时间序列聚类下的城市轨道交通客流预测研究

掌握不同城市轨道交通车站的客流短时变化规律是应急措施制定、常规客流组织和列车开行的关键依据，研究主要探索预测方法对城市轨道交通短时客流预测精度的影响，以西安地铁2号线为例进行实例分析。基于车站的进出站客流属性，运用时间序列聚类方法将城市轨道交通车站划分为4类；运用极端梯度推进决策树(XGBoost)、BP神经网络和自回归滑动平均模型(ARMA)分别对各类车站的短时客流进行预测，并对比各类车站的客流预测结果。结果表明，西安地铁2号线的车站可以分为商业办公车站、密集型居住车站、轻型居住车站和旅游文化车站4类；4类车站客流预测精度最高的方法分别为XGBoost、ARMA、ARMA和BP神经网络；在预测时效方面，XGBoost展示了更大的优越性。研究结果可以对各类车站建立相适应的客流管控措施提供基础建议。     

基于GWO-WNN模型的城市轨道交通短时进站客流预测

城市轨道交通短时进站客流具有较强的非线性与随机性。针对该问题,提出一种基于灰狼优化算法(Grey Wolf Optimizer, GWO)与小波神经网络(Wavelet Neural Network,WNN)的城市轨道交通短时进站客流预测模型(GWO-WNN模型)。在构建小波神经网络的基础上,利用灰狼优化算法对初始权值和小波因子进行全局搜索寻优,有效避免了小波神经网络预测结果不稳定及极易陷入局部最小值的缺点。结合案例分析,将单纯WNN模型预测结果与GWO-WNN模型的预测结果比较分析,结果表明GWO-WNN模型相比单纯的WNN模型,在绝对误差和绝对误差百分比方面有极大的提升,均方根误差也可以佐证优化后的WNN模型预测精度更高。     

考虑步行影响范围的城市轨道交通客流需求预测

新建轨道交通车站无法根据历史数据进行客流预测，为了对新建车站的客流进行准确预测，研究从社会经济属性的角度探索城市轨道交通的客流需求。根据实际调查获得车站客流生成影响范围，并基于泰森多边形对影响范围的重叠区域进行重新划分。以路网距离为约束，建立考虑车站影响范围的地理加权回归模型，获取社会经济属性和接驳交通对于轨道交通客流生成的具体贡献度。西安市轨道交通数据的研究结果表明，步行、公交和公共自行车产生接驳客流的主要路网距离为800 m,230 m和300 m；平均每条公交线路数和每个公共自行车桩数分别产生16.368次和2.371次客流；人口密度、就业岗位密度和人均GDP与客流关系表现为三者每增加1%，客流量分别增加0.47%,0.53%和-0.21%。研究成果可用于确定西安市新建轨道交通车站位置和规模，并预测其相应的客流。     

EMD-RBF组合模型在城市轨道交通客流预测中的应用

随着我国城市轨道交通路网的不断发展与完善,城市轨道交通客流预测作为城市轨道交通规划设计和运营管理的基本依据及城市轨道交通建设过程中的重要环节,其重要性也越来越明显。通过对城市轨道交通客流历史数据进行统计分析,针对平常日客流变化的非平稳性统计特征,构建EMD-RBF组合预测模型对城市轨道交通平常日客流进行预测。以北京地铁客流预测为例,得出利用IMF分量进行预测的EMD-RBF组合模型方案可以有效提高客流预测的精确度。     

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。     

地铁车站客流组织工作探讨

通过对地铁车站客流组织影响因素进行分析,提出地铁车站客流组织的方法,建立了地铁车站客流组织预测的计算式,并给出地铁车站客流组织的基本原则。     

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。     

考虑乘客服务水平的城市轨道交通平峰期节能运行图研究

为实现城市轨道交通的节能降耗，降低运营成本，提出基于平峰时段客流特征和行车组织特点的城市轨道交通平峰节能运行图优化模型。在平峰时段，通过压缩客流量较小车站的停站时间，将富余停站时间用于列车区间运行，在保证整体列车运行周期不变的同时，实现降低列车牵引能耗的目标。建立考虑乘客服务水平的城市轨道交通平峰期节能运行图优化模型，并设计遗传算法对模型进行求解。以深圳地铁7号线上行方向为例，结果表明上行方向区间牵引总能耗整体减少87.35 kW·h，节能效率达到19.44%。研究表明在不影响乘客正常乘降列车的情况下，提出的考虑乘客服务水平的平峰节能运行图模型调整列车区间运营时间，具有显著的节能减排效果。     

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。     

城市轨道交通相邻多车站动态协同限流研究

为应对城市轨道交通车站高峰期客流压力,限流已经成为常态应对措施,而经常采用的限流策略大多针对单个车站,缺少对相邻多个车站的协同考虑。基于客流在车站间的传播效应,以乘客总延误时间最小为目标,以站台及列车能力为约束条件,构建城市轨道交通相邻多车站协同限流决策模型,同时为实现实时动态控制,引入滚动时域控制方法,优化多车站动态协同限流流程。以北京地铁8号线为例,经过相邻若干车站运营数据进行限流策略计算。结果表明,该模型限流可以在不造成车站服务人数损失的同时,将乘客总延误时间降低21%。     

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。     

基于空间计量模型的城市土地利用对地铁客流影响研究

揭示城市土地利用与地铁客流的相互作用机理是实现地铁与城市区域功能一体化发展的基础。以北京市为例，将地铁车站之间的空间效应作为变量纳入回归方程，并用精细化的POI数据反映土地利用情况，构建基于空间计量模型的地铁车站出站客流与周边土地利用关系模型。计算结果表明：(1)空间计量模型对空间数据回归精度更高，其中，地理加权回归模型更能精确描述客流的空间异质性；(2)对工作日早高峰出站客流量有积极影响的因素按显著性排序为：写字楼=政府机构>科研教育>公司单位>金融；按单位用地类型增减对客流量的影响程度：政府机构>写字楼>金融>科研教育>公司单位；按影响车站数量：写字楼>公司单位>金融>科研教育=政府机构；(3)各类用地对车站客流的影响存在区位差异。     

组合预测模型在铁路集装箱运量预测中的应用

根据我国铁路集装箱运输发展,研究构建集装箱运量预测模型和方法.基于1999-2008年铁路集装箱运量历史数据和GDP数据,分别选用回归分析模型、灰色系统预测模型、BP神经网络预测模型,预测2009-2014年铁路集装箱运量,根据各方法的误差确定权重,进行了运量组合预测.组合预测模型能在一定程度上提高预测精度,对铁路集装箱运量预测是可行的.     

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。     

城市轨道交通客流预测结果分析

在大规模的城市轨道交通建设中，客流预测是先导。在介绍城市轨道交通客流一般预测结果与统计指标的基础上，阐述了城市轨道交通客流预测结果的状态分析，给出城市轨道交通客运量走势和客流时空分布特点。以成都市为例，分析了城市交通高峰时段出行结构，对常规公交和轨道交通在高峰时段的乘客吸引力差异进行了探讨。     

基于改进LSTM模型的铁路客运站客流预测研究

准确地预测旅客到达数量有助于缓解铁路客运站运营压力。为实现铁路客运站客流量预测,以铁路客站进站闸机数据为研究对象,分析不同时间维度下铁路客运站客流的时间分布特征,采用层次聚类算法和阈值聚类算法综合对客流量进行聚类分析。针对传统LSTM模型输入数据分割尺度较大导致网络层数深度不够的问题,构建了改进型LSTM客流预测模型。以北京西站实际客流数据进行方法验证,并将预测结果与其他传统预测模型进行比对分析。结果表明：改进LSTM客流模型有较好的预测结果,比其他传统预测模型预测精度高,预测指标中平均绝对误差(MAE)低10%。说明该方法能较好地刻画客流的时间相关性,深度挖掘客流变化的内在机理,预测性能有明显提升。     

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DEMATEL和ISM融合的城市轨道交通车站运营安全评价方法研究

为完善城市轨道交通运营安全预警及应急保障体系,利用决策试验和评价实验室法(DEMATEL)及解释结构模型(ISM)各自的优势,研究构建城市轨道交通车站运营安全评价方法。根据运营事故统计分析,从员工素质、客流特征、设备设施、安全管理和外部环境5个方面建立了22个因素构成的初始影响因素集,按照ISM划分层级结构步骤进行各因素的层级结构划分,从而确定评价指标体系,通过DEMATEL法对各影响因素的中心度进行分析确定各评价指标的权重,最后以某地铁线路车站为例进行应用。结果表明,该方法能够筛选出城市轨道交通车站运营安全评价关键指标,具有较好的应用价值。     

运用前向神经网络法预测铁路客运量

为提高铁路客运量的预测精度,应用一种非线性预测方法:多层前向神经网络建立铁路客运量预测模型。在介绍误差修正学习算法和误差反向算法的基础上,通过预测实例计算,与其他3个常用预测模型:多元回归模型、简单移动模型和平均移动模型进行预测比较,结果表明误差反向算法的多层前向神经网络模型预测精度最高。     

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。