基于多因素决策的市域（郊）铁路制式定量决策研究

<正>一、市域（郊）铁路制式选择及范围市域（郊）铁路是连接都市圈中心城市城区和周边城镇组团，为通勤客流提供快速度、大运量、公交化运输服务的轨道交通系统。目前，国内已获批的市域（郊）铁路分布在北京、杭州、金华、温州等城市以及长三角、成渝、长株潭等都市圈。结合已批的项目情况和互联互通相关要求，根据国家部委相关文件精神，市域（郊）铁路的制式选择主要有交流25千伏供电的A、B、C、D型车，直流1 500伏供电的A、B型车，磁浮等几种制式，速度目标值范围一般为120～160公里/小时。     

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。     

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。