检索结果-南通市图书馆

基于循环神经网络的城市轨道交通短时客流预测

在线全文

学校读者我要写书评

暂无评论

吉林大学学报（工学版） 2023年第2期53卷 430-438页

作者：张惠臻高正凯李建强王晨曦潘玉彪王成王靖华侨大学计算机科学与技术学院福建厦门361021 北京工业大学信息学部软件学院北京100124 南威软件股份有限公司福建泉州362000

为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法。首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时... 详细信息

为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法。首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时空分布规律及高峰时间段;最后,采用分别基于长短时记忆神经网络(LSTM)与门控循环单元(GRU)的短时客流预测方法,预测不同类型站点在不同时段的客流。实验结果表明:5 min为预测的最佳时间粒度,在此时间粒度下GRU模型整体性能优于LSTM模型。

关键词：交通运输工程城市轨道交通短时客流预测循环神经网络长短时记忆神经网络门控循环单元

维普期刊数据库博看期刊

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

在线全文

学校读者我要写书评

暂无评论

基于组合模型的城市轨道交通短时客流预测

交通运输系统工程与信息 2019年第3期19卷 119-125页

作者：杨静朱经纬刘博冯诚张红亮北京建筑大学土木与交通工程学院北京100044 华杰工程咨询有限公司北京100029 北京交通大学交通运输学院北京100044

针对城市轨道交通短时客流的非线性分布特征,本文提出一种基于变点模型、小波变换、自回归滑动平均模型(ARMA)的组合预测模型.首先,利用变点模型将车站进站客流数据划分为具有不同特征的时间段;然后,使用自相关和偏自相关分析确定时间... 详细信息

针对城市轨道交通短时客流的非线性分布特征,本文提出一种基于变点模型、小波变换、自回归滑动平均模型(ARMA)的组合预测模型.首先,利用变点模型将车站进站客流数据划分为具有不同特征的时间段;然后,使用自相关和偏自相关分析确定时间序列的平稳性;之后,分别采用ARMA模型与小波ARMA组合模型对北京市某地铁站的进站量进行客流预测,并对预测结果的误差进行了比较分析.经过对比分析表明,小波ARMA组合模型能够较好地预测出未来的短时客流,预测效果优于单一ARMA模型,计算速度也能够满足短时预测的需求,该方法可为城市轨道交通的运营组织提供参考建议.

关键词：城市交通短时客流预测组合预测模型变点模型小波变换自回归滑动平均

考虑时空修正的轨道交通封站短时客流预测方法

在线全文

学校读者我要写书评

暂无评论

交通运输工程学报 2021年第5期21卷 251-264页

作者：许心越吴宇航张英男王雪琴刘军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 武汉大学数学与统计学院湖北武汉430072 东南大学数学学院江苏南京211189

为了实现封站情况下轨道交通短时客流的精准预测和探索客流的变化机理,提出了一种考虑时空修正的融合动态因子模型(DFM)和支持向量机(SVM)的短时客流预测方法(DFM-SVM);利用符号聚合近似方法(SAX)与动态时间规整(DTW)相结合的算法(SAX-D... 详细信息

为了实现封站情况下轨道交通短时客流的精准预测和探索客流的变化机理,提出了一种考虑时空修正的融合动态因子模型(DFM)和支持向量机(SVM)的短时客流预测方法(DFM-SVM);利用符号聚合近似方法(SAX)与动态时间规整(DTW)相结合的算法(SAX-DTW)识别受封站影响的时空范围,利用DFM预测常态下的短时客流,利用SVM提取和处理受封站影响车站与时段客流量的非线性特征,对受影响车站与时段的客流量进行修正;以北京地铁封站情景下车站的进站量预测为例,验证方法的有效性。研究结果表明:与既有SAX相比,提出的SAX-DTW不仅能全面考虑到客流数量和客流趋势的变化,还能更准确地识别出多个车站的异常时段;与传统DFM相比,DFM-SVM能显著降低各车站的预测残差,其中奥体中心车站的预测残差降低约60%;与基线模型霍尔特-温特(Holt-Winters)、SVM、门控循环单元(GRU)和长短期记忆(LSTM)相比,在整体客流量预测效果方面,提出的DFM-SVM在其均方根误差方面分别降低43.39%、70.00%、33.18%和70.83%,平均绝对误差分别降低43.72%、67.17%、28.98%和57.08%;在单个车站的客流量预测效果方面,提出的DFM-SVM在均方根误差和平均绝对误差方面有70%的车站均低于其他基准模型。可见,提出的DFM-SVM能够捕捉封站影响客流的非线性关系,极大提升了客流预测精度,能够为运营管理者提供可靠的客流预警信息与决策依据。

关键词：轨道交通封站短时客流预测封站范围识别动态因子模型客流时空修正

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

在线全文

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

在线全文

学校读者我要写书评

暂无评论

基于混合深度学习模型的城轨短时客流预测

铁道科学与工程学报 2022年第12期19卷 3557-3568页

作者：王雪琴许心越伍元凯刘军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 麦吉尔大学魁北克省蒙特利尔市H3A 0G4

准确预测短时客流对城市轨道交通管理者组织客流、有效分配运力资源具有重要意义。构建一种融合注意力机制和时空图卷积门控递归单元的轨道交通短时客流预测模型(STGGA)。基于旅行时间及OD量构建邻接矩阵,采用图卷积神经网络(GCN)捕获... 详细信息

准确预测短时客流对城市轨道交通管理者组织客流、有效分配运力资源具有重要意义。构建一种融合注意力机制和时空图卷积门控递归单元的轨道交通短时客流预测模型(STGGA)。基于旅行时间及OD量构建邻接矩阵,采用图卷积神经网络(GCN)捕获客流空间关系。同时,将注意力机制融入门控递归单元(GRU),提取客流时间相关性。进一步引入外部因素,采用GRU进行特征提取,捕捉外部因素对客流的影响。选取北京地铁客流数据进行案例分析。研究结果表明:与自回归移动平均(ARIMA)、支持向量回归(SVR)以及GRU相比,提出的STGGA在总体预测、单站预测效果方面最优,其精度分别至少提高了22.3%,19.3%与8.0%;加入的外部因素能有效提高STGGA预测性能,使其均方根误差至少降低3.4%;引入的注意力机制能识别客流相关输入时间步,增强模型解释性,有效降低STGGA的均方根误差达16.4%;与基于地理连接关系的模型(STGGA_GC)相比,基于旅行时间与OD量的模型(STGGA_TT和STGGA_OD)在均方根误差方面分别降低了35.5%和24.1%;对不同时段预测效果进行分析:与STGGA_OD相比,STGGA_TT在晚高峰展现出了明显的预测优势。所提出的STGGA能够实现轨道交通短时客流的高精度预测,为管理者分析、控制客流提供一定的数据支撑。

关键词：城市轨道交通注意力机制图卷积网络门控递归单元短时客流预测

在线全文

学校读者我要写书评

暂无评论

非参数回归短时客流预测中状态向量研究

系统仿真学报 2017年第9期29卷 2128-2133,2139页

作者：郭晗焦朋朋北京建筑大学土木与交通工程学院北京100044

采用K近邻非参数回归的方法对轨道交通站点短时进站客流量进行了预测,并对状态向量的选择进行了研究。预测结果表明:以预测时段前m个时段的历史数据作为状态向量具有较好的预测效果,而相邻站点历史客流数据虽然在数值上与预测站点的客... 详细信息

采用K近邻非参数回归的方法对轨道交通站点短时进站客流量进行了预测,并对状态向量的选择进行了研究。预测结果表明:以预测时段前m个时段的历史数据作为状态向量具有较好的预测效果,而相邻站点历史客流数据虽然在数值上与预测站点的客流数据具有较大相关性,但由于其忽视了各站进站客流是相对独立的,因此不宜作为状态向量。

关键词：短时客流预测非参数回归状态向量 K近邻

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

维普期刊数据库博看期刊

同方期刊数据库