基于多维可预知特征的TCN-LSTM城轨短期客流预测

地铁客流量波动受众多因素影响,准确的客流预测数据有利于制定更高效的行车控制方案和客流管控方案。为提高客流预测精度,提出一种基于多维可预知特征的时序卷积神经网络-长短期记忆神经网络模型(TCNLSTM)地铁短期客流预测方法。考虑外部因素的影响,引入Spearman相关系数分析并提取日期、天气等可预知特征及其状态集,以提升预测精度,缩小特征空间,克服了冗余特征数据导致的模型过于复杂问题;通过融合时序卷积神经网络(TCN)提取的客流时间序列特征和可预知特征状态集构建了长短期记忆神经网络(LSTM)层输入,组合模型学习客流与外部影响因素的长短期依赖,从而实现常规日、节假日、不同天气等多场景下的短期客流预测。基于某西南城市地铁刷卡交易数据,对比差分整合移动平均自回归模型(ARIMA)、TCN、LSTM及TCN-LSTM模型的短期客流预测结果,得出组合模型的总体平均绝对误差(MAE)值比其他方法低27%~48%,均方误差(MSE)值低13%~35%,平均绝对百分比误差(MAPE)值低2.8%~6.7%,上述3项指标均表明TCN-LSTM模型的客流预测效果更好。此外,对比实验表明通过融入提取的可预知特征数据,TCN-LSTM模型在测试集上的预测误差评价指标明显降低,所提方法能有效提高地铁短期客流预测精度。

基于有限理性约束的自适应人群疏散仿真模型

为有效提高人群拥堵时的疏散模拟精度,基于社会力模型和有限理性约束,提出一种自适应人群疏散仿真模型。该模型改进了传统社会力模型中行人自驱动力的期望方向和期望速度,对避障情况下行人的最优运动方向和速度进行自适应计算,同时引入有限理性路径决策机制,更为准确地描述行人在拥堵状态下的路径选择行为。结果表明:所提出的模型是可行有效的,行人的有限理性约束在人群密度较大的时候表现出疏散优势,更加符合真实情况下的人群疏散过程。

基于双优化流线的城轨车站客流仿真系统设计与实现

为准确掌握城轨车站内部客流动态变化趋势,设计并实现了基于双优化流线的城轨车站客流仿真系统。系统通过改进传统社会力模型中自驱动力的期望方向和期望速度,计算乘客的碰撞行为对局部流线的影响,实现了局部流线的动态优化;通过设计全局流线可扩展分层结构,判别多源节点属性,实现了全局流线的优化;通过搭建车站二维场景,实现车站仿真动画展示及客流数据统计,直观展示客流瓶颈区域。以某城市地铁站为例,应用客流仿真系统对其客流情况进行仿真推演。仿真结果表明:系统可有效仿真推演车站常态运营日客流趋势,统计并展示各类客流数据,提高站内客流可视化分布效果,为掌握客流拥堵点及实施客流管控方案提供数据支撑。

贯穿型城市轨道交通新线开通初期线网客流预测方法研究

贯穿型城市轨道交通新线通常涉及多个换乘站,对既有线网拓扑结构影响较大,相关客流指标均会发生变化。文章提出一种贯穿型城市轨道交通新线开通后的客流预测方法,该方法首先采用融合线网环境信息的A*算法,对城市轨道交通路径集计算方法进行改进。然后通过量化既有车站客流影响因素和新线车站类别属性,预测进出站客流,并采用双约束重力模型弥补新线相关OD数据,实现新线开通后的OD分布量预测。通过对东部某城市轨道交通5号线的开通进行建模预测,相关指标预测结果均在合理预期内,表明方法可行。

基于PCA-Kmeans算法的城市轨道交通短期OD客流预测

针对当前城市轨道交通短期起讫点(OD)客流预测存在模型构建工作量大、资源占用量大的特殊性,提出一种基于PCA-Kmeans算法的城市轨道交通短期OD客流预测方法。利用自动售检票(AFC)刷卡交易明细数据构造OD分布比矩阵,通过主成分分析(PCA)进行数据降维,再通过Kmeans算法处理降维后的数据,采用手肘法确定初始聚类数目,开展Kmeans聚类分析;依据聚类分析结果的各簇中心OD分布比及轮盘赌策略分布,以准确度较高的进站客流为OD客流,实现全线网规模的短期OD客流预测。以西南某城市轨道交通数据为研究对象开展实例研究,快速完成了全线网规模的短期OD客流预测,日粒度平均绝对百分比预测误差仅为13.7%,15 min粒度平均绝对误差仅为8.56,印证了该OD客流预测方法具有较高工程应用价值。