基于组合深度学习的轨道交通短时进站客流预测模型

针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷积神经网络(CNN)对多因素客流时间序列进行自动提取,在CNN网络中插入多个残差神经网络(ResNet)来加深网络深度,利用双向长短时记忆神经网络(BiLSTM)捕捉前后两个方向的客流时间序列特征并得到预测结果;以杭州市全网80个站点工作日的进站客流为例,验证了该模型的有效性。研究结果表明:与常用的几种模型相比,多因素CNN-ResNet-BiLSTM组合模型的均方根误差(E RMS)至少降低了8.50%,平均绝对误差(E MA)至少降低了6.74%,平均绝对百分比误差(E MPA)至少降低了6.52%。

远郊大型冬季活动客流演进及路径分流研究

有效的客流组织是保证大型活动成功举办的关键,通过大型冬季活动的客流特征及意向调查,建立了观众路径选择模型和客流动态演进模型,分析了大型活动各设施节点的客流分布和客流排队时间分布动态变化规律。结果表明:增加取暖房、纪念品店、景观点等设施将提升观众在远郊大型冬季活动中的观赛体验。大型冬季活动的观众可接受的安检/检票、等公交的排队时间及步行到场馆的时间心理阈值为20 min,且观众更愿意选择步行时间短和服务设施数量多的路径;采用路径分流并提供路径实时信息,会使得分流路径上、下游节点的客流分布更为均衡平缓,有效减少客流聚集和长时间排队等待现象。

突发大客流下地铁客流控制优化模型

为及时响应和缓解地铁线路突发大客流,避免出现过度拥挤现象,提出地铁客流控制优化模型。首先以最小化乘客总等待时间与最大化区间通过客流量为目标,以允许进站客流量为决策变量,考虑供给侧、需求侧与客流控制强度等约束,构建精细化的确定型模型(RDM)。在此基础上,分析客流需求的波动性,结合鲁棒优化理论建立鲁棒模型(RM)。其次,利用鲁棒对等转换理论,线性化处理RM中的非线性约束,并借助Lingo优化求解器进行求解。最后,以某地铁线路为例进行分析验证。结果表明:在RDM模型中,利用运力平衡系数来决策允许进站客流量,可以有效缓解客流拥挤压力,提高区间运输效率;在应对不确定客流需求时,通过RM模型引入鲁棒系数来调节客流需求的波动区间,从而降低客流聚集风险,提高客流控制方案的可靠性。

考虑延误特征的航站楼离港聚集客流预测方法

为满足航班延误下航站楼内资源规划与旅客管理对聚集客流预测所提出的高精度和高效率要求,本文提出一种融合延误特征的离港聚集客流预测方法。通过引入航班延误特征量化表征航站楼离港聚集客流的波动情况,探究航班延误下离港聚集客流波动规律和分布特征,构建基于自适应噪声完全集合经验模态分解(CEEMDAN)、排列熵算法(PE)以及鲸鱼优化算法(WOA)优化的长短期记忆神经网络(LSTM)的短期航站楼聚集客流预测模型。首先,应用CEEMDAN将聚集客流数据序列分解为若干模态分量(Intrinsic Mode Function, IMF)和残差量(Residual, Res),降低原序列中数据的复杂性和非平稳性影响;其次,为减小模型计算规模,同时提高预测效率和精度,采用PE算法对IMF分量进行熵值重构;最后,建立WOA-LSTM聚集客流预测模型,利用鲸鱼优化算法优化LSTM超参数,叠加重构分量的预测结果,得到最终的聚集客流预测值。将模型应用于长三角某枢纽机场进行实例验证。结果表明:CEEMDAN-PE-WOA-LSTM预测模型性能最优,相较单一的LSTM模型,候机大厅聚集客流预测的均方根误差、平均绝对误差以及百分比误差分别降低42.78%、44.00%及45.62%;相较CEEMDAN-WOA-LSTM模型,预测效率提高41.64%。本文所提模型能够有效拟合存在显著非线性和非平稳性特征的候机大厅聚集客流,具有较高的预测精度和运算效率。

利用大数据分析提升地铁客流管理效率

随着城市化进程的加速,地铁作为公共交通的重要组成部分,在缓解城市交通压力、提高居民出行效率方面发挥着至关重要的作用。然而,随着乘客数量的不断增加,地铁系统面临着越来越多的运营和管理挑战,尤其是在客流量管理和优化方面。传统的地铁客流管理方法往往依赖于历史数据和经验判断,难以应对高峰时段的客流波动和突发事件,导致资源分配不均、乘客体验下降,甚至出现安全隐患。

大客流场景下地铁电扶梯故障的乘客疏散

地铁车站客流量大、疏散路线复杂、地下空间有限,一旦发生突发事件而乘客未得到及时疏导,易造成人员恐慌,引发严重安全事故和财产损失.因此,基于安全疏散的地铁车站客流调控,对确保乘客安全出行,维持地铁系统运营具有重要作用.基于社会力模型,以深圳地铁1号线车公庙站为例,运用仿真软件AnyLogic建立地铁车站大客流场景下的疏散模型,从微观角度模拟分析了叠加电扶梯故障突发事件对客流疏散的影响,对比实际调查的高峰期站台容纳量数据,突出大客流场景研究的重要性.通过仿真实验证明突发事件发生时平均分配疏散客流措施效果更佳,将原目的地为拥挤处电扶梯的乘客引导至其他电扶梯虽然会造成部分乘客走行距离的增加,但疏散速率会提升,高峰时期能够提升46.51%,大客流场景下能够提升93.26%.在大客流疏散背景下,叠加不同位置的电扶梯故障假设情景,分类讨论具体的客流平均分配方案,通过仿真实验定量确定各情景下的最佳客流分配方案,为地铁运营部门制定疏散预案提供参考.

城轨交通暑运“火热”收官多城客流上升

2024年的暑期运输服务自7月1日启动,至8月31日圆满结束。暑运期间,各地城市轨道交通运行平稳,坚持贴心服务,大大地提升了市民的出行便利性,各项客流量数据表现亮眼。进入7月以来,大部分城市城轨客流量显著高于上月同期。从增量来看,北京、上海、广州、深圳等一线城市通勤客流叠加旅游客流,客流增量领跑全国。从客流增幅来看,如大连、厦门等夏季旅游城市,迎来客流高峰。此外暑假期间各类活动丰富,如演唱会、音乐节以及大型赛事等,在活动当天吸引了大量人群,形成了客流的显著高峰。以下是10市的城轨交通暑运数据。

北京某地铁交通枢纽换乘大厅客流密度计算模型

针对北京某地铁交通枢纽换乘大厅3个典型季节客流量进行了实测分析。结果表明:客流量不受室外气象条件、季节性影响,与工作时间及周围办公、居住人口规模密切相关;换乘大厅任一时刻在室人数等于该时刻进入的客流量级数与离开的客流量级数之差。根据客流密度特征,按工作日和周末分别建立了换乘大厅客流密度一元线性回归模型,并分段给出了客流密度拟合公式,利用实测数据验证了该模型的正确性。

基于信令数据的城市群空铁联程客流识别及预测框架

针对城市群空铁联程客流需求获取困难、客流规律难以把握的问题,提出一套集成空铁联程客流识别及预测模块的综合分析框架.首先,考虑交通枢纽的空间范围及旅客出行的时空特征,提出一种基于信令数据的空铁联程客流识别方法,并挖掘其时空分布规律.然后,在双向门控循环神经网络模型(Bidirectional Gated Recurrent Unit,BiGRU)的基础上,引入时间周期编码,构建具有时间周期性的双向门控循环神经网络模型(Temporal-Bidirectional Gated Recurrent Unit,T-BiGRU)对空铁联程客流进行预测.最后,以京津冀城市群为实例,对研究框架进行验证.研究结果表明:京津冀城市群空铁联程客流呈现出明显的聚集分布特征,其中北京南站—天津站—天津滨海机场和北京西站—正定机场站—石家庄正定机场两个场景的联程客流占比最高,超过联程客流总量的65%;T-BiGRU模型可以对联程客流的需求进行精准预测,对两个主要场景的双向联程客流的预测精度均超过了89%,优于多个基线模型.研究结果可为城市群空铁协同发展及空铁联程服务优化提供参考.

多尺度融合与动态自适应图的公交客流预测模型

公交客流预测是公共交通规划和管理中的重要问题。虽然时空图卷积在地铁客流预测任务中获得了很好的预测效果,但是面对公交更复杂的线路、大规模的节点数据,现有的基于图卷积的空间建模方法将带来巨大的空间内存消耗。同时,公交客流量短时间范围内更可能受到瞬时交通状况的影响。为了解决这些挑战,提出了一种多尺度融合和动态自适应图的公交客流预测模型(MFDAG)。该模型融合客流、时刻和周信息以增加数据的特征维度,用动态自适应图的方法来学习不同站点之间的关系。进一步提出了一种多尺度融合传播的方法来表示复杂的空间依赖关系,同时设计了一种多尺度卷积传播的方法来学习不同尺度的时间依赖关系。在两个真实的客流数据集上进行了实验,并与其他交通预测方法进行了比较。实验结果表明,所提出的多尺度融合和动态自适应图的公交客流预测方法具有更高的预测准确度。

基于迁移学习的轨道交通特殊OD客流预测研究

客流预测一直是轨道交通运营公司关注的重点,由于受到运输能力的限制等因素影响,部分OD的实际客流数据与真实需求有偏差,出现异常或者样本缺失,从而造成总体样本量偏小,直接采用这些样本进行预测会明显影响预测精度,但通过还原样本值增加样本量难度太大。根据上述特点选择基于实例的迁移学习,先确定源域的对象和范围,从源域中选择合适的样本补充到总体样本中,共同组成最终的训练样本数据集,完成迁移学习。同时选择改进的Boost算法,通过误差调整样本权重,不断迭代,得到最终的预测模型。结果表明:基于实例的迁移学习结合改进Boost算法的预测精度要好于传统集成学习、ARIMA模型、多元回归模型,为轨道交通运营公司对特定OD的客流预测提供新的有益尝试。

基于数据融合的城市轨道交通大客流预警研究

为了降低因节假日或突发时间导致的客流拥堵,促进客运部门快速应对客流波动,提出了一种基于数据融合的城市轨道交通大客流预警方法。通过对客流参数预测信息进行融合,获得符合实际客流瓶颈点的参数信息,以完成轨道交通大客流预警。提出的方法利用动态贝叶斯网络,实现了历史数据与运输服务信息的融合。以城市假期期间五条线路每日客流量为例,通过对比实验验证了提出方法的有效性与准确性。

城市地铁客流的时空动态波动特征与比较研究:以深圳市为例

不同时段下行为主体生活方式的客观变化导致活动者地铁出行空间与模式发生改变,区别不同时段地铁客流的时空异质性特征,有助于引导城市功能更新与集约增长。以深圳市为案例,运用时空数据挖掘与地理空间分析相结合的手段,从整体、站点、OD多视角考察工作日、周末与节假日地铁客流在流量、流向、联系、结构上的时空动态波动特征。研究表明:1)网络整体视角下,工作日、节假日、周末表现为3种不同类型的地铁客流模式,分别呈现“双峰”“平峰”和“小双峰+平峰”形态。2)站点视角下,仅少数站点在工作日与非工作日的客流量及分担率差异显著,工作日客流高度集中于就业功能主导型站点,非工作日客流集中于交通枢纽型及综合型站点;站点周边土地利用的高混合度有助于客流分散和抗扰。3)OD视角下,地铁网络OD客流呈幂律分布且层级分异明显;地铁拓扑网络中心与不同时段下的客流中心均呈空间双耦合特征;周末与节假日的多元化出行以及城市中心的高密度混合开发模式弱化客流对特定线路的依赖,其客流联系易呈圈层结构。

高速铁路影响下铁路客流量预测研究

高速铁路开通后,运输能力、安全性、经济性、舒适性、方便性等方面对既有客流分布产生了一定影响。根据客流构成,将客流量分为趋势客流量、转移客流量和诱增客流量?3?部分,分析各类客流量影响因素及变化趋势的差异,分别选用?BP?人工神经网络、灰色模型、重力模型建立高速铁路影响下的铁路客流量预测模型。通过算例验证,铁路客流量预测结果可以为高速铁路运输需求分析和建设提供数据支撑。

基于超图卷积的跨交通方式客流联合预测模型

大城市多种交通方式交织形成了彼此互通的客流网络,而跨交通方式客流之间的时空关联关系错综复杂,需要客流联合预测来解析整体出行规律,这对实现跨交通方式客流无缝衔接出行至关重要。针对跨交通方式客流网络,引入跨交通方式超图关联矩阵刻画公交和地铁的客流超图网络之间关联关系,提出一种基于双模时空超图卷积网络(BSTHCN)的跨交通方式客流联合预测模型。具体来说,模型由3部分组成:输入模块、时空卷积模块(包括时间卷积和空间卷积)和输出模块,可同时捕捉公交、地铁站点和线路的客流特征,以及两种客流网络之间换乘客流特征。最终,模型可识别提取重要信息特征,并进行特征聚合和分配。实证分析结果表明,相对于经典预测模型而言,BSTHCN具有更优的预测精度,以预测1h后的客流为例,在公交和地铁数据集上的平均绝对误差(MAE)指标至少分别减小了8.93%和8.10%,均方根误差(RMSE)指标至少分别降低了10.64%、7.47%。且BSTHCN的参数量和模型运行时间均在合理范围内,相比于时空卷积网络(S-TGCN)和扩散卷积递归神经网络(DCRNN),BSTHCN在实现更精准预测的同时,运行时间仅增加了4.82%。综合来看,BSTHCN显示出较强的竞争力。消融实验结果则进一步表明,BSTHCN在引入超图并考虑跨交通方式关联后,可更好地反映客流网络中的局部与整体特征,提升客流预测的精度。

多头图注意机制的深度学习地铁客流预测方法

挖掘地铁站点间的客流时空关联性是实现高精度地铁实时客流预测的关键。由于地铁网络中站点间客流的空间关联强弱性较为复杂且难以量化,从而导致客流预测过分依赖时间关联性。为克服该缺陷,提出一种多头图注意机制的深度学习地铁客流预测方法,通过构建面向地铁网络的多头图注意机制对多个关联站点间的客流空间关联性进行学习,得出差异化权重值,量化目标站点与关联站点群之间的客流空间关联强弱性;同时,将多头图注意机制融入长短时记忆学习模型,以量化后的空间关联性数据为输入,结合地铁客流量的时间关联性实现客流预测。实验结果表明,所提出的方法可行、有效,能够提升地铁客流预测精度且预测结果优于经典预测方法。

空间异质下地铁建成环境与站点覆盖客流吸引度关系研究

机器学习模型广泛应用于探究建成环境与客流的交互关系。然而,机器学习考虑的是全局关系,无法捕捉空间变化,为解决这一问题,本文从密度、多样性、设计、目的地可达性、可获得性和网络连通性等方面构建了11种建成环境指标,提出一种轻量级梯度提升机(LightGBM)与地理加权回归(GWR)的集成综合分析模型(SLightGBM),以探究建成环境对站点覆盖客流吸引度的空间异质性和非线性影响,并将该模型与LightGBM,普通最小二乘法(OLS)和GWR进行比较,以揭示SLightGBM模型在回归效果上的优势。针对西安市的研究结果表明:SLightGBM模型的R2、MAE与RMSE分别达到了0.68、8379.16和11797.19,显著优于对比模型;建成环境因素存在空间异质性,工作人口密度和公交站点密度在中心区域最为重要,而餐饮密度在南部区域更显著;工作人口密度和餐饮密度与客流吸引度呈正相关,而最小换乘次数与客流吸引度呈负相关关系,且具有明显的协同作用。研究表明,影响因子空间差异性和阈值分析结果对于指导城市建设和改善公共交通系统具有重要的启示意义。

基于ASTLSTM的地铁乘客流量短时预测

地铁乘客流量预测是智能交通系统的重要环节,当前大多数预测模型较少对地铁乘客流量进行时空相关性建模,且未考虑空气质量等天气因素带来的影响,存在地铁乘客流量预测准确度不高的问题。针对以上问题,提出基于注意力机制的时空长短期记忆(ASTLSTM)网络的地铁乘客流量短时预测模型。首先,对数据进行预处理;然后,利用注意力机制与图卷积网络(GCN)、卷积神经网络(CNN)相融合,挖掘地铁数据中的时空相关性,并通过长短期记忆网络(LSTM)来提取空气质量数据中的外部特征;最后,通过特征融合得到地铁乘客流量预测结果。实验结果表明,ASTLSTM模型与LSTM、Conv LSTM等典型模型相比,在短期的地铁乘客流量预测上都有较高的准确度。

考虑动态随机客流的城市轨道交通列车时刻表仿真优化

为更加精准刻画动态随机客流与列车时刻表编制间的复杂匹配过程,综合考虑乘客动态随机到达过程、列车容量限制、车内拥挤度对乘客上下车速率影响、停站时间动态调整和列车运行安全防护等重要运营特征,构建城市轨道交通列车运行离散仿真模型。在此基础上,建立以最小化乘客平均候车时间为目标的随机非线性优化模型,并设计一种基于仿真的有限差分随机逼近算法,用于优化城市轨道交通发车方案。以国内某条线路的实际运营数据为例验证仿真模型及优化方法,结果表明所构建模型及算法具有较好的优化效果和计算效率,优化后的列车实绩运行时刻能更好地适应客流需求的动态随机性,且在不增加发车频次的前提下有效降低乘客平均候车时间,提升城市轨道交通运营管理水平。

城市轨道交通线网客流管控系统设计及实现

为提高轨道交通运营企业抵御大客流风险的能力,设计研发城市轨道交通线网客流管控系统。面向客流调度员的实际业务需求,设计管控方案管理、方案智能编制、方案预评估、方案后评估等4项核心功能,通过动态客流分配、客流控制算法等技术,对线网级客流进行科学化、智能化、全流程管理。该系统已在北京地铁试点应用,应用表明,该系统弥补了既有经验式管理的不足,提高了客流安全风险防控水平,能够为智能化运营管理提供技术支持。