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。     

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。     

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IPSO-BP神经网络的铁路客运量预测

在分析有关铁路客运量预测方法的基础上,针对BP神经网络模型存在的不足,提出基于粒子群优化算法(PSO)优化BP神经网络的参数,即改进的PSO方法(IPSO)。以我国1990—2007年的铁路客运量为研究对象,确定输入样本和输出样本,以及训练集和测试集,建立基于IPSO的BP神经网络优化模型预测铁路客运量。预测结果表明,IPSO-BP网络的算法训练时间短,收敛速度快,预测精度高。     

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.     

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。     

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.     

基于RBF神经网络的铁路旅客周转量预测研究

为实现对一定时期内旅客周转客流量进行有效预测,在分析RBF神经网络原理和铁路旅客周转量数据统计的基础上,结合时间序列归一化转化分析方法,建立基于RBF神经网络的铁路旅客周转量预测模型。选取2000—2013年实际的旅客周转量数据对神经网络模型进行训练,并用2014—2015年数据对模型精度进行可靠性检验。检验结果表明,RBF神经网络模型具有可靠的预测精度,可以有效地对铁路旅客周转量进行预测,从而更好地为铁路运输组织、站场线路设计等提供可靠的依据。     

广深铁路沿线卫星城镇客运市场研究

在分析广深铁路客运形势的基础上,为应对未来城际客运新格局,应积极开发新的客运市场,而在广深铁路沿线增设动车组停车站吸引新客源成为当务之急。通过以开发沿线各卫星城镇客运市场为重点,对平湖和新塘地区进行经济社会发展、交通发展规划和城际客流预测分析,充分发挥铁路和地方轨道交通的综合效用,通过分阶段开发,增加广深铁路城际客流量。     

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。     

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。     

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。     

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。     

铁路编组站阶段计划动态调整方法研究

铁路编组站阶段计划执行过程中的不确定事件导致其无法持续最优,阶段计划动态调整方法对于提高编组站作业效率具有重要意义。研究提出包括时间预测、动态车流推算、计划调整、计划实施、实时信息采集反馈等步骤的阶段计划动态调整流程,通过计算残差相关系数进行数据属性相关性分析和降维处理,利用机器学习方法和神经网络模型预测各阶段作业过程用时,建立基于作业过程用时精准预测的动态车流推算模型,对动态车流推算过程进行符号化描述,提出模型的约束条件和目标函数,设计基于蚁群算法的编组站动态车流推算模型求解算法。结果表明,作业过程用时预测误差随训练集样本数量增大而逐渐减小,蚁群算法计算时间满足阶段计划动态调整实际应用的需要。