检索结果-南通市图书馆

多分辨率多粒度时空特征提取的轨道交通短时od客流预测方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

铁道学报 2024年第11期46卷 1-11页

作者：杨越迪潘保霏刘军许心越张安忠北京物资学院物流学院北京101126 北京交通大学交通运输学院北京100044

面对大规模的路网od客流分布的“长尾效应”,提出一种多分辨率多粒度时空特征提取的短时客流预测模型,以解决稀疏od矩阵中不同量级od客流预测精度不高的问题。将离散小波变换引入od矩阵特征提取,结合CNN获取多分辨率下空间特征;构建多... 详细信息

面对大规模的路网od客流分布的“长尾效应”,提出一种多分辨率多粒度时空特征提取的短时客流预测模型,以解决稀疏od矩阵中不同量级od客流预测精度不高的问题。将离散小波变换引入od矩阵特征提取,结合CNN获取多分辨率下空间特征;构建多粒度历史od客流矩阵序列,利用ConvLSTM网络提取od矩阵长期的周期依赖性及短时的相邻时段依赖性。以北京地铁为例,分析结果表明:该模型在整体预测精度方面较其他基线模型的均方根误差RMSE提升7.4%以上;模型内部消融实验证明,多分辨率多粒度的结构对高、中、低3种量级的od预测均有提升作用,且对高量级od预测的RMSE提升12.5%以上。以杭州地铁为例对模型进行稳定性验证,结果表明:该模型在不同数据集下的预测结果明显优于其他基线模型;在工作日/非工作日、高低峰/平峰等场景下的适用性分析均能取得稳定的预测效果。

关键词：城市轨道交通短时od预测离散小波变换卷积神经网络时空特征依赖

城市轨道交通站间及线路短时od客流预测模型研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

城市轨道交通站间及线路短时OD客流预测模型研究

作者：李永佳重庆交通大学

学位级别：硕士

随着城市轨道交通网络规模快速扩张和客流量急剧增加,运营方案对客流时变适应性明显不足,难以满足现有的客流需求。实时精确的轨道交通od客流预测有利于为运营部门更好地了解并应对客流变化,为提高轨道交通系统的运营效率提供有力支撑... 详细信息

随着城市轨道交通网络规模快速扩张和客流量急剧增加,运营方案对客流时变适应性明显不足,难以满足现有的客流需求。实时精确的轨道交通od客流预测有利于为运营部门更好地了解并应对客流变化,为提高轨道交通系统的运营效率提供有力支撑。本文基于轨道AFC数据,结合od客流的时空特征,构建城市轨道交通短时od客流预测模型。主要研究内容如下:首先,利用My SQL和Python对轨道AFC原始数据进行处理,获取不同时间粒度的od客流数据,从周期性和波动性两个方面对客流特征进行分析,结合od吸引度,运用K-means聚类算法,将轨道交通od客流划分为5类,并从运营时间、前序客流和外部天气三个方面对短时od客流影响因素进行分析总结。其次,发挥Bi GRU能够双向处理客流时间序列的优势,运用网格搜索法优化模型参数,构建Bi GRU预测模型,对不同类型的od对客流进行预测,从不同预测模型、不同时间粒度、工作日与非工作日三个方面对模型预测效果进行分析,结果表明:在预测效果方面,Bi GRU模型预测效果优于ARIMA、SVM、GRU模型,MAE降低了0.0286～1.6278,RMSE降低了0.2821～4.2345;在不同类型od对方面,预测模型对于客流相对不稳定、规律性较差的无高峰型od对预测效果较差;在预测时间粒度方面,Bi GRU模型在15分钟时间粒度预测效果最好;在工作日与非工作方面,Bi GRU模型在工作日的预测效果优于非工作日。最后,考虑od客流时间特征和空间特征,结合GCN和Bi GRU的优势,通过网格搜索法确定模型的最优参数组合,构建GCN-Bi GRU组合模型。选取重庆市轨道交通3号线的od客流进行实例分析,从不同预测模型和工作日与非工作日两个方面对组合模型预测效果进行分析,结果表明:GCN-Bi GRU组合模型的预测效果均优于GCN、GRU、Bi GRU和GCN-GRU模型,MAE降低了0.0082～0.1220,RMSE降低了0.0118～0.2381;GCN-Bi GRU组合模型在工作日和非工作日均有较好的预测效果。

关键词：城市轨道交通短时od预测图卷积神经网络双向门控循环单元神经网络组合模型

基于改进时空LSTM模型的城市轨道交通系统od客流短时预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进时空LSTM模型的城市轨道交通系统OD客流短时预测

作者：李若怡北京交通大学

学位级别：硕士

近年来,大城市的交通问题日益严重,为了缓解地面交通的巨大压力,城市轨道交通凭借其正点率高、安全性好、高效便捷等优点飞速发展。短时od客流预测结果是城市轨道交通实现动态运营管理的重要基础输入,准确地预测短时od客流对我国城市轨... 详细信息

近年来,大城市的交通问题日益严重,为了缓解地面交通的巨大压力,城市轨道交通凭借其正点率高、安全性好、高效便捷等优点飞速发展。短时od客流预测结果是城市轨道交通实现动态运营管理的重要基础输入,准确地预测短时od客流对我国城市轨道交通实际运营管理水平的提高有着重要意义。本文针对城市轨道交通系统短时od客流预测问题进行了研究。研究内容包括:(1)对城市轨道交通系统短时od客流预测问题进行了描述,并确定了本文的研究思路;(2)定性分析了可能影响od客流的因素,并通过对多源数据的采集和处理来提取到分析这些因素的相关数据,进一步定量分析了这些影响因素与od客流分布的具体关系,从而选出合适的预测变量;(3)在输入仅为od客流数据的情况下,构建了单因素条件下基于标准LSTM网络的短时od预测模型,然后利用研究得到的多种影响因素改进模型的输入层,构建了多因素条件下基于标准LSTM模型的短时od预测模型;(4)为了可以充分捕获od客流分布时间序列中各od自身的特征及各时段总体的特征,通过改进标准LSTM网络的隐藏层结构以及神经元结构,得到了改进时空LSTM模型,再结合前文通过多种影响因素改进的模型输入层，构建多因素条件下基于改进时空LSTM网络的短时od预测模型;(5)选择北京市全网od进行案例分析,对多因素条件下基于改进时空LSTM网络的短时od预测模型进行性能评估,并与历史平均模型、ARIMA模型、单因素条件下基于标准LSTM网络的短时od预测模型以及多因素条件下基于标准LSTM网络的短时od预测模型进行了对比。结果表明:(1)通过增加多因素条件可以使模型提取到更多的特征,使得模型在各时间粒度下MAPE降低了 4%左右,说明引入基于多源数据的多因素对短时od客流预测模型的预测精度提升十分有效。(2)对神经元结构和模型结构进行改进后,改进的模型可以充分捕获od客流分布时间序列中各od自身的特征及各时段总体的特征,MAPE降低了 6%左右,说明改进模型有效提高了预测精度。(3)与其他四个预测模型相比,多因素条件下基于改进时空LSTM网络的短时od预测模型由于加入了多种影响因素,并建模了 od客流分布时间序列的时间依赖特征与空间依赖特征,MAE值相比其他方法降低了 3%-13%左右,MAPE值相比其他方法降低了 5%-13%左右,说明了该模型的短时od预测效果优于其他四种方法。

关键词：城市轨道交通短时od预测多因素改进时空LSTM模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

城市轨道交通线网短时od客流预测研究

城市轨道交通线网短时OD客流预测研究

作者：侯晓云北京交通大学

学位级别：硕士

近年来,城市轨道交通建设规模不断提升,市民出行压力得到了极大的缓解,但仍存在一些潜在的问题,如:高峰时期拥堵、车辆供给与乘客需求不匹配、大量通勤客流汇聚地下的安全隐患以及大型活动、恶劣天气、地铁故障等特殊运营环境下的局部... 详细信息

近年来,城市轨道交通建设规模不断提升,市民出行压力得到了极大的缓解,但仍存在一些潜在的问题,如:高峰时期拥堵、车辆供给与乘客需求不匹配、大量通勤客流汇聚地下的安全隐患以及大型活动、恶劣天气、地铁故障等特殊运营环境下的局部客流激增亟需快速疏散等问题。解决上述问题迫切需要掌握轨道交通起讫点（Origin to Destination,od）客流的短时变化规律,而城市轨道交通自动售检票系统可以实时采集市民日常出行产生的大量数据信息,使之成为可能。本文借鉴集成学习思想构建了城市轨道交通短时od客流多模型集成预测模型,对轨道交通od客流的短时变化规律进行预测从而解决上述难题。首先对AFC、站点线路、票种数据以及外部天气数据进行预处理,将多个单数据集进行多源融合,形成一个有机整体,为下一步客流影响因素分析提供数据支撑;其次从od客流类型、周期性以及波动性对客流进行分析,利用K-Means聚类对轨道交通od对进行类别标定并将其纳入影响因素中,分别从时间、空间和外部天气三个方面对短时od客流影响因素进行详尽分析并汇总,为后续模型预测提供输入;再次选取MLR、KNN、XGBoost和LSTM四个功能不同的模型作为子模型,并利用粒子群算法对其超参数进行优化,借鉴集成学习的思想构建了基于回归和分类两种多模型集成客流预测模型;最后利用构建好的集成模型对常态化和非常态化的轨道交通od客流进行短时预测,常态化下将历史同期求平均作为基准线与所构建模型的预测结果从整体、od对类型、工作日与非工作日以及高峰与非高峰等角度进行详细对比,通过模型性能比较发现,集成模型的预测效果优于单一子模型,其中分类集成模型效果最好,在随机性较大的场景下均方根误差较历史同期求平均降幅可达20%,验证所提出模型的优异性。非常态化下通过北京市轨道交通故障案例对模型进行应用,在历史同期求平均失效的情况下,分类集成模型的预测效果可观,且在时间颗粒度为10min时预测效果最好,然后从行车计划、出行诱导以及公交接驳应急处置三方面给予一些应急策略建议。本文的研究成果可以丰富城市轨道交通短时客流od预测模型体系,为城市轨道交通动态化运营与控制系统提供更精准的输入,使得行车计划的制定与调整更加合理,进而为有效缓解供需不匹配、高峰时期拥堵、快速制定应急预案、联合其他交通方式有效疏散人群以及为城市综合公共交通运输体系协同优化提供数据支撑和科学依据。

关键词：城市轨道交通短时od预测多模型集成超参数优化粒子群算法

数据驱动的出租车od需求预测与可视分析系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数据驱动的出租车OD需求预测与可视分析系统

作者：苏金库北京工业大学

学位级别：硕士

城市化水平的推进使得道路上机动车数量激增,交通拥堵现象屡见不鲜,给交通治理带来新的挑战。当今缓解道路压力、优化城市居民出行体验刻不容缓。短时od(Origin-Destination,od)预测在智能交通领域有着重要的意义。本文旨在空间尺度划... 详细信息

城市化水平的推进使得道路上机动车数量激增,交通拥堵现象屡见不鲜,给交通治理带来新的挑战。当今缓解道路压力、优化城市居民出行体验刻不容缓。短时od(Origin-Destination,od)预测在智能交通领域有着重要的意义。本文旨在空间尺度划分下预测网格内某时段的开始和结束时间的车流量。准确预测的核心在于如何充分挖掘交通数据的时空特征与周期特性。传统的预测方法由于自身的局限性很难保证预测结果的质量,且现有研究很少将天气、道路特征等外界因素融入od预测范畴。在此背景下,本文提出K-STACGN模型,在空间网格划分下基于厦门市出租车GPS数据与订单数据展开研究,综合考量交通数据时空周期性依赖、时空相似性特征,并将天气、城市建筑层面的兴趣点(Point of interest,POI)信息等外部因素融入未来时刻的od流量预测。同时模型中采用注意力机制计算不同时刻或特征图的空间权重以提高预测精度。本文选择了不同网格进行实验,通过与经典神经网络模型的实验比对,发现本文提出的组合模型能够在一定程度上提高预测精度。通勤是城市居民的主要出行需求,也是od流量的重要组成部分。有效分析通勤场景下乘客的出行行为和影响指标,有助于优化城市空间结构。针对现有研究缺乏精细空间尺度的通勤因子分析且忽略了od网格内城市建筑设施特征的问题,本文融入多源时空数据在细粒度空间网格划分下对厦门市通勤场景下的流量进行数学回归建模,并对解释变量进行定量化分析。此外,出租车客流量的增多导致部分出租车出现“超常规”的运营状态,比如跨较广空间区域搭载乘客、超出个体自身的常规运营时间等情况,本文定义此类出租车为“异常个体”。为了更好地实现对这类出租车的调度和管控,本文基于厦门市出租车订单数据对此类“异常”出行群体进行了聚类和可视分析。在此基础上,搭建可视化分析系统完成对数据的多种展示效果。

关键词：短时od预测深度学习回归模型聚类可视化分析

基于联网收费数据的高速公路交通量预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于联网收费数据的高速公路交通量预测方法研究

作者：丁柳清北京交通大学

学位级别：硕士

随着智慧高速建设进程的不断推进,出行者对于提前掌握高速公路的交通状态的需求越来越多。交通量的准确预测是智能交通系统的重要组成部分,可以为交通诱导策略的制定提供理论基础。高速公路联网收费数据中储存的字段信息主要包括车辆进... 详细信息

随着智慧高速建设进程的不断推进,出行者对于提前掌握高速公路的交通状态的需求越来越多。交通量的准确预测是智能交通系统的重要组成部分,可以为交通诱导策略的制定提供理论基础。高速公路联网收费数据中储存的字段信息主要包括车辆进出的收费站点及时间和费用等通行信息,同时也储存如车种和载重等车辆的信息,具有内容更新及时、数据量大及获取方便的特点。本研究对于短时od（起讫点）交通量的预测是建立在大规模的历史数据的分析和训练之上的,从将od数据加载到路网上的动态交通分配方法、案例分析等方面,对高速公路网交通量的预测方法进行研究。基本思路如下:通过对海量的高速公路联网收费数据的预处理提取有效信息,构建高速公路网od交通量预测模型,然后为了将预测得到的od交通量加载到路网上,构建动态交通分配模型,进而可以得到预测时段的路段交通量。本文基于海量的高速公路联网历史收费数据,主要完成了以下研究工作:（1）对提取的高速公路收费数据的格式与字段含义进行介绍,对收费数据的研究意义进行说明,通过预处理从海量的历史数据中获取有效信息,并对收费数据中的异常数据产生原因进行分析,得到对研究目的更有价值的通行数据信息。（2）在经由数据采集和预处理得到的交通数据的基础上,对高速公路交通量分布特征进行分析,分别对不同时间尺度下的交通量、出行需求的周期相似性,以及行驶里程分布进行分析。（3）通过对高速公路od交通量预测影响因素的相关性分析,确定预测变量;通过对长短期神经网络（Long-Short Term Memory,LSTM）模型预测功能实现原理的讨论,将一维卷积滤波器应用到长短期神经网络模型的输入特征提取过程中,分别构建只考虑当天预测点前若干时段和既考虑当天预测点前若干时段也考虑历史同期数据的混合LSTM模型,并确定模型的输入和输出,然后选取模型预测效果评价的指标。（4）为了将预测得到的od数据加载到路网上,构建了考虑不同车辆类型的基于出行者有限理性的动态交通分配模型,通过建立与其等价的变分不等式模型,将动态交通分配问题转化为变分不等式的求解问题,最后结合MSA算法对模型进行求解。（5）根据本文的研究内容,选择以J省高速公路路网为研究对象,基于该省收费系统中提取的历史收费数据进行案例分析。结合J省基础地理信息文件和收费站的经纬度信息等构建高速公路路网模型。基于本文构建的混合LSTM网络模型对于od交通量进行预测前,要首先获得所需的od数据。主要分为历史同期od矩阵和当天预测点前几个时段的od矩阵两种。历史同期的动态od矩阵可以通过对历史收费数据按时间间隔进行汇总可以得到,而当天预测点之前几时段的od矩阵的获取较为困难,且不是本文研究的重点内容,因此在本文案例分析中用由收费数据采集所得到的当天的od数据对其进行替代,获得不同车型预测当天的动态od矩阵;基于海量的历史od交通量数据对预测模型进行训练,并在测试集上对其进行预测性能评估,比较不同预测模型的预测效果;然后通过动态交通分配模型将数据加载到路网上,对获得的路段层面上的流量进行比较分析,验证预测方法的有效性。

关键词：高速公路收费数据短时od预测混合LSTM模型动态交通分配多类型车辆