基于循环神经网络的城市轨道交通短时客流预测

为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法。首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时空分布规律及高峰时间段;最后,采用分别基于长短时记忆神经网络（LSTM）与门控循环单元（GRU）的短时客流预测方法,预测不同类型站点在不同时段的客流。实验结果表明：5 min为预测的最佳时间粒度,在此时间粒度下GRU模型整体性能优于LSTM模型。     

基于SSA-LSTM的城市轨道交通短时客流预测

为了减小噪声在城市轨道交通短时客流预测中的干扰,提出了 一种基于奇异谱分析(SSA)和长短时记忆网络(LSTM)模型的短时客流预测方法.该模型利用SSA对原始客流数据进行嵌入、分解、分组、重组,重新划分为趋势、周期、残差三部分,其中残差部分即视为噪声,将去噪后的两个部分作为LSTM模型的输入.并利用上海地铁1号线进出站...     

城市轨道交通车站短时客流机器学习预测方法

轨道交通具有载客量大、安全及环保等优点,已成为多数乘客的优先出行方式,是缓解城市交通压力的有效途径之一．为提高轨道系统的运行效率,实现轨道交通智慧化运营,基于机器学习算法理论,结合轨道交通车站的时间、空间及外部影响因素等客流特征,建立轻量的梯度提升机（light gradient boosting machine,LightGBM）、长短期记忆（long short-term memory,LSTM）及LightGBM-LSTM融合模型的车站短时客流预测模型,同时构建差分自回归移动平均（autoregressive integrated moving average,ARIMA）和极限梯度提升（extreme gradient boosting,XGBoost）模型作为预测实验的对照模型．以中国杭州地铁自动售票系统刷卡数据为例,选取了5种地铁车站（居住类型、工作类型、居住工作混合类型、购物类型及交通枢纽类型）和3个准确性评价指标（平均绝对误差、均方根误差及平均绝对百分误差）,量化评价不同模型的预测准确性．结果表明,基于多特征的机器学习模型可以较好预测地铁车站短时客流,弥补了传统时间序列...     

雨雪天气下轨道交通客流预测模型

为了完善雨雪天气下轨道交通客流预测模型,对哈尔滨市地铁1号线2017年12月份至2019年1月份的全线客流数据进行研究,引入客流基准值和客流偏差率的指标来量化轨道交通客流波动情况,研究雨雪天气下轨道交通客流波动规律,提出一种基于雨雪天气下轨道交通客流时空波动规律的短时客流预测模型WI-LSTM,以平均绝对误差(MAE)、均方根误差(RMSE)以及平均相对误差(MRE)作为预测模型的评价指标,与经典的SARIMA预测模型、支持向量回归(SVR)预测模型和未考虑雨雪天气的LSTM预测模型进行了对比。结果表明：考虑雨雪天气的WI-LSTM预测模型可以充分利用雨雪天气轨道交通客流波动规律,相比其他3种预测模型具有更高的准确性和可靠性。WI-LSTM预测模型进一步提升了雨雪天气下轨道交通客流预测精度,可为轨道交通企业运营管理提供数据支撑。     

城市轨道交通大型换乘站客流组织优化方案设计

针对目前客流量大、客流状况复杂的大型换乘站,分析了其客流的组织特点,研究了客流组织的优化方法,选取了客流组织优化方案评价指标。以某市大型三线换乘站为案例,通过分析其客流组织现状的不足,提出了一套适用的流线组织优化方案,研究了考虑进出站客流的换乘流线组织过程。最后通过灰色定权评价法评估优化前后的组织方案,量化论证了优化方案的可行性。实践表明,优化后的组织方法更符合实际需求,并可作为同类换乘站客流组织优化的参考。     

基于云遗传算法优化BP神经网络的轨道客流预测

城市轨道交通客流预测是线路规划和运营组织的基础,为提高客流预测的准确度,提出了基于云遗传算法优化BP神经网络的轨道客流预测模型.首先利用云模型云滴的随机性和稳定倾向性改进传统遗传算法中固定设置交叉和变异率的方式,克服了标准遗传算法搜索速度慢及容易早熟的缺陷;再通过改进后的遗传算法来优化BP神经网络的初始权值和阈值;最后...     

基于MGWR模型的轨道站点客流时空影响因素研究——以西安地铁1—6号线为例

为探究轨道站点客流时空分布差异及影响因素,以西安市地铁1—6号线为例,结合多源数据构建混合地理加权回归(MGWR)模型,定量分析建成环境及用地特征、交通接驳设施及站点自身属性因素对高峰时段进出站客流的影响.结果表明：西安市轨道站点客流存在显著的空间相关性,同最小二乘(OLS)模型相比,MGWR模型拟合优度更高,能够精确刻画客流与各因素的时空影响关系;公交线路数、居住用地面积、商业用地面积是轨道站点客流的显著影响因素,受高峰时段和出行行为的影响,不同变量的回归系数存在明显差异;各影响因素对客流的影响效果呈现不同程度的空间差异,对未来轨道交通周边规划设计提供参考.     

北京轨道交通13号线站点客流特征分析

当前国内许多城市都在规划或者建设轨道交通,城市轨道交通线的客流资料和客流特征则是轨道规划设计的基础数据和重要参考依据,通过北京地铁轨道13号线客流调查数据及相关的问卷调查获得的基础数据分析,总结13号线的数据特征和成长规律,为提高13号线的交通接驳效率、运输效率提供参考依据,也为未来北京地铁的站点建设和交通线路的规划提供参考。     

基于时间序列和神经网络的电力系统负荷预测

针对采用时间序列对电力系统负荷进行预测时，无法考虑温度变化等因素的影响，利用神经网络的非线性拟合能力，提出了一种基于时间序列和神经网络组合的电力系统负荷预测方法。在时间序列法中，通过大量的历史数据随机序列对负荷进行预测，对于其结果再通过神经网络进行修正，算例表明所提方法是可行而有效的。     

基于量子神经网络的公交客运量预测

为了对公交线路客运量进行有效预测,以便制定线路运营计划、合理规划运营线路和优化公交运营调度,通过分析公交客运量数据特性,提出一种基于量子神经网络的公交客运量预测模型,并在训练过程中动态调整量子间隔,以响应公交客流数据的强随机性。实验结果表明,该预测模型能够较好地适应公交客运数据的特性,相对误差低于10%,且预测精度较BP神经网络有显著提高。     

基于Legion的城市轨道交通车站客流组织仿真与评价

微观仿真技术是轨道交通车站客流组织优化的有力手段.通过分析、对比国内外行人仿真模型及软件的发展历程和优缺点,选取Legion软件作为仿真平台,以北京地铁呼家楼站作为实例,对客流组织进行仿真研究.针对现阶段车站客流需求和存在的问题,提出改进方案并建立仿真模型,利用平均客流密度和设施服务水平等指标对方案进行评价,归纳得出适用于一般轨道交通车站客流组织的经验,最后指出基于仿真手段进行车站客流组织优化及评价的发展方向.     

数据驱动的城镇智慧水务日用水量预测算法

针对国内某中小型自来水公司的实际供水情况,通过对比相关系数分析了天气等因素对日供水量的影响,确定了日用水量预测所需的输入参数;比较了3种用传统基于大数据的水量预测方法在该自来水公司中应用的性能,针对用传统方法预测误差较大的问题,提出引入前一日用水量和前8 h的用水量作为影响因素的改进方法.将所提方法在该自来水公司的信息系统中进行了实际测试,验证了所提算法的有效性.根据算法性能和实现复杂度,给出了适用于城镇水务的水量预测算法和算法执行形式,能够帮助水务企业提高水量预测精度,有效提升水资源的利用率.     

公交IC卡数据客流预测模型研究

为解决我国大城市工作上下班高峰期公交线路客流不均衡的问题,提出以公交路线一卡通数据为研究对象,综合考虑天气类型、温度和风力多个因素对客流的影响,利用多元线性回归模型建立公交工作日高峰期各时间段客流模型. 最后通过一卡通大数据对模型进行了验证,证明多元线性回归模型能够准确且快速地预测高峰时间段的客流量,实现了通过公交线路客流预测缓解城市工作日高峰期出行拥堵的问题.     

轨道交通客流预测方法研究

本文以宁波城市快速轨道交通线网规划为例,介绍了宁波轨道交通客流预测所采用的技术手段,总结出了一种基于四阶段法改进的双重分配的轨道客流预测方法。     

基于运营组织的城市群轨道客流预测法

为了提高城市群轨道交通客流预测“四阶段法”的精度,在分析城市群轨道交通客流特点的基础上,将轨道交通客流预测方法分为独立线网分配预测法和综合线网分配预测法,分析了两种预测方法的预测模式及优缺点,对基于方式划分-交通分配的联合分配的综合线网分配预测法进行改进研究,提出了基于运营组织的城市群轨道客流预测方法,阐述了预测过程及其在TransCAD软件中的具体实现方法。改进方法以城市和城际公共交通网络组成交通分配的综合基础网络,从运营组织层面考虑公共交通方式之间的合作与竞争,得到竞争后稳态的轨道交通客流,预测结果更加合理,最适合城市群的轨道交通和快速公交系统(BRT)的客流预测。     

上海地铁周客流量的数值分析与预测

构建周客流日均量的回归模型,测算上海地铁周客流日均量趋势值,并估测重大节假日前客流量的可能范围.经实证检验,系统实际客流量预测误差为2%左右.该方法关注节日前夕最大客流量达到的量,而忽略到达的具体时间.     

电子膨胀阀制冷剂质量流量系数神经网络特性关联研究

在自搭建的液环法节流机构流量特性试验台上,采用R22制冷剂,试验研究节流阀开度(流通面积)、节流前后压差、入口密度、入口过冷度、出口比容、干度以及阀头半锥角和径向间隙对电子膨胀阀制冷剂流量系数的影响;利用Levenberg-Marquart(LM)方法训练BP网络,得到了各影响因素与流量系数的量化关联网络,并进行了试验验证。结果表明,得出的关联网络误差较小,介于±11.0%之间。