上海市四个主要境外旅游客源市场的灰色预测模型

通过对上海市主要境外旅游客源市场游客数量的分析 ,根据客流量与时间的关系 ,利用灰色系统理论建立了GM( 1 ,1 )灰色预测模型 ,其研究模型不仅与实际客流量相吻合 ,还可以对未来几年客流量进行预测     

上海市四个主要境外旅游客源市场的灰色预测模型

通过对上海市主要境外旅游客源市场游客数量的分析,根据客流量与时间的关系,利用灰色系统理论建立了ＧＭ（１,１）灰色预测模型,其研究模型不仅与实际客流量相吻合,还可以对未来几年客流量进行预测。     

深圳市境外游客市场的灰色预测模型

通过对深圳市境外游客数量的分析,根据客流量与时间的关系,利用灰色系统理论建立 Ｇ Ｍ（１,１）灰色预测模型,其研究模型不仅与实际客流量相吻合,还可对未来几年客流量进行预测。     

基于灰色预测模型的重庆市入境旅游客流量预测

灰色预测模型在研究入境旅游客流量预测上有很高的精度.依据灰色预测模型的建模过程和模型精度检验的方法,对重庆市1997—2007年的入境旅游客流量进行分析,选取2004—2007年的入境旅游客流量作为原始数据,建立了重庆市入境旅游客流量和时间的数列预测GM(1,1)模型,经检验该模型预测精度可靠.依据该模型,计算出了2008—2012年重庆市的入境旅游客流量,预计2008—2012年重庆市入境旅游客流量会继续迅速上升,有望在2009年突破100万人次.     

上海市日本游客客流量的灰色预测模型

通过对上海市境外旅游客源市场游客数量的分析,得出日本为上海最大的境外旅游客源国。根据客流量与时间的关系,利用灰色系统理论建立ＧＭ（１,１）灰色预测动态模型,其研究模型不仅与实际客流量相吻合,还可较精确地给出短期甚至中的预报结果,以便于未来几年客流量进行预测。     

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。     

基于图卷积循环神经网络的城市轨道客流预测

客流预测对于城市轨道交通运行组织和管理具有重要的意义.本文中组合图卷积网络和循环神经网络构建图卷积循环神经网络GCGRU模型,借助图卷积网络学习城市轨道网络的复杂拓扑结构,进而捕捉空间关联特征,通过循环神经网络变体门控循环单元学习多特征客流量的趋势变化规律从而捕捉时间特征.利用上海市1年的全网地铁断面客流量展开研究,并...     

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。     

武汉市旅游舒适度评价及客流量预测方法研究

利用近30 a气候资料,对武汉市旅游气候舒适性进行了评价,划分了旅游活动的适宜性等级和时段分布;结合近5 a旅游客流量的年内变化,计算了客流量月指数并划分了旅游活动的淡旺季;在对气候舒适度与若干虚拟因子数值化的基础上,采用OLS方法建立了客流量月指数与气候舒适度关系,结果显示：旅游景点的客流量与气候舒适度密切相关,综合考虑武汉市最佳旅游时间应为每年的4月、5月及10月.此外客流量还受到假期(如暑期、“十一”黄金周及春节)的影响;气候舒适度指数每变化一个单位,客流量月指数变化(增加或减少)1.016%,该模型能基本反映气候舒适指数与客流量月指数变化的关系.本项研究能为武汉市客流量年内变化预测、旅游开发等提供科学依据.     

城市轨道交通的客流预测模型研究

在研究城市当前客流量特点和规模的基础上,进行城市客流量预l测是十分必要的。首先介绍影响客流发展的因素．然后研究已调查过交通情况时的客流预测情况,得出出行生成模型、出行分布模型、交通量吸引模型和交通量分配模型。通过客流量的预测,为准确或正确决策提供科学依据和前提。     

基于ARMA模型的城市轨道交通客流量预测

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,是城市轨道交通建设过程的重要组成部分.在对天津地铁一号线日客流量变化的规律进行分析的基础上,采用自回归滑动平均时间序列(ARMA)模型对客流量进行预测.结果表明,与实际数据相比,模型具有较小的预测相对误差,取得了较好的预测效果.     

基于时间序列的铁路客流量预测及票额优化配置

铁路客流量受多因素影响,其时序特征明显,因此,基于平稳时间序列构建客流数据预测模型及单车次多区间票额分配模型,有利于掌握客流动态变化,改善铁路运营压力。实现特征数据抽取系统开发,进行累加、循环、筛选算法等数据预处理;运用多因子方差分析评价多种因素的显著相关性影响,通过ARMA模型进行短时旅客客流量预测,进行模型优化并检验,同时,基于线性规划构建客座率最大化的区间票额分配优化模型。     

基于不同时间粒度的城市轨道交通短时客流预测

为探究城市轨道交通进站客流量预测精度与时间粒度之间的关系,以西安地铁自动售检票(AFC)系统连续50 d进站客流量数据为研究依据,将地铁运营有效时间划分为5、15、30 min,1、2 h及1 d等不同时间粒度,并对不同时间粒度下客流量时间序列采用Pearson系数法进行相似性度量,然后利用差分整合移动平均自回归(ARIMA)模型对不同时间粒度下的全网进站量进行拟合。以Pearson系数等于0.95作为短时客流预测时间粒度的选取阈值,最终选取在30、60 min及1 d三种时间粒度下用ARIMA模型进行短时客流预测,并与自回归滑动平均(AR)模型、支持向量回归(SVR)模型和BP神经网络预测模型的预测结果进行比较分析。研究结果表明:时间粒度相关性系数变化呈现单波峰形态,在30、60 min及1 d时间粒度下,ARIMA模型预测结果平均相对误差分别为4.12%、3.54%、4.97%;在这4种模型中,ARIMA模型平均预测精度最高,在不同时间粒度下这4种模型的预测误差呈现相同的变化趋势,即平均预测误差由大到小的3种时间粒度分别为1 d,30、60 min。因此,时间粒度大小选取的极端化并不会带来短时客流预测效果的直接提升,优化后的时间序列模型在西安地铁全网进站客流量短期预测方面具有较高的精度,研究成果可为城市轨道交通行车组织优化提供技术支持。     

深圳市境外游客市场的动态预测模型分析

通过对深圳市境外游客数量的分析,发现除个别年份以外,整个时间序列总体呈增长趋势。根据客流量与时间的关系,利用灰色系统理论建立深圳市境外客市场的ＧＭ（１,１）动态灰色预测模型,该模型经过检验,不仅与实际客流量相吻合,还可较精确地给出短期甚至中期的预报结果,以便对未来几年客流量进行预测。     

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.     

基于自主特征中国省际国内旅游预测模型构建

提出了基于自主特征的中国省际国内旅游预测模型,选取景点资源丰度、区域人口规模、人均GDP、城市化及受教育水平、交通网密度五个因素,以2002年和2004年中国大陆31个省区的统计数据为依据,建立了具有指数相乘结构的国内客流量预测模型,分析了各因素的弹性及边际贡献.将回归结果与统计值进行比较,确定了有关参数的时间变化规律和北京、上海、广东三个省区的偏离系数,用建立的模型对2005年31个省区国内客流量进行了预测,在95%的置信度水平下,模型预测相关性强、相对误差小.该研究可为中国省际国内旅游快速批量预测提供新的方法.     

基于双变量空间自相关的轨道与地面公交换乘服务水平分析：以北京市早高峰为例

轨道站点换乘服务水平分析有利于制定缩短换乘时间的规划策略和方案,而现有研究缺少利用公交IC卡的数据进行轨道交通站点换乘服务水平的分析﹒本文基于北京市公交IC卡的数据,对其轨道站点早高峰进出站客流量、轨道和地面公交线路间的平均换乘时间进行统计,并分别进行轨道站点进站客流量与公交换乘地铁的平均换乘时间、轨道站点出站客流量与地铁换乘公交的平均换乘时间的双变量空间自相关分析,以此探究轨道站点客流量与换乘时间之间的空间集聚关系,并将高-高、低-高集聚特征站点作为换乘服务水平较差站点﹒结果表明：公交-地铁换乘服务水平较差的站点有28个,地铁-公交换乘服务水平较差的站点有24个﹒最后,以国贸站为例,分析了其换乘服务水平差的主要原因,并提出了其地面公交运营的改善策略.     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络(DBN-APSOBP)组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的APSO去优化BP神经网络——APSO-BP的组合预测模型,用DBN模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。     

基于改进BP神经网络的公路旅游客流量预测

针对如何精确预测公路旅游客流量这一问题,论述了公路旅游客流量研究背景,对包括神经网络模型在内的几类模型进行了分析,说明神经网络预测模型运用在公路旅游客流量预测中的优势.以实证分析为背景,论述了改进BP神经网络在公路旅游客流量预测中的应用,并深入研究了实际运用中输入/输出向量的选择、数据预处理方法、隐层神经元数目选择、训练函数选择等实际问题,对预测结果和实际值进行了比较和分析论述,得到一个适合的BP网络.最后对几种预测方法的预测结果进行比较,说明了BP神经网络在公路旅游客流量预测的合理性与可行性.     

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...