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。     

沈阳地铁一号线运输组织方案优化研究

从城市轨道交通客流特征分析出发,研究沈阳地铁一号线断面客流的时空特征,根据目前存在的高峰(尤其是早高峰)时段客流满载率过高、平峰时段客流满载率过低、车底运用不合理等问题,以及运输组织方案现状,在保证可以投入运营的车底数量不变的条件下,从改变备用车底使用方法、开行多交路、优化折返方式等方面优化沈阳地铁一号线的运输组织方案.     

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。     

城市轨道交通快慢车方案研究

分析城市轨道交通快慢车方案的运营组织特点及其适用的客流条件,以及对线路通过能力的影响。以重庆轨道交通一号线为例,根据线路的基本运营状况和客流特征,进行快慢车方案设计和案例分析,详细阐述快慢车方案的制订方法和步骤。实例分析表明,快慢车方案会大幅度降低线路通过能力,在高峰时段不宜采用。     

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。     

城市轨道交通网络客流控制方法研究

根据城市轨道交通形成网络具有客流量大规模增长、换乘线路间运能不匹配、客流控制难度大、换乘关系复杂、乘客吸引力强等客流组织特点,采用城市轨道交通网络客流控制办法,以及单线级和网络级客流联控模式的限流数值计算,以广州城市轨道交通的客流组织为例,通过对限流车站和限流数值的计算,提出客流控制方案。2010年广州亚运会期间各种控制方法的成功实施,有效发挥了城市轨道交通网络的优势。     

对现阶段我国城市轨道交通建设与管理的探讨

针对现阶段我国的“城市轨道交通热” ,从城市轨道交通不是解决城市交通问题的唯一出路、对客流预测的态度、轨道交通项目建设资金融资途径、完善服务设施、提高轨道交通方式的主体地位等方面进行了分析 ,并对城市轨道交通建设与管理中的一些模糊认识提出了看法和建议。     

北京轨道交通客流预测模型的研究

为解决多线路、多流向的轨道交通网上的客流计算，针对过去客流预测中存在的问题，开发了适合城市轨道交通网的客流预测应用系统。通过数字分析和计算机程序的应用，建立了符合我国国情的客流预测分析模型，通过出行总量预测、小区OD出行预测，进出站流量预测和交通网流量分配四个阶段分析，取得了有效的成果，并已将成果运用到了实际的客流预测工作中。     

基于客流性质的铁路客流预测方法

运用基于客流性质的铁路客流预测方法对银川—宁东铁路运营初期(2016年)、近期(2023年)和远期(2038年)客流情况进行预测。采用四阶段法对不同性质客流进行生成预测、分布预测和不同交通方式分担预测,通过各种性质客流的叠加,进行总体客流分析,得到研究区域全天客流变化和高峰情况,以及有关客流预测的主要指标。基于客流性质的铁路客流预测方法在客流性质区分明显的情况下,能够具有较好的精确度。     

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。