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。     

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。     

轨道接驳客流预测模型研究

轨道交通作为多模式复合交通体系主导的出行模式,准确有效地预测接驳客流,可为提高轨道交通吸引力及运营组织能力提供参考依据。文章从轨道车站的发展定位、周边道路及辐射小区的通达服务特征出发,提出了基于轨道可达性和道路可达性的接驳客流吸引强度指标,运用经典Logit模型构建了轨道交通接驳客流预测模型,并借助长沙市滨江新城轨道交通接驳客流调查数据,对其进行了验证。结果表明:轨道车站的接驳客流吸引强度取决于轨道车站类型和辐射小区的可达性;车站的轨道可达性指标值、道路可达性指标值分别为0. 5～1. 6和2. 68～10. 0,可达性越强,车站接驳客流吸引强度和客流规模越大,模型预测效果越好。     

基于特征工程的XGboost风速短期预测

为了解决现有风速预测模型精度不足以及数据利用度不高的问题,实现更高精度更快速度的风速短期预测,提出了一种基于特征工程的极限梯度提升算法(eXtreme Gradient boosting, XGboost)风速预测模型。XGboost算法是一种boosting集成学习算法,具有精度高速度快的特点。所提方法通过提取风速序列的5个统计特征,并与原始风速序列进行结合获得新的模型训练输入集,从而实现数据的充分利用,并采用XGboost算法对新输入集进行风速预测,提高了模型的预测精度。以江阴市某风电场实测风速数据进行预测,预测结果表明：基于时间-特征序列的XGboost风速预测模型具有精确的预测结果与快速的训练速度,与长短期记忆网络(long short-term memory,LSTM)、门控循环单元（gated recurrent unit,GRU)、卷积神经网络-长短期记忆网络（convolutional neural networkslong short-term memory,CNN-LSTM)及轻梯度提升机（light gradient boosting machine,LightG...     

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.     

基于数据驱动的地下储气库地层压力预测

地层压力是制定注采井工作制度和监测储气库运行的重要参数,鉴于数值模拟认识地层压力涉及到复杂的地质建模和高质量的历史拟合,提出一种数据驱动的储气库地层压力预测方法．引入注采气量比重数值加权最优规整路径筛选压力监测井,采用3种机器学习算法建立监督学习地层压力预测模型,即极端梯度提升（extreme gradient boosting, XGBoost）、支持向量回归（support vector regression, SVR）和长短期记忆网络（long short-term memory network, LSTM）．实验结果发现,3种预测模型的预测性能从高到低排序为SVR、XGBoost和LSTM,其中,SVR模型的预测性能最稳定;引入注采气量比重数值筛选压力监测井,提升了预测模型的预测性能．研究表明,依靠纯数据驱动方法,将常规地面监测数据直接用来解释为地下储气库的地层压力,非常适合地下储气库的现场应用．     

基于系统动力学的地铁客流防疫调控仿真分析

新型冠状病毒主要通过飞沫和空气传播,地铁是大运量公共交通方式,站内客流密度高,存在一定的感染风险,需采取有效客流组织和调控措施降低站内感染风险概率.借助系统动力学模型仿真地铁车站客流组织和分布;提出改进的交通出行易感度计算模型,并预测感染概率;运用仿真手段评价限制进站客流量、控制服务设施数量、延长站厅走行流线及增加地铁发车频次4种客流调控方案,并定量分析其对易感度的影响.研究结果表明,限制进站客流量对降低非付费区易感度较为有效;增加地铁发车频次对降低付费区易感度较为有效;延长站厅区域走行流线对降低站台层易感度较为有效.系统动力学建模为客流防控措施的预案制定和比较评价提供有效手段,仿真分析结果可为地铁站运营管理方采取科学防疫措施提供参考.     

基于异常值识别的计量小区短期需水量预测

需水量预测是进行水资源调配、节能降耗和降低管网水龄的关键问题。现有需水量预测研究主要对预测模型进行改进,而忽视了对预测准确性至关重要的预处理步骤,如异常值处理,限制了预测模型的精度。为此,建立基于密度的局部离群因子模型(local outlier factor, LOF)对需水量数据中的异常值进行识别及矫正,并将其与一种新兴的高精度、高效率梯度提升树算法(light gradient boosting machine, LightGBM)结合,形成组合需水量预测模型(LOF+LightGBM)。通过实际案例进行模型性能测试,结果表明,相比基于原始数据的预测模型,基于经过LOF模型处理后的需水量数据进行预测的模型均方根误差平均降低10%。LightGBM模型在不同数据集上的绝对平均误差比人工神经网络和支持向量机平均降低了24.7%。整体上,LOF+LightGBM表现最佳预测性能,3个计量小区(district metered area, DMA)的纳什效率系数分别为0.886、0.951、0.942。所有模型训练及预测时间均小于0.7 s。无论是LOF模型、LightGBM模型还是LO...     

突发大客流下地铁协调限流优化模型

为研究突发大客流下地铁车站客流控制的安全管理措施,重点关注地铁突发大客流的疏散,考虑供需失衡下的疏散策略优化,通过对多个车站协调控制客流,减轻突发大客流对地铁系统的冲击.突发大客流主要包括节假日大客流、大型活动大客流、恶劣天气大客流和地铁故障大客流4种类型.以对突发大客流形成的内在机理研究为基础,建立以乘客平均延误最小和各区间满载率之和最大为目标的协调限流控制优化模型,利用所求解的控流率为客流控制措施提供量化依据.最后通过算例分析,对比采取与不采取协调限流措施两种情况下的控流率和滞留人次,验证了协调限流模型的有效性和可靠性.     

基于RTE和XGBoost组合模型的网络故障预测

以某电信公司的网络设备告警日志作为研究基础,提出随机森林嵌入(random trees embedding,RTE)和极端梯度提升(extreme gradient boosting,XGBoost)的组合模型,并将其应用于对网络业务运行状态的故障预测.针对特征中噪声大的问题,采用RTE算法对告警日志数据进行特征转化,...     

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...     

湍流火焰切向应变率的低维近似模型

利用理论方法,提出切向应变率二维与三维概率密度函数（PDF）之间的关系. 基于3种不同湍流强度的自由传播预混火焰直接数值模拟（DNS）数据库,建立人工神经网络（ANN）和随机森林（RF）模型,从低维量预测三维切向应变速率. 机器学习模型的输入特征包括组分质量分数、二维火焰面法向量梯度和二维速度梯度张量. 模型预测结果与DNS结果对比表明,理论模型预测的PDF与DNS的真实PDF吻合较好. RF模型的预测值与DNS实际值间的相关系数大于0.97,优于ANN模型. RF模型得到的PDF与真实PDF间的误差小于理论模型得到的PDF与真实PDF间的误差. RF模型能够由低维量准确预测三维切向应变率.     

轨道交通断面流仿真预测系统中需求生成

针对断面流仿真预测系统中输入起讫点(origin-destination,OD)矩阵的时间跨度与需求生成时间粒度不一致问题,结合进站量短时预测构建需求生成组合策略,将OD矩阵时间跨度离散化为等长子时段,基于自动售检票机实时传输的统计客流量预测短时进站量,确定子时段内需求分配比例,从而使需求生成过程沿着子时段客流波动轨迹变化.以北京市轨道交通某站为例进行实证分析,结果表明:对比既有单一时段内基于泊松分布的需求生成,所构建的需求生成策略与实际客流到达规律吻合度提高了约22.89%;对比多种进站量短时预测模型,认为卡尔曼滤波模型能够满足在线预测的时效与精度需求.     

基于模糊理论的地铁车站基坑工程安全性评价方法研究

目的减少地铁工程事故隐患，防止地铁车站基坑工程安全事故的发生．方法根据系统工程学原理，提出采用定量与定性分析相结合的地铁车站基坑工程安全性评价方法——模糊综合评价法．依据地铁车站基坑工程安全评价体系的基本框架，构建地铁车站基坑工程的指标体系，并对评价因素进行分析．结果以模糊数学理论为基础，建立地铁车站基坑工程的模糊综合评价法，能够综合考虑影响地铁车站基坑工程安全性的各方面因素。通过专家调查确定各因素权重，从而对地铁车站基坑工程的安全性进行较为全面、合理地评价．结论应用模糊理论对地铁车站基坑工程安全性进行评价，可得出地铁车站基坑工程的安全等级，使得地铁车站基坑工程事故的发生与否趋于明确化，并依据评价情况进行改进．     

延误条件下的轨道交通客流拥挤传播建模

为减少突发事件条件下列车运行延误对轨道交通车站客流及运营的影响,采取定性与定量的方法,分析延误列车在轨道交通线路上的时空影响及客流拥挤传播过程,为列车运行调整提供依据.基于列车时刻表与乘客进出闸机数据,通过分析乘客和列车在时空上的衔接关系,构建延误时段列车的时空传播模型,并提出列车运行调整策略.模型综合考虑客流到达量、上车量、下车量、滞留量以及列车载客量之间的关系,反映延误列车在各车站对乘客出行的影响.案例分析表明,延误传播在时空上具有延续性,随着列车在线路上的运行,延误传播影响后续车站,可通过缩短发车间隔时间和扣车等措施有效节省列车平均延误时间.     

基于核梯度提升树的森林高度估测方法

针对大光斑激光雷达波形数据扰动大、树高分布不均匀的问题,基于Boosting集成算法的思想,提出了一种改进的核函数——核梯度提升树(kernel gradient boosting decision tree,KeGBDT).KeGBDT通过梯度提升树叶子节点的输出值计算连接函数的权值,使用连接函数的加权作为核函数的表达形式,从而避免叶子节点中观测值分布不均匀造成的误差.在实验部分,使用星载激光雷达(geoscience laser altimeter system,GLAS)数据提取的波形特征作为森林高度估测数据集,在该数据集上将KeGBDT与核随机森林(kernel random forests,KeRF)、线性核、高斯核等常用核函数在岭回归和支持向量回归(support vector regression,SVR)算法中进行了森林高度估测对比实验.另外,基于KeGBDT的岭回归和SVR模型与线性回归、梯度提升树(gradient boosting decision tree,GBDT)、随机森林等回归算法进行了森林高度估测对比分析.实验结果表明,基于KeGBDT的回归算法在决定系数与均方根误差两方面都优于常用核函数与回归算法,可以有效减小森林高度估测模型的回归误差.     

基于TBA融合模型的股票指数预测

由于股票市场的波动性和复杂性特点，股指预测一直是金融预测研究中的难点．长短期记忆（long short-term memory, LSTM）网络模型常用于金融指数的预测中，但该模型在长时间序列上易导致数据信息利用不充分．利用双向长短期记忆（bidirectional LSTM, BiLSTM）网络模型、时间卷积网络（temporal convolutional network, TCN）和注意力机制协同提高了模型识别以及提炼长时间序列数据特征的能力，构建一种新型股指预测融合模型TCN-BiLSTM-attention（简称TBA模型）．以中国境内近30年的公开股指数据集为例，将TBA模型与目前金融类主流的机器学习、神经网络预测算法以及kaggle竞赛排行前列的模型在上证指数、沪深300指数与创业板指数进行预测对比和消融实验．结果显示，相较于对照实验组的平均预测误差，TBA模型有明显降低且表现稳定，兼具准确性与鲁棒性．研究结果可广泛用于基于时间序列的多种金融预测场景．     

基于小波变换的GASVM-ARMA模型在深基坑变形预测中的应用

为了提高深基坑施工过程中变形预测的准确度,提出一种基于小波变换分解与重构、采用遗传算法优化参数的支持向量机（GASVM）和自回归滑动平均（ARMA）模型相结合的组合模型预测方法。使用GASVM模型对小波分解后的趋势项进行一步预测和多步滚动预测,使用ARMA模型相应地对随机项进行预测,将预测值求和得到最终预测结果。以某地铁车站深基坑为案例,对3个监测点的支护桩深层水平位移进行预测分析,得到其一步预测的短期预测值和多步滚动预测的中长期预测值,并与单一采用GASVM模型得到的预测值进行对比。结果表明：组合模型有效减小了预测误差,在短期和中长期预测中均取得令人满意的结果。     

基于乘客需求的轨道交通车站服务水平评价

为评价轨道交通车站服务水平,研究阐述城市轨道交通服务水平的含义,定义轨道交通车站服务水平.结合轨道交通车站属性,基于乘客出行需求,选取具有代表性和可操作性的评价指标,确定便捷性、舒适性、经济性及安全性4个1级指标,换乘方便性、服务态度、票价及人身财产安全保障性等10个2级指标,建立轨道交通车站服务水平评价体系.采用层次分析法确定各评价指标的权重,运用雷达图法建立轨道交通车站服务水平评价模型.按照评价模型计算值划分分布区间,确定轨道交通车站服务水平等级,通过轨道交通车站服务水平主观评价,选取覆盖车站服务水平4个等级的15个轨道交通车站,在SPSS软件中用Pearson相关系数和Spearman相关系数对模型计算值和主观打分均值进行线性回归分析,其结果分别为0. 948和0. 918.研究表明,该模型计算车站服务水平等级与主观评价服务水平等级分布具有良好的一致性,能有效评价城市轨道交通车站的服务水平,为轨道交通运营方改善和评价车站运营服务水平提供一种新思路.     

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.