模型更为可靠；忽略早晚高峰客流影响的全天客流量预测模型拥有的显著自变量最多，到市中心的距离对客流量有显著的负影响，证明距离市中心越近的车站的客流量集聚性越明显；周边居住、生活类设施占比较高的车站对早高峰进站和晚高峰出站客流有很强的吸引作用，而周边居住、生活类设施占比不高的车站对早高峰出站和晚高峰进站客流有很强的吸引作用。研究结果可以为城市规划部门促进城市轨道交通与城市建设的协同发展提供理论支撑。     

基于旅客类别的列车服务网络客流分配

针对列车服务网络客流分配模型复杂、求解困难的特点,采用旅客类别划分的简化策略,以旅客主体特性为分析参数,运用近邻传播算法对其进行聚类。在此基础上,构造列车开行方案形成的服务网络,提出不同类别旅客乘车方案弧段阻抗的计算方法,建立基于类别划分的旅客乘车方案概率选择模型,并设计相应的网络流量加载算法。以宝成线为实例,根据客流调查结果,进行旅客类别聚类划分与流量加载验证。研究结果表明:将铁路出行旅客划分为6个类别时,具有最好的聚类效果;在此基础上客流分配准确率在80%以上。基于旅客类别划分的流量分配方法能够得到准确的流量分配结果,从而为列车开行方案的调整提供合理依据。     

轨道站出入口客流分布系数估计方法

将轨道车站出入口客流分布系数的预测问题转化为对站点周边路网中行人活动分布比例关系的研究,采用空间句法轴线图模型的道路R3集成度建立预测轨道站出入口客流分布系数的方法.为了避免其他因素对轴线模型估算轨道车站出入口客流分布系数产生影响,选取上海8个郊区轨道车站24个出入口进行方法有效性验证分析,同时评价该方法的精度性和局限性.     

基于Bi-LSTM网络的广珠城际短期客流预测方法

为提高城际铁路车站短时客流量预测的准确性,本文设计了一种基于双向长短期记忆网络(Bi-LSTM)的预测模型.首先分析了广珠城际铁路车站日客流量的时间分布规律,发现各车站日客流量存在着相似的分布特征,但工作日、周末和节假日客流量呈现出较大差异.以广州南站、珠海站以及小榄站3个车站的进站客流为例,选择时间窗步长为2和4分别...     

城市建成区轨道站公交换乘设施规划方法

基于城市建成区大量轨道站点客流换乘特征调查数据,对轨道站公交换乘客流比例、客流空间分布、公交客流吸引范围进行分析,依托轨道网络提出轨道站点公交线路优化规划方法,给出轨道站点出入口始发公交线路、途经公交线路的公交换乘设施用地估算方法.     

上海郊区轨道站客流与站域出行活力匹配性研究

依据手机信令数据构建站域活力指标对站域人群出行强度与范围进行测度,针对站域活力与站点客流量的匹配差异性,利用象限法将上海郊区77个轨道站分为3类,即高活力高客流、高活力低客流、低活力低客流,分别占比38%、18%、44%。结合站域开发强度、轨道自身性质等多维属性构建多分类Logit模型,结果表明,相对于高活力高客流站点,高活力低客流站点主要分布于未直接穿越城市主城区的线路上,更需要提高轨道竞争力及地面公交与轨道的接驳水平、降低站域人群对小汽车的依赖度来提高客流;低活力低客流站点,主要分布于开发密度低的远郊,加强站域开发水平是提高站域活力与客流的关键。研究结果为超大和特大城市郊区轨道站点客流与站域活力两者协同发展机理提供参考。     

基于K-means划分区域的深度学习空气质量预报

针对监测范围内空间相关性较强的监测站点数量难以确定这一问题,提出基于K-means聚类算法对各空气质量监测站点进行区域划分的方法.以南通市为例,在选择目标区域内历史污染物数据的基础上,结合该区域的气象数据,利用由卷积神经网络(convolutional neural network,CNN)和长短时记忆网络(long ...     

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.     

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.     

城市轨道车站设施的进站服务水平评价分析

通过对乘客的问询调查,从乘客感知角度出发,对各单个设施因素和进站总体服务水平进行评价,采用线性回归模型建立进站总体服务水平与各单个设施因素服务水平之间的数学关系,明确主要影响设施及其影响程度;而对莘庄轨道车站进站客流的问卷数据分析表明:换乘衔接设施、站外步行环境、轨道站台、验票匝机和总步行距离为对该车站进站服务水平显著影响的5个因素,影响程度依次为0.205,0.196,0.196,0.140,0.126,与实际情况相符,证明模型具有很好的适用性,且模型可操作性强,为轨道车站服务水平的评价提供了一种很好的方法.     

基于快速公交系统不同配置的潜在客流分析

为了研究不同供给条件下快速公交系统的客流规模差异,从系统配置角度出发,借助网络交通平衡分配原理,建立了基于变分不等式的潜在客流预测模型.利用路段运行时间、场站停留时间和站点驻留时间反映不同的系统配置.为求解方便,将系统配置吸引的潜在客流转化为网络中的潜在交通量进行计算.求解时,将变分不等式模型转化为随机用户均衡模型求解部分变量,再采用相似对角化方法求解变分不等式中的弹性发车频率,通过弹性发车频率与流量间的关系最终得到网络的潜在交通量.算例比较了快速公交系统各级配置吸引潜在客流的大小.数值仿真结果表明,各级配置吸引的客流差异较大,且在公交的客流预测中占有较大比重.     

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。