基于神经网络的城市轨道交通短期客流预测研究

该文结合神经网络来研究城市轨道交通中短期客流预测问题。设计出了基于自回归神经网络的轨道交通客流预测模型、模型描述及其模型训练算法。通过matlab仿真实验来验证预测模型的性能,优于将最小二乘支持向量机与离散一维Daub4小波分析结合起来预测效果。     

城市轨道交通客流预测算法设计与仿真

为了更好地解决城市轨道交通的客流预测问题,提出了基于混合神经网络与卡尔曼滤波器的客流预测多层次模型。首先采用ELAN神经网络实现客流量的初步预测;然后采用卡尔曼滤波器对神经网络预测结果进行修正,以进一步提高预测结果精度;最后为了验证模型的正确性,以上海地铁交通作为研究对象,进行了客流观测和预测模拟。实验结果表明,所提出的多层次模型比单纯其中一种算法能减少约0.8%的误差,并且具有更好的实际效果。     

基于时空图卷积网络的机场地铁短时客流预测

机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键。考虑到机场复杂的空间结构与航班波动的影响，建立基于图卷积神经网络（GCN）和组合门控卷积（GLU）的机场地铁短时客流预测模型。通过图卷积神经网络融合机场空间路径点与地铁口的空间结构关系，同时，设计一种组合门控卷积模块挖掘航班波动下地铁客流的时变特征，有效地捕捉地铁客流的波动性。基于首都机场T3航站楼真实客流数据对模型的有效性进行检验，经多次实验结果表明，提出的时空图卷积短时客流预测模型在均方根误差、平均绝对误差和平均绝对百分比误差均小于传统ARIMA预测模型与深度学习中LSTM、STGCN模型，该模型能捕捉地铁客流与航班客流的波动变化关系，具有较高的预测精度，提高了模型预测的鲁棒性。     

基于卷积长短时记忆神经网络的城市轨道交通短时客流预测

我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,并且相邻站点客流之间存在空间联系.对此,充分考虑以上城轨短时客流的时空特征,基于卷积长短时记忆神经网络(ConvLSTM)与自适应k-means聚类算法,提出城轨短时客流预测的深度学习模型k-ConvLSTM,并通过实验对模型关键参数进行寻优;同时,基于深圳市地铁IC卡的真实客流数据对模型的有效性进行检验.结果表明,k-ConvLSTM在均方根误差、绝对误差均值、绝对误差百分比方面,均优于仅考虑时空特征的深度学习模型-----卷积网络(CNN)与长短时记忆网络(LSTM)的并行混合模型和ConvLSTM内嵌式网络模型,仅考虑时间特征的深度学习模型-----LSTM网络和双向长短时记忆网络(Bi-LSTM),以及浅层机器学习模型-----BP神经网络和支持向量回归模型(SVR).     

数据挖掘在铁路客流分析预测中的应用①

应用数据仓库和数据挖掘技术,以铁路客票发售和预订系统为研究主体,将有效的数据挖掘技术应用于铁路客流分析,采用神经网络思想,建立了一个基于BP神经网络模型的客流分析预测模型,为客运部门合理安排运能、科学组织管理提供了准确的决策信息和先进的预测手段。     

基于深度学习的城市轨道客流预测实训基地培训系统设计与实现

为进行城市轨道客流量的科学预测,设计实现了实训基地培训系统,在系统中分别构建BP(Back Propagation)神经网络模型与DBN(Deep Belief Network)深度置信网络模型来进行城市轨道客流量数据的收集与整理。针对城市轨道交通车流量短时间快速增长的问题,在系统中建立实时数据分析处理模块,结合深度置信网络,使用算法对轨道客流进行实时准确的预测。将采集到的大量数据通过系统的数据处理模块进行分析验证,数据分析结果显示：在深度置信网络模型中,轨道交通各节点平均均方根误差相比BP神经网络模型大约减少了0.01475,每批次任务实时计算时间平均为3.5s,系统预测实时性较好,准确率较高,有很好的预测效果,可以合理地规划城市轨道交通线路,有效提高了城市轨道的交通利用率。     

基于时空注意力机制的加油站级客流量预测

加油站是重要的能源供给单位,对加油站站点的下一时段客流量进行精准预测,可为相关资源的调度与分配提供决策支撑。针对加油站级客流量预测问题,结合加油站客流数据的时空特征,提出一种基于注意力机制的时空网络模型。以路网结构建模的站级客流数据为输入,结合卷积神经网络、长短期记忆网络与注意力机制,解决站点间的空间依赖、短期与长期时序依赖以及长期时序依赖中的时间漂移问题,精准预测下一时段的站级客流量。在真实数据集上的实验结果表明,与历史平均模型、长短期记忆网络模型和双向长短期记忆网络模型等基线模型相比,该模型在均方误差（RMSE）、平均绝对误差与平均绝对百分比误差上均有所提升,其中RMSE提升22.89%。     

多尺度时序特征融合的地铁短时客流预测方法

面向城市地铁进出站客流数据,本文提出了一种融合多尺度时序特征的地铁短时客流预测方法。首先,通过数据分析,构建地铁客流的长期周期性和短期波动性等多尺度时序特征融合机制。其次,提出地铁短时客流预测方法模型来有效提高客流预测精度,既利用了长期预测模型捕捉客流的长期周期性规律,又融合了短期预测模型获取客流的短期波动性趋势。最后,在2020年9月厦门地铁53个站点的客流数据上验证模型的有效性。实验结果表明,与LSTM、GRU等基线方法相比,本文提出的方法在地铁客流预测任务上具有预测精度更高、收敛速率更快等优势。     

基于模糊神经网络的公交客流时段预测

公交线路由一系列站点组成,线路客流的形成和变化是各站点共同作用的结果.本文通过相似性分析找到站点客流实时分布与线路客流实时分布之间的相关性,找出影响线路客流分布的关键站点,对这些关键站点的实段分布数据运用模糊神经网络技术预测线路客流的短时分布规律.该方法在广州公交客流数据调研的基础上加以验证,结果表明这种预测方法能够有效的对公交线路客流分布进行短时预测,预测结果满足精度要求.     

基于EEMD与神经网络的城市轨道交通客流自动预测模型

针对现有城市轨道交通客流自动预测模型存在的预测精度较低、预测时间较长的问题,提出基于EEMD经验模态分解与神经网络的城市轨道交通客流自动预测模型.构建城市轨道交通客流预测的统计分析模型,采用模糊约束特征参数估计和自适应信息跟踪识别的方法实现对城市轨道交通客流特征挖掘,提取城市轨道交通客流的空间状态分布特征量,采用EEM...     

基于改进ARIMA模型的城市轨道交通短时客流预测研究

城市轨道交通的精准短时客流预测可以很好地缓解城市交通拥堵,给城市居民带来更快速、更优质的出行服务.通常短时客流预测的客流量数据规律性较弱、随机误差干扰较强,ARIMA(Autoregressive Integrated Moving Average)模型能对因变量产生的推迟量、产生随机误差的滞后值及当前值进行预测.为验...     

轨道交通车站乘客集散系统Anylogic仿真优化

为了研究地铁轨道交通车站站台乘客行为的特殊性对地铁轨道交通车站设施设备布局的影响,本文运用基于社会力模型算法的Anylogic动态仿真软件构建了面向复杂交织乘客行人流的地铁轨道交通站台场景模型。以某市地铁轨道交通车站为例对该模型进行了校核与验证,针对地铁车站内的设施设备布局的缺陷提出了优化改进措施。实证研究表明:优化后的地铁轨道交通站台场景模型,能够科学合理地阐述客流组织与地铁轨道交通之间的动态关系,同时对其他地铁轨道交通车站的规划设计与运营具有重要的借鉴与指导意义。     

基于宁波城乡结合部的轨道交通接驳常规公交线网优化研究

为提高大都市城乡结合部道路网的交通运行效率,选取宁波市城乡结合部区域,针对轨道交通节点与常规公交的自适应接驳问题,考虑到公交线网的日均满载率、线路的客运能力、线网的重复性、客流负载率等约束条件,运用ARCGIS软件强大存储与计算能力、良好的线网叠加能力以及优化网络拓扑节点不间断的客流检测分析,并基于宁波市城乡结合部交通规划建设背景,探索宁波市城乡结合部轨道交通与公交线网协调优化关系以及两者的接驳形态。综合运用可达性方法、最短线路标记法等,研究宁波市城乡结合部交通线网在站点、线网运营等方面的协调优化机制;并进一步对宁波市城乡结合部公交线网接驳轨道交通网优化结果进行可视化。实验证明优化后的宁波市城乡结合部交通线网优于现行的策略方案。本研究模型调度策略能够为宁波市城乡结合部的交通管制部门提供可靠的公交线网优化方案,并为其他城市的城乡结合部制定正确的交通调控政策提供科学依据。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于栈式自编码的上海地铁短时流量预测

城市公共交通网每时每刻都承载巨大的客流量,客流量的增多为公共交通网和交通智能调度带来了巨大的压力。地铁站点短时的客流预测是智能地铁调度系统中重要的决策基础与技术支持。利用历史刷卡数据,提出了一种基于深度学习的地铁短时客流量预测方法,基于栈式自编码器构建深度神经网络模型,采用自下而上逐层非监督预训练,在预训练结束之后,采用反向传播BP算法自上而下来微调整个网络的参数。利用上海一个月范围内的地铁刷卡记录数据进行实验测试,实验结果优于小波神经网络Wavelet NN与自回归移动平均模型ARIMA。     

基于负载系数的轨道交通网络控制站点辨识

城市轨道交通客流量对轨道交通运行的效率与安全至关重要.利用客流信息,提出负载系数衡量网络负载情况,并作为轨道交通网络边的权重,建立轨道交通网络模型.运用复杂网络的可控性理论分析轨道交通网络的可控性问题,给出轨道交通网络控制节点的辨识方法,实现对城市轨道交通网络限流车站的控制.以北京地铁网络为实例建立携带负载系数的网络模型,对其控制节点的选取进行分析,结果表明现行常态化控制站点不能使网络完全可控,且选择的控制站点数量较多,成本较高,应用负载系数作为权重选择的限流站点不仅能够使网络完全能控选择的控制站点数量更少,成本较低,而且更多地分布于超载线路上,同时所提出方法可以有效找出控制站点,为实际限流车站的选取提供有效的参考.     

轨道交通无障碍换乘模式下的客流分配

轨道交通线路上的途径客流是线路客流的重要组成部分,将无障碍换乘客流准确地分配到各途经线路可以给后续各项客流分析提供数据支持。参照公交线路起点—终点（OD）反推技术,把吸引权系数法引入轨道交通无障碍换乘模式下的线路客流分配中,根据不同线路的进出站客流数据定义吸引权系数,加权客流换乘次数和途径站点数,建立轨道交通无障碍换乘模式下的一种客流分配模型。实例验证表明,在应用此模型时,考虑客流高峰区间,合并不同时段区间下的计算结果,可以得到更好的精度。     

基于时间序列的轨道交通客流动态分配仿真

轨道运行时会发生各类不确定性突发事件,导致交通拥堵,引发乘客恐慌,使原本的规律的客流分布产生变化,无法精准掌握客流实时动态,进一步加深事态的严重性。对城镇轨道交通提出基于时间序列的客流动态分配方法。利用时间序列理论对乘客分形规则进行分析,了解其具有的混沌不确定性特征,以反馈时延为依据,得出在突发事件下不确定性客流动态预测精准结果,最后给出基于随机均衡的客流动态分配策略,完成分配。通过仿真结果表明,所提方法对不同条件下的区域内轨道交通客流方差较小,且客流预测值与实际值较为接近,证明动态分配较为合理。