基于灰色-马尔科夫预测模型的售票窗口客流量预测研究

由于每天购票客流量不同,导致铁路售票窗口开放数也不同,提前预测每天的购票客流量成为研究的关键。为系统全面地对售票窗口优化问题进行研究,采用灰色-马尔科夫预测模型对兰州站非高峰期的客流量进行预测,确定将来某一天的客流量,并对比分析灰色-马尔科夫预测模型的预测结果与灰色预测模型的结果,发现基于灰色-马尔科夫预测模型得到的客流量比较接近实际值,表明在求解售票窗口客流量预测问题上,灰色-马尔科夫预测模型具有一定的可行性与有效性,可以提高铁路客运站整体工作效率,促使铁路客运服务质量得到大幅度提升。     

基于客流n日均量的地铁客流量的时间序列分析

以上海城市轨道交通系统日客流总量为研究对象,构造客流n日均量作为时间序列数据,使用日客流量与客流7日均量的相对变化率进行平时客流特征分析.以此为基础,建立ARIMA预测模型.通过客流7日均量分别进行系统日客流量的迭代预测和递推预测.实证检验,递推方法的相对误差基本小于迭代方法的相对误差,平时系统日客流量预测的相对误差基本在2%左右.     

京沪高速铁路客流空间分布预测方法研究

为准确预测高速铁路站间OD客流,采用时间和空间预测相结合的预测方法,首先构建高速铁路发到量的灰度预测模型,然后将预测结果应用于双约束重力模型预测高速铁路站间OD客流量。以京沪高速铁路为例,基于2012—2015年发送量和到达量的历史数据建立灰度预测模型,预测2016年京沪高速铁路的发送量和到达量,再根据2015年京沪高速铁路24个车站的OD客流数据拟合出双约束重力模型,进而预测2016年各站间OD客流分布情况。结果表明,时间和空间预测相结合的预测方法可以应用于高速铁路客流空间分布预测。     

新建城市轨道交通近期诱增客流预测研究

近期诱增客流量包括由交通条件改变导致出行分布变化和出行频率增加引发的新客流量.分析城市轨道交通近期诱增客流的产生原因及其表现特征,针对势能模型和弹性系数法的使用范围和其局限性,进行综合分析,提}}{两者结合的改进模型,并在此基础上建立诱增客流预测模型,以提高预测精度.     

基于随机森林回归算法的高速铁路短期客流预测研究

客流短期预测是高速铁路客运运营的重要依据。在阐述高速铁路短期客流预测常用方法、分析短期客流影响因素及数据处理的基础上,基于随机森林回归算法构建短期客流预测模型,并结合OOB残差均方对客流影响因素的重要性进行评估。以京沪高速铁路为例,采用2015年7月至8月北京至上海的客流量数据进行验证。结果表明,每日客流的预测精度为0.92,出发日期和运行时间是影响短期客流的重要因素。     

基于改进重力模型的高速铁路短期客流预测研究

在考虑高速铁路短期客流周期性和波动性的基础上,提出和建立反映短期客流时空变化特征的改进重力模型,探讨回归分析和季节指数相结合的客流预测方法。通过实例研究,采用最小二乘法对模型进行参数标定,在此基础上预测未来年的月度客流量。实证表明,采用改进重力模型进行短期客流预测具有较好的适用性。     

神经网络与四阶段预测法在铁路运量预测中的组合应用研究

利用神经网络与四阶段预测法组合构造出新的交通量预测模型,以胶济铁路提速改造为例,就构造的客运量预测模型进行了应用研究。其中以平均增长率法计算客流量的交通分布;以重力模型法计算诱发客流;依据运输阻力构建的分担率模型计算转移客流;在计算诱发客流时考虑了时间价值。     

基于EEMD-BP方法的城市轨道交通进站客流短期预测

城市轨道交通站点客流量是评价其服务水平和实现城市轨道交通资源有效配置的基础数据和依据。针对城市轨道交通站点进站客流量序列波动复杂的问题,构建基于EEMD-BP方法的城市轨道交通进站客流短期预测模型,通过对城市轨道交通站点的日间分时进站客流序列进行模态分解,并对分解的分量进行筛选和识别,探究进站客流的日间波动影响因素,实现对短期客流的合理预测。以广州珠江新城站短期客流预测为例,验证该组合模型在提高客流预测方面具有有效性,为城市轨道交通线网规划和运营管理提供客流预测依据。     

多头图注意机制的深度学习地铁客流预测方法

挖掘地铁站点间的客流时空关联性是实现高精度地铁实时客流预测的关键。由于地铁网络中站点间客流的空间关联强弱性较为复杂且难以量化,从而导致客流预测过分依赖时间关联性。为克服该缺陷,提出一种多头图注意机制的深度学习地铁客流预测方法,通过构建面向地铁网络的多头图注意机制对多个关联站点间的客流空间关联性进行学习,得出差异化权重值,量化目标站点与关联站点群之间的客流空间关联强弱性;同时,将多头图注意机制融入长短时记忆学习模型,以量化后的空间关联性数据为输入,结合地铁客流量的时间关联性实现客流预测。实验结果表明,所提出的方法可行、有效,能够提升地铁客流预测精度且预测结果优于经典预测方法。     

利用客票系统数据进行客流预测的探讨

基于铁路计算机联网客票系统的数据,通过客流调查和分析,对客流高峰期的客流量和客流走势进行预测。并以2006年春运客流为例,对总体情况进行预测并分析其特点,重点对春节前客流量和春运客流走势进行预测。同时对2006年春运铁路旅客运输组织提出相关建议。     

基于径向基神经网络的铁路短期客流预测

在分析径向基神经网络原理和铁路客流时序特征的基础上,建立基于径向基神经网络的铁路短期客流预测模型,通过径向基神经网络把客运量的年规律、周规律等时间属性有机结合,有效解决客流数据的复杂性和非线性问题。以T15次列车为例进行硬座席别的客运量预测结果表明,径向基神经网络预测模型对铁路短期客流的预测效果较好。     

基于迁移学习的轨道交通特殊OD客流预测研究

客流预测一直是轨道交通运营公司关注的重点,由于受到运输能力的限制等因素影响,部分OD的实际客流数据与真实需求有偏差,出现异常或者样本缺失,从而造成总体样本量偏小,直接采用这些样本进行预测会明显影响预测精度,但通过还原样本值增加样本量难度太大。根据上述特点选择基于实例的迁移学习,先确定源域的对象和范围,从源域中选择合适的样本补充到总体样本中,共同组成最终的训练样本数据集,完成迁移学习。同时选择改进的Boost算法,通过误差调整样本权重,不断迭代,得到最终的预测模型。结果表明：基于实例的迁移学习结合改进Boost算法的预测精度要好于传统集成学习、ARIMA模型、多元回归模型,为轨道交通运营公司对特定OD的客流预测提供新的有益尝试。     

基于客运专线列车开行方案的客流预测研究

分析旅客列车开行方案对客流量的影响因素,建立列车开行方案和客流分担率的关系模型,通过采用满意度值作为中间变量,反映列车开行方案对客流量的影响,计算社会各消费人群对已有列车开行方案的满意度,预测客流可能出现的变化。建立客流量对于列车开行方案的函数模型,并以合肥—蚌埠客运专线为例,分析列车开行方案改进后对旅客满意度及客流量的影响。     

北京地铁换乘站客流预测模型研究

根据北京地铁全网一票换乘和一卡通无障碍换乘机制,以及早晚高峰出行等特点,对各种地铁客流预测模型进行分析,研究北京地铁换乘站客流预测模型的应用。依据换乘站不同类型的客流,以北京地铁历史客流和实时客流数据为基础,探讨采用历史平均预测法、基于最小二乘支持向量机时间序列预测法、分峰段混合预测法、基于概率树全路网预测方法等对进站客流、出站客流、换乘客流和站内客流进行预测。     

可变编组动车组短期不同席别客流预测研究

针对高速铁路短期不同席别客流做出准确预测,可以提高不同席别客流与动车组编组之间的匹配程度,尽可能做到按需按流配车,实现经济和社会效益最大化。运用熵值法、变异系数法及BP神经网络的组合方法,构建可变编组动车组短期不同席别客流预测模型。该模型以BP神经网络算法为主,通过对往年高速铁路不同线路客流数据进行分析处理,辅以熵值法和变异系数法去除影响高速铁路不同线路席别客流数据的基础因素和随机因素,采用获得的影响系数对BP神经网络运算数据进行修正,以实现短期不同席别客流需求的预测。案例分析表明,该模型在短期不同席别客流预测上具有良好的精确度。     

基于原子激发能级的铁路客流短期预测的研究

借鉴波尔原子模型,提出和建立了涵盖特殊时段客流量与平日客流量的客流激发能级模型,将客流短期预测问题转化为激发态客流增量的确定和基态趋势客流预测两个问题.针对激发态客流增量确定的问题,提出了对影响因素进行能级评定的模糊综合评价方法,并通过实例加以说明.     

基于误差融合模型的地铁车站客流监测方法研究

针对城市轨道交通拥堵问题和智慧地铁发展要求，提出了一种基于误差融合的城市轨道交通短时客流预测模型。采用灰色关联分析方法对客流关键影响因素进行识别，基于线性回归模型对车站客流进行预测，并进一步利用神经网络模型对预测误差进行修正，以广州地铁十八号线某站的进、出站客流数据为例进行案例研究。研究结果表明：与传统统计模型及单一的神经网络模型对比，基于误差融合的短时客流预测模型均方根误差分别降低了38.0%与29.6%，平均绝对误差分别降低了46.4%与35.1%，证明了该模型在短时客流预测方面的准确性、可靠性，为地铁车站客流监控提供了技术支撑。     

基于生成式预训练TEMPO网络的通行费预测算法探究

针对高速公路通行费数据所具有的非平稳特征,生成式预训练TEMPO网络,通过引入Prompt提示池可有效适配非平稳时序数据,本文提出了基于TEMPO网络的通行费预测模型框架,并对预测模型输入、Prompt提示池设计和预测模型输出等关键步骤进行了建模分析。通过为趋势项、季节项和残差项分配不同的提示词,构造基于公路通行费数据特征的Prompt提示池,使得预测模型对通行费数据的时间序列分布变化更加适应。实证分析表明,相比ARIMA和LSTM网络预测算法,TEMPO网络算法具有更好的预测效果,预测结果的均方误差MSE降低了0.5%和0.94%,可为高速公路运行管理和投资建设提供有力支持。     

城市轨道交通客流实时分布算法研究

为及时向乘客提供出行信息,以及向城市交通运营管理部门提供调度信息,在概述城市轨道交通客流量研究现状的基础上,阐述城市轨道交通线路客流实时分布的影响因素,分析动态进站客流特征的数学本质及影响因素之间的因果关系,进而构建站台客流量与列车客流量的实时交互模型,通过设计客流分布实时算法,对城市轨道交通运行过程中客流实时分布状况进行计算,并通过实例验证算法的可行性。     

基于相关性分析的售票曲线相似度计算模型

售票曲线相似度作为铁路短期客流预测模型中的重要输入,决定预测结果的准确度。为了更合理地计算售票曲线相似度,在阐述售票曲线相似度概况的基础上,针对铁路短期客流预测的问题,提出简单计算模型、常用加权计算模型和基于相关性分析的计算模型,分别利用各模型计算得到的售票曲线相似度值对铁路短期客流进行预测。结果表明,基于相关性分析的计算模型的预测结果明显优于常用加权计算模型,即合理引入的相关性分析结果成分越多,预测效果越好。