快速公交客流预测方法研究与应用

客流预测是交通项目建设、规划、决策的主要依据,起着非常重要的作用。文章明确了快速公交客流预测的要点、内容和原则,考虑到规划期城市规模、空间结构、出行特征等的变化以及城市的地形特征,探讨选择了一套适合河谷型带状城市地形特点的“四阶段法”客流预测模型,并应用于兰州市快速公交建设项目规划得出客流预测结果。     

长沙县公交规划客流预测与TransCAD应用

介绍了长沙县公交规划客流预测的方法,并以此项目为依托,阐述了TransCAD软件在公交规划中的应用步骤。     

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。     

快速公交客流量预测研究——以宜昌市东山大道为例

文章以四阶段法为总体思路,吸收双层规划思想,提出快速公交客流双层预测模型,对宜昌市东山大道BRT客流进行了预测.先将快速公交线路纳入整体公交路网,在预测得到对应客流后,根据BRT的服务水平和票价情况,将东山大道BRT划为6种服务水平场景,分配得到不同场景下快速公交的客流量,并与其他方式分担率进行比较,为分析BRT实施及其今后的效果提供依据.     

城市轨道交通线路与站点规划理论研究

交通方式划分与路网分配理论与算法进行研究,是对轨道交通线网规划过程中进行客流预测的理论支撑。本文分析了影响城市轨道交通线网总体规模的因素,建立了各影响因素的多级递阶结构模型和计算城市轨道交通线网总体规模的数学模型。在客流数据资料不完善的前提下,依据城市轨道交通线路定位原则,以沿线站点人口覆盖量最大、线路建设总费用最小为目标,提出了城市轨道交通线网三阶段规划法,该方法避免进行客流预测带来过大人力、物力的花费。建立了基于乘客出行时间最短的最优平均站距模型、车站选取的覆盖量模型与费用效益模型。     

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.     

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。     

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。     

城市轨道交通短期客流预测研究进展

为了全面了解城市轨道交通短期客流预测现有的研究进展,结合国内外相关的研究,梳理了近年来的研究状况,归纳了城市轨道交通短期客流预测的研究焦点并分类进行了讨论.重点从客流分析、预测方法、不同情况下预测方法和时间粒度选择3个方面总结归纳现有研究成果.研究结果表明:在客流分析方面,大多采用出行方式链、聚类分析等方法定量分析客流...     

基于K近邻非参数回归的短时公交客流预测

由于公交车客流数据的复杂性和随机性,传统的数学模型很难预测其客流特性,因此本文提出了一种K近邻非参数回归的方法进行短时公交客流预测。最后结合实例表明,该方法预测出来的短时客流数与实际客流数有较好的拟合度。     

城市轨道交通客流预测分析

随着城市化进程的加快,建设大运量、高速、方便的城市轨道交通已成为当今城市交通发展的必然。城市轨道交通是一个城市最大的基础设施之一,是一个涉及面很广、综合性很强的系统工程,城市轨道交通的客流预测工作是前期研究工作的关键。结合贵阳市城市轨道交通客流预测工作的实际,运用四阶段法对贵阳市城市轨道交通1号线客流进行了测试,通过预测线路的断面流量、客运量、负荷强度等,为城市轨道交通建设提供重要的量化指标,对轨道交通项目的科学决策具有重要意义。     

广州地铁2010年客流预测与运能规划的分析与研究

为配合广州城市发展的需要,结合2010年第16届亚运会的举办,本文主要以广州地铁2010年预测客流为基础,考虑2010年车辆供应及设备功能实现情况．分析了广州地铁2010年的运能规划,以妥善解决届时产生的突发客流,满足2010年开通运营的230公里的线网发展需要。     

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。     

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。     

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3种模型的航线客流预测仿真

准确地预测航线的客流量,对于航空公司的运力安排、航线调整、规划发展都有着重要的作用.针对民航客流量预测具有诸多不确定性和数据不足的特点,基于某航空公司2010年—2017年北京—三亚航线每天的客流数据,运用了随机森林预测模型、支持向量机回归模型、神经网络模型对航线数据进行了数据拟合.经验证,3个模型的平均绝对误差分别为4. 18%、6. 87%、12. 38%,其中,随机森林预测模型精度最高,效果最佳,可以用于客流预测仿真.     

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。     

天津至保定铁路城际客流预测

基于对天津至保定铁路有关客运功能的定位与客流特征的分析,提出将津保铁路所在区域的客流通道进行整体研究的基本思想以及基于变化后的四阶段的客流预测技术路线。通过对津保铁路趋势、转移和诱增客流的预测,获得了城际线路的段面密度、通道公铁分担率以及全日客运量、平均运距和高峰小时最大断面流量等客流预测指标。     

快速大容量客运系统客流预测模式研究

阐述了客流预测中的宏观控制与微观竞争的机理，并提出了一种新的客流预测模式——“宏观控制，微观竞争”     

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.