检索结果-南通市图书馆

面向数据驱动的城市轨道交通短时客流预测模型

在线全文

学校读者我要写书评

暂无评论

中国铁道科学 2020年第4期41卷 153-162页

作者：梁强升许心越刘利强广州地铁集团有限公司运营事业总部广东广州510330 北京交通大学轨道交通控制与安全国家重点实验室北京100044

考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析... 详细信息

考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。

关键词：城市轨道交通系统数据驱动图卷积神经网络循环门控单元短时客流预测

基于机器学习的城市轨道交通短时客流预测研究

在线全文

学校读者我要写书评

暂无评论

基于机器学习的城市轨道交通短时客流预测研究

作者：刘凯兰州交通大学

学位级别：硕士

近些年以来,城市轨道交通由于具有高效便捷、绿色环保以及客运量大等特点,且在政府的大力推动之下快速发展,已经成为多数人出行时首要选择的交通工具。随着客流量的急剧增加以及路网规模的快速扩张,部分车站客流超过设计能力,城市轨道... 详细信息

近些年以来,城市轨道交通由于具有高效便捷、绿色环保以及客运量大等特点,且在政府的大力推动之下快速发展,已经成为多数人出行时首要选择的交通工具。随着客流量的急剧增加以及路网规模的快速扩张,部分车站客流超过设计能力,城市轨道交通管理系统的应急管理和安全运营面临巨大挑战。因此,对于城市轨道交通的运营管理工作来说,准确可靠的客流预测成为解决该问题的必由之路。通过对城市轨道交通的短时进站客流与短时OD客流做一个精准的预测,城市轨道交通系统便能够做出相应的车站动态管理以及运营计划的制定。所以本文将针对这两种客流预测需求做出相应的研究分析,具体内容如下所示:(1)介绍客流相关的主要概念,对客流预测有一个清晰的认识。分析机器学习中的主要算法模型以及其所应用的领域,着重对目前最为前沿的深度学习进行介绍,为之后的预测模型的构建有了一个很好的帮助。(2)数据的分析与处理。收集预测所需的原始AFC数卡数据以及影响客流的相关要素等信息,并对原始数据进行异常数据的识别与修复。按照五分钟的时间粒度将进站客流进行筛选,通过对不同站点之间的客流特性分析,总结出了在工作日与非工作日各自的客流区别以及周期性的变化特征。以十五分钟的时间粒度对OD客流进行筛选,分析了四类不用性质OD客流的各自特性;其次通过对四周时长以及一周七天的OD客流数据统计,发现OD客流在时间序列上有着很强的周期性。这一系列客流分析为之后的预测工作做下了铺垫工作。(3)提出了基于多特征多维度的CNN-LSTM组合模型来对短时进站客流进行预测。具体方法是先通过卷积神经网络CNN对客流数据进行特征提取,再依据长短期记忆网络进行多维度时间序列上的预测。通过对不同站点的进站客流预测分析发现,CNNLSTM模型能以较高的精准度预测短时进站客流;并将其与CNN、LSTM、RF、GBDT及SVR单预测模型进行了对比分析,得出组合模型具有更好的预测性能。(4)提出了基于时序特征的GRU-Attention组合模型的短时OD客流预测。与进站客流相比,OD客流更具有随机性且客流量相对较低,因此其影响特征更加难以量化。本文通过构建时间序列可预测性评估模型,证实了短时OD客流具有很强的时序性。GRU在有关时间序列的预测领域方面有很强的拟合能力,Attention机制可以更好地对客流数据的主要特征有一个很好的权重赋值,因此构建GRU-Attention模型来进行短时OD客流预测。实例分析中通过对不同OD客流的预测发现,该模型有很好的预测性能;其次通过对不同时间粒度的OD客流的预测结果对比分析发现,以十分钟的时间粒度进行短时OD客流预测时,具有最高的预测精准度。

关键词：城市轨道交通短时客流预测卷积神经网络长短期记忆网络门循环神经网络

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空特征的城市轨道交通短时客流预测

基于时空特征的城市轨道交通短时客流预测

作者：滕腾西南交通大学

学位级别：硕士

城市轨道交通作为智能交通系统中重要的一环,并因其便捷舒适、绿色出行等特点受到大众青睐。客流预测可以为运营部门智能规划行车调度提供依据,为乘客选择出行方式及路线提供引导。短时客流预测相比中长期预测具有更大的随机性和波动性... 详细信息

城市轨道交通作为智能交通系统中重要的一环,并因其便捷舒适、绿色出行等特点受到大众青睐。客流预测可以为运营部门智能规划行车调度提供依据,为乘客选择出行方式及路线提供引导。短时客流预测相比中长期预测具有更大的随机性和波动性,预测的准确性也直接关系到城市轨道交通组织运营的高效性和合理性。现有研究大部分基于站点票务清分系统,经过数据预处理后的客流数据属于时间序列,在时间上具有周期性、趋势性和随机波动性。同时,城市轨道交通具有线网特性,客流流向固定为上行或下行,站点周围土地利用性质也影响着客流变化,所以空间上具有一定联系。因此,本文主要从时间和空间两个方面考虑客流的影响因素,对两条线路站点进行分类,构建基于多站点的关联时空特征的短时客流分组预测模型,并且考虑不同类别站点客流特性,分别建立普通站点类别预测模型和特殊站点类别的客流预测模型。主要工作有:首先,从时间和空间角度对客流变化的影响因素进行分析,将相似的客流分布聚类并分类提取特征,并且考虑全线站点的空间关联性对站点分组。由于较少研究考虑地铁全线多站点间的联系和客流相似性,因此采用层次聚类算法以及相关性分析的方法分析时间和空间对客流的影响,对客流时空特征的内在联系进行挖掘。时间上将日内和周内相似客流分布聚类并提取不同类别特征,周与周之间提取相关系数高的日客流作为预测特征,空间上将站点按照客流特征聚类分组,证明了时间和空间因素在很大程度上影响客流分布。其次,针对城市轨道交通短时客流预测,采用非线性组合模型的预测方法。在长短时记忆神经网络的结构基础上增加网络深度,引入堆叠式长短时记忆神经网络,并利用遗传算法优化网络结构,构建了优化的堆叠式长短时记忆神经网络模型。在普通站点和特殊换乘站点上对比多个模型,验证该模型的有效性。同时,针对独立成类的特殊大客流站点,采用经验模态分解将随机波动大的客流序列分解为平稳性和周期性更高的时间序列,再使用不同的预测模型进行预测,根据传统线性模型和非线性模型的特点,构建组合预测模型。最后,以10分钟为预测粒度将杭州市地铁1号线和9号线作为实验示例,构建了关联时空特征的短时客流分组预测模型。实验对比了单一站点预测的方法,只提取基本特征和增加时间特征两种特征组合进行预测,和本文方法对各个站点的预测结果进行分析,实验结果表明关联时空特征结合多站点分组预测可以提高短时客流预测精确度,尤其对客流的高峰预测准确性提高效果显著,进一步证明时间和空间特征对短时客流预测极为重要。

关键词：城市轨道交通短时客流预测时空特征 Stacked LSTM 遗传算法经验模态分解

基于短时客流预测的轨道交通常态高峰线路协同限流方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于短时客流预测的轨道交通常态高峰线路协同限流方法研究

作者：朱经纬北京建筑大学

学位级别：硕士

城市轨道交通由于其绿色、准点率高等特点,已经成为了城市居民出行首选的方式。但是随着轨道交通客流量的增加,高峰期间涌入线路的客流规模也随之增加,其客流需求量已经远超过轨道交通供给的运输能力,导致了大量的客流拥堵情况,对于相... 详细信息

城市轨道交通由于其绿色、准点率高等特点,已经成为了城市居民出行首选的方式。但是随着轨道交通客流量的增加,高峰期间涌入线路的客流规模也随之增加,其客流需求量已经远超过轨道交通供给的运输能力,导致了大量的客流拥堵情况,对于相对封闭的车站环境会造成很大的安全隐患。如何对轨道交通进站客流量进行高效的预测,同时考虑车站间的协同作用,建立合理的协同限流方案,对于提高轨道交通的运输效率以及减少高峰期间大客流导致的安全问题具有重要的意义。本文首先总结了轨道交通客流的特性以及形成机理。之后以北京地铁8号线为例,分析了其客流时空分布特征。据此确定了以高峰客流为研究对象,建立短时客流预测模型以及基于短时客流预测的动态协同限流模型。本文的工作内容如下:(1)对轨道交通客流影响因素进行了总结与分析,针对北京地铁8号线进行了详细的分析,总结了其客流的时空分布特性,对产生的原因进行了合理的解释。同时,对线路协同限流的理论进行了总结,定义了线路开始限流的阈值。(2)采用对于轨道交通进站客流量预测效果较好的小波神经网络(Wavelet Neural Network,WNN)作为预测模型,对8号线某站的进站客流数据进行预测分析。分析结果显示,小波神经网络虽然能够有效进行短时客流预测,但是单一模型的多次预测结果相差较大,精度也有待提高。由于初始权值和小波因子会在很大程度上影响到轨道交通进站客流量的预测结果,引入灰狼优化算法,在预测开始前先使用灰狼优化算法(Grey Wolf Optimizer,GWO)为其寻找到一组最优的初始权值,据此建立神经网络后再进行预测分析。预测结果显示,GWO-WNN模型能够显著地提升预测的精度和效果。(3)使用数学模型对乘客排队进站、站台候车、线路上传递的过程进行了描述。以各站每个时段的限流人数作为决策变量,出行总延误时间为目标函数,构建了基于短时客流预测的动态协同限流模型,以站台承载能力、列车承载能力作为模型的约束条件。随后,根据轨道交通客流动态变化的特点,制定了基于滚动时域优化的模型求解策略,通过在线计算的方式,持续滚动的求解局部最优解,最终得到整个计算时段总体的限流策略。(4)选择北京地铁8号线下行方向朱辛庄-霍营共五个车站的早高峰(7:30-8:30)作为本文的研究对象,首先使用GWO-WNN模型对这几个车站的进站客流数据进行了预测和分析,将预测结果导入动态协同限流模型中。采用滚动时域优化的方法,利用遗传算法通过不断的滚动计算得到了最终的限流策略。将最终得到的限流策略与不进行协同限流时进行对比,验证了通过此模型计算得到的协同限流方案可以减少客流的总延误时间,从而对模型的可行性和优化效果进行了验证。

关键词：城市轨道交通协同限流短时客流预测滚动时域控制

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

铁道科学与工程学报 2023年第9期20卷 3273-3286页

作者：曾璐李紫诺杨杰许心越江西理工大学电气工程与自动化学院江西赣州341000 北京交通大学轨道交通控制与安全国家重点实验室北京100044 中国科学院赣江创新研究院江西赣州341000

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函... 详细信息

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。

关键词：城市轨道交通短时客流预测自适应噪声完全集成经验模式分解算法改进粒子群算法长短期记忆神经网络组合模型 CEEMDAN-IPSO-LSTM

在线全文

学校读者我要写书评

暂无评论

基于时空图卷积网络的机场地铁短时客流预测

计算机工程与应用 2023年第8期59卷 322-330页

作者：张兴锐刘畅陈哲邓强强吕明罗谦中国民用航空总局第二研究所大数据研究所成都610041

机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键。考虑到机场复杂的空间结构与航班波动的影响,建立基于图卷积神经网络(GCN)和组合门控卷积(GLU)的机场地铁短时客流预测模型。通过图卷积神经网络融合... 详细信息

机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键。考虑到机场复杂的空间结构与航班波动的影响,建立基于图卷积神经网络(GCN)和组合门控卷积(GLU)的机场地铁短时客流预测模型。通过图卷积神经网络融合机场空间路径点与地铁口的空间结构关系,同时,设计一种组合门控卷积模块挖掘航班波动下地铁客流的时变特征,有效地捕捉地铁客流的波动性。基于首都机场T3航站楼真实客流数据对模型的有效性进行检验,经多次实验结果表明,提出的时空图卷积短时客流预测模型在均方根误差、平均绝对误差和平均绝对百分比误差均小于传统ARIMA预测模型与深度学习中LSTM、STGCN模型,该模型能捕捉地铁客流与航班客流的波动变化关系,具有较高的预测精度,提高了模型预测的鲁棒性。

关键词：短时客流预测图卷积网络航空运输机场地铁交通

站城融合背景下高速铁路综合枢纽短时客流预测研究

在线全文

学校读者我要写书评

暂无评论

铁道学报 2023年第4期45卷 1-7页

作者：周浪雅王亦乐谢余晨杨静宫薇薇中国铁道科学研究院研究生部北京100081 中国铁道科学研究院集团有限公司运输及经济研究所北京100081 北京建筑大学土木与交通工程学院北京100044

站城融合背景下,短时客流预测是高铁综合枢纽运营组织、协同管理、应急反应的重要依据。通过分析客流相互影响机理,提出高速铁路综合枢纽铁路系统、周边土地利用与城轨系统间的客流拓扑关系;以枢纽站周边各类兴趣点数量表征土地利用特征... 详细信息

站城融合背景下,短时客流预测是高铁综合枢纽运营组织、协同管理、应急反应的重要依据。通过分析客流相互影响机理,提出高速铁路综合枢纽铁路系统、周边土地利用与城轨系统间的客流拓扑关系;以枢纽站周边各类兴趣点数量表征土地利用特征,采用岭回归方法推算高速铁路综合枢纽周边土地吸引客流;基于铁路进站客流、枢纽周边土地吸引客流与城轨出站客流间的相互作用关系,提出基于图注意力网络的客流预测模型,同时引入多头注意力机制,自适应获取不同日期不同时段下铁路进站客流和土地吸引客流的权重,实现高速铁路综合枢纽城轨出站客流的精确预测。为验证模型有效性,以北京南高速铁路综合枢纽为例进行分析,结果表明该模型与SVR、LSTM和GCN等预测模型相比,其预测精度显著提升。

关键词：短时客流预测图注意力网络高速铁路综合枢纽站城融合土地利用

CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法

在线全文

学校读者我要写书评

暂无评论

北京交通大学学报 2023年第1期47卷 74-80页

作者：姚志刚卢致远李聪聪王元庆长安大学运输工程学院西安710061 长安大学交通规划与设计研究所西安710061 长安大学生态安全屏障区交通网设施管控及循环修复技术交通运输行业重点实验室西安710061

客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical M... 详细信息

客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)提升客流观测数据的平稳性,用粒子群算法(Particle Swarm Optimization,PSO)优化BiLSTM隐藏层神经元个数、学习率与训练次数;基于Theano和Tensorflow深度学习库Keras,构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM,用均方根误差与平均绝对误差进行预测精度检验,并在浙江省海宁市2个公交站点进行了应用.研究结果表明:客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下降了53.76%和48.36%、平均绝对误差分别下降了45.71%和40.22%,提升数据平稳性与优化学习参数组合改进BiLSTM的CEEMDAN-PSO-BiLSTM模型,能显著提高公交站点短时客流预测精度.

关键词：公共交通短时客流预测 BiLSTM 公交站点 CEEMDAN PSO

在线全文

学校读者我要写书评

暂无评论

城市轨道交通车站短时客流机器学习预测方法

深圳大学学报（理工版） 2022年第5期39卷 593-599,I0003,I0004页

作者：胡明伟施小龙吴雯琳何国庆深圳大学土木与交通工程学院广东深圳518060 深圳大学滨海城市韧性基础设施教育部重点实验室广东深圳518060 深圳大学未来地下城市研究院广东深圳518060 深圳大学深圳市地铁地下车站绿色高效智能建造重点实验室广东深圳518060

轨道交通具有载客量大、安全及环保等优点,已成为多数乘客的优先出行方式,是缓解城市交通压力的有效途径之一.为提高轨道系统的运行效率,实现轨道交通智慧化运营,基于机器学习算法理论,结合轨道交通车站的时间、空间及外部影响因素等客... 详细信息

轨道交通具有载客量大、安全及环保等优点,已成为多数乘客的优先出行方式,是缓解城市交通压力的有效途径之一.为提高轨道系统的运行效率,实现轨道交通智慧化运营,基于机器学习算法理论,结合轨道交通车站的时间、空间及外部影响因素等客流特征,建立轻量的梯度提升机(light gradient boosting machine,LightGBM)、长短期记忆(long short-term memory,LSTM)及LightGBM-LSTM融合模型的车站短时客流预测模型,同时构建差分自回归移动平均(autoregressive integrated moving average,ARIMA)和极限梯度提升(extreme gradient boosting,XGBoost)模型作为预测实验的对照模型.以中国杭州地铁自动售票系统刷卡数据为例,选取了5种地铁车站(居住类型、工作类型、居住工作混合类型、购物类型及交通枢纽类型)和3个准确性评价指标(平均绝对误差、均方根误差及平均绝对百分误差),量化评价不同模型的预测准确性.结果表明,基于多特征的机器学习模型可以较好预测地铁车站短时客流,弥补了传统时间序列模型的不足.但单一模型在不同类型车站的预测效果波动性较大.基于多模型融合的LightGBM-LSTM模型可以综合单一模型的优点,预测性能更佳,对于不同类型车站的适应性更好.

关键词：交通运输工程城市轨道交通短时客流预测数据处理特征工程机器学习