铁路客运站客流监测及疏散辅助决策系统的相关研究

铁路运输在综合运输系统中扮演着越来越重要的角色,而铁路客运站客流的监测和疏散一直是困扰中国这个人口大国的难题。根据现状以及客流特点．尝试设计一套铁路客运站客流监测及疏散辅助决策系统,这套软件集实时旅客监测系统、及时应急预警系统以及智能化旅客疏散系统于一体,旨在加快旅客运转,提高铁路运输效率,加强旅客运输安全性。     

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。     

城际快速轨道交通客流预测方法研究

针对城际快速交通地区综合路网发达,交通方式间换乘便捷,人口出行多方式、多路径的特点,提出包括基于综合路权、换乘阻抗,以及动态多路径概率分配思想的多方式、多路径客流方式划分与配流组合预测模型,对城际快速轨道交通客流进行预测,并通过对穗莞深城际快速轨道交通的客流预测,验证了模型的科学性和有效性。     

石太客运专线客流预测研究

利用改进的重力模型和灰色理论模型,从石太客运专线的本线客流、跨线客流和诱增客流3个方面,分别以客运通道周边城市的GDP和人口分布密度、石太客运通道既有线的旅客运输量、城市间的加权运行时间为影响因子,对石太客运专线的旅客运输量进行预测分析。预测结果为客运专线合理制定运输组织方案、设计车站规模提供了科学依据。     

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。     

基于多项Logit模型的高速铁路客流分配实证研究

研究旅客对不同高速铁路列车产品的选择行为、定量分析不同列车间的客流分配规律,可以有效提高列车上座率。在综合考虑不同列车服务水平因素的基础上,根据随机效用最大化理论构建多项Logit模型,应用华东地区高速铁路旅客发送量的实际数据拟合模型并标定参数。结果表明,多项Logit模型具有较高的客流预测能力,列车出发时间范围、车票价格及列车停站次数对旅客乘车选择行为有显著影响,车票价格、列车停站次数与旅客乘车选择负相关。研究结论表明,预测不同列车客流分担率,结果与实际统计值偏差在5%以内,说明模型具有较好的预测能力。     

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.     

基于假设意向调查数据的铁路客运专线客流预测方法研究

以我国铁路客运专线新交通方式的分担率预测为研究对象，建立了基于假设意向调查数据的非集计预测模型，提出了假设意向调查数据的收集方法，并利用TRANSCAD平台对模型参数估计作探讨。同时利用京哈客运专线规划的SP＋RP数据，对京哈客运专线分担率预测进行了事例分析。     

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。     

铁路客运专线客流预测模型研究

在分析目前铁路客流预测研究方法的基础上,根据客运专线是否建成划分为两个阶段选择不同的客流预测方法.依据客运专线客运量预测方案的实施步骤,探讨了初期客运量预测和运营期客运量预测方法.对于正常运营的客运专线,采用分时间周期的客流预测方法,可以对日常客流、特殊时期客流,以及一周中的任意一天或一天中的任意时段客流进行预测,针对性较强,是一种全新的预测思路.     

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。     

基于马尔可夫模型的交通枢纽客流集散方式研究

运用马尔可夫决策理论的系统状态转移矩阵决策法,分析交通枢纽客流集散方式中出租车、公交车、地铁、私家车及其他5种交通方式的客流变化趋势和规律,通过建立交通枢纽客流集散方式分担率预测模型,采用马尔可夫分析法对未来的客流变化进行预测.以某交通枢纽为例进行实证研究,预测未来年度交通枢纽各种集散方式的分担率,并根据预测结果进行分析,提出有关协调优化对策.     

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。     

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.     

基于多种速度客运服务网络的客流分配优化模型研究

铁路客流分配在铁路网规划和项目前期研究中发挥重要作用.随着高速铁路的扩大,铁路客运产品呈现多样化,铁路客流分配面临多种速度产品相互影响以及不同速度线路如何分担客流的问题.在分析铁路客流分配研究现状的基础上,着眼速度这一服务属性,设计了多种速度的立体式服务网络,并基于服务网络构建了铁路客流分配优化模型,模型以系统总费用(包括运输费用、时间成本和未满足需求罚费用)最小化为目标,兼顾运输能力和运输需求约束,最后通过京沪通道的算例分析,验证了模型的有效性.     

基于复杂系统的铁路客流影响因素分析研究

基于复杂系统的理论,从时间、空间、客流属性、运输价格和运输能力等方面,分析研究客流的影响因素,得到铁路客流影响因素集和参数集,为铁路客流预测和铁路旅客运输系统的决策提供参考。     

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。