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。

基于卷积长短时记忆网络的短时公交客流量预测

针对传统的短时客流预测方法没有考虑到时序特征中跨时段客流之间的相似性问题,提出一种改进k-means聚类算法与卷积神经网络和长短时记忆网络相结合的短时客流量预测模型k-CNN-LSTM。通过k-means算法对跨时段时序数据进行聚类,使用间隔统计确定k值,构建交通流矩阵模型,采用CNN-LSTM网络处理具有时空特征的短时客流。该模型能够对具有空间相关性的数据进行较为准确的预测。使用真实数据集对模型进行检验和参数调优,实验结果表明:k-CNN-LSTM模型较其他模型有相对较高的预测精度。

基于Stacking集成学习的轨道交通短时客流量预测研究

针对轨道交通客流量预测问题,文章以南宁市轨道交通1号线为对象,提出了一种基于多模型Stacking集成学习的方法,对客流量进行预测并进行评估。通过融合XGBoost、LightGBM和LSTM模型,利用各模型优势互补,降低过拟合风险,提高预测准确性和泛化能力。结果显示:Stacking模型在客流量预测中表现优异,与实际值接近,评价指标表现良好,可有效提高运营效率和管理决策水平。

高速铁路运营客流量及收入集成估算系统研究

针对现行高速铁路决策阶段运营客流量和收入预测误差大,历史数据存在的线性、二维、来源不可靠等问题。在深入分析客流量和收入影响因素的非线性、非确定性、耦合、非平衡性等演变趋势和机理的基础上,深入挖掘历史数据,依据BPNN、改进FC、FIS、粗糙集等理论方法,建立高速铁路运营客流量和收入多维时空基础历史数据库,构建基于BIM、PYTHON的客流量和收入非线性多维智能预测系统,实现对高速铁路运营客流量和收入的准确预测和多维展现。筛选出高速铁路运营客流量和收入相关复杂性影响因素;构建高速铁路运营客流量和收入历史数据多维时空数据支持系统;构建BPNN、改进FC、FIS运营客流量和收入预测模型,提高方法拟合性和预测准确性、有效性;设计并创建基于BIM、PYTHON的高速铁路运营客流量和收入多维智能展现系统,为提升高速铁路投资决策可靠性、可视化、智能化提供了技术和方法支持。

基于烟花粒子群算法优化BP神经网络的轨道客流量预测

为进一步提高轨道客流量预测的精确度,提出一种基于烟花算法(fireworks algorithm, FWA)搜索机制下的FWA-PSO-BP轨道客流预测模型。粒子群算法(particle swarm optimization, PSO)通过将随机因素引入进化方程中实现,不过,由于这种随机搜索模式会导致粒子群算法的局部搜索功能减弱,很容易出现早熟收敛现象和寻优力不足的情况。为了改进这一问题,通过引入烟花算法中的爆炸火花和突变火花,对粒子的搜索范围和粒子数量进行动态调节,增强粒子群的多样性,使粒子群算法具有局部搜索能力和全局搜索能力的自我调节机制,从而改善粒子群算法的早熟收敛问题,对反向传播(back propagation, BP)神经网络的初始权值与阈值进行更好的优化。以重庆轨道客流数据进行实例验证,结果表明:FWA-PSO-BP模型的平均绝对百分比误差(mean absolute percentage error, MAPE)为2.54%,优于所有其他对比模型。

基于百度指数的天山天池景区客流量预测研究

对游客数量进行预测有助于景区的可持续发展,也为景区的合理安排和规划提供依据。利用2021年新疆天山天池景区日游客量的数据,通过协整检验和格兰杰因果检验,借助ARMA模型和自回归分布滞后模型对客流量进行预测,最终将预测结果与实际游客量进行对比。结果表明:(1)新疆天山天池实际游客量与百度指数搜索的关键词存在长期均衡关系;(2)新疆天山天池实际游客量与百度指数搜索的关键词均存在双向的格兰杰因果关系;(3)加入百度关键词后,模型的拟合优度更高,预测效果更好;(4)预测精度越高,越能够有效判断用户对景区的关注度,通过对网络数据的搜集整理,可以为有关部门提供决策依据。

国际游客流量统计:方法归纳及数据查询

目前,我国官方公布的入境旅游数据为主要客源国家的年度数据,许多国家的数据序列存在缺失值;而我国对于居民出境旅游行为的统计难以准确获得,以往从签证、口岸等获取的出境游客数据很难涵盖通过转机去往落地签、免签等国家的游客。

基于IMPA-RELM的旅游景点客流量预测研究

旅游景点客流量预测是旅游管理领域的重要研究问题,关乎着旅游政策制定和旅游景区经营管理。提出了一种基于改进海洋捕食者算法优化正则化极限学习机的旅游景点客流量预测方法。首先,为自适应地平衡探索与开发状态,提出一种基于群体多样性和群体聚集度的海洋捕食者算法,充分发挥MPA算法探索与开发性能。其次,将改进的海洋捕食者算法用于优化正则化极限学习机(IMPA-RELM)的权重与偏置,以归一化均方根误差作为适应度函数,确定最佳权重和偏置参数。最后,将所构建的IMPA-RELM模型应用于九寨沟和查干湖景区单日客流量预测研究。实验结果表明,所提出的IMPA-RELM模型不仅显著提升了RELM的模型性能,相比于LS-SVM、BPNN和LSTM等基线模型,也具有更强的预测性能与泛化能力,能够为景区运营管理和旅游政策制定提供重要参考。

上海轨道交通全网客流量创历史新高

2024年3月8日,适逢“三八”国际妇女节,同时又是周五,在“气候+节日+小周末”等多重因素叠加效应的带动下,当天上海轨道交通全网客流量创下新高,达到1339.7万人次(不含磁浮线),其中,进站客流量为746.6万人次,换乘客流量为593.1万人次。较上一纪录,即2019年,同样是3月8日的1329.4万人次,增加了10.3万人次。其中,有5条线路的客流量创单线历史新高,有6条线路单日客流量突破百万人次。

铁路车站客流量波动规律与预测方法探讨

铁路客运呈现出显著波动特性和复杂变化趋势,准确把握客流变化规律和趋势,实现客流的精准预测,对铁路网络规划、运营组织优化、服务质量提升具有重要意义。以铁路车站客流量2017—2019年历史数据为基础,对节假日和非节假日铁路车站客运量波动规律进行分析,通过日期和节假日属性特征设计,应用提出融合注意力机制的长短时记忆网络(LSTM-AM)模型对铁路某车站日客流量进行预测。结果表明,LSTM-AM模型预测误差小且能够较好地反映出客流变化规律,可以为铁路相关部门提供数据支持。

基于SARIMA模型的北京地铁进站客流量预测

通过对北京地铁2013年5月-7月的进站客流量数据进行详细分析,总结北京地铁进站客流量以周为周期的波动规律,选用季节时间序列（SARIMA）模型对北京地铁进站客流量进行时间序列建模.利用符合要求的模型对北京地铁进站客流量进行预测,预测结果能够较准确地描述北京地铁进站客流量的变化趋势,平均误差为0.3%.说明此模型适用于地铁进站客流量的短时预测,基于预测结果进一步分析北京地铁进站客流量的特点,为进一步优化进站设施布置、组织进站流线、高效安全的地铁运营组织提供参考建议.

基于SCBANet模型的九寨沟景区客流量短期预测

针对景区客流量短期预测时存在的特征提取能力差、预测误差大、难以捕捉非常规变化等问题,提出了一种神经网络模型SCBANet,该模型结合了时空归一化、卷积神经网络、双向长短期记忆网络以及注意力机制。首先利用时空归一化的两个模块分别对客流量数据的高频分量与局部分量进行细化;然后利用卷积神经网络对处理后的数据进行特征提取,接着双向长短期记忆网络利用提取到的特征进行景区客流量的预测,最后使用注意力机制捕捉过去不同时间频次对景区客流量的影响,从而提高预测的精确度并捕捉非常规变化。实验结果表明,与其他算法相比,SCBANet模型预测误差可下降97.63%,对未来一周景区客流量预测的每日相对误差均在4%以下,因此更适用于景区短期客流量的预测。

城市轨道交通新站开通初期实时进出站客流量预测

针对城市轨道交通新站开通初期实时客流预测缺乏历史数据、客流波动大等问题,提出基于改进K近邻非参数回归的新站开通初期实时进出站客流量预测方法。考虑城市轨道交通客流生成机理,分析新站开通初期车站客流量变化规律及其与车站周边土地利用的相关性;基于该相关性,通过聚类分析构建新站与相似既有车站的映射关系,提出支撑新站客流预测的历史数据库构建方法;在此基础上,结合实时客流特征改进非参数回归算法,提出新站开通初期实时进出站客流量预测方法;利用广州地铁客流数据进行新线开通初期实时进站量预测的案例分析。结果表明:该方法具有良好的预测精度,新站开通初期实时进站客流量预测的平均绝对误差不大于16人次,可满足城市轨道交通精细化的运营管理需求。

基于组合模型的机场客流量预测方法研究

为了应对由于无法有效预测机场旅客流量所带来的安全风险、服务质量下降以及资源配置不当等问题,文章结合机器学习和深度学习的方法,构建了SARIMA-CNN-LSTM组合模型来预测机场客流量。模型首先利用SARIMA能够处理数据中线性和季节性成分的特点对数据进行预测,但SARIMA无法充分拟合非线性或复杂成分,从而产生拟合序列和残差序列,单独使用LSTM对残差序列进行处理时效果不太好,因此模型采用CNN-LSTM结构来处理残差序列,该结构利用CNN提取残差序列的非线性等复杂特征并降低维度,使序列适应LSTM的输入要求,利用LSTM模型捕捉CNN处理后的序列的长期依赖关系并进行非线性建模和预测,得到CNN-LSTM对残差序列的预测结果。最后,模型将SARIMA和CNN-LSTM预测的结果进行组合得到最终的预测结果。实验结果表明,文章所构建的组合模型具有良好的客流量预测效果,有助于机场工作安全高效的进行。

基于LSTM-SVR的地铁客流量预测研究

在日常生活中,交通管理部门需要精准、及时地预测地铁客流量,以帮助出行者规划出行路线,节约出行时间,缓解交通拥堵问题。文中从组合不同模型的角度出发,尝试探索了更准确的数据预测。首先,时间序列数据特征适用于LSTM模型处理,借助该模型可以实现极强的特征提取功能;其次,支持向量回归(SVR)是一种基于SVM的回归算法,具有高维的表达能力,在数据拟合上具有显著优势。文中结合LSTM与SVR构建组合模型,并借助实际的仿真实验数据验证了组合模型的有效性。另外,为使结果更具说服力,文中还比较分析了最近邻回归(KNN)模型的实验数据。

基于文本挖掘和AHP的乡村旅游黄金周客流量预测指标权重分析

文章通过文本挖掘的方法梳理出影响乡村旅游黄金周客流量变化的因素,筛选乡村旅游黄金周客流量预测模型指标,并通过层次分析法对该模型各项指标赋予权重。这为景区数字化管理,科学合理地收集、分析、预测乡村旅游黄金周客流量数据作出有益探索。

女装店铺提升顾客流量方法研究

文章通过对女装店铺的市场调查,研究提升当下女装店铺顾客流量的方法。根据当下女性消费者的购物习惯和消费行为分析,通过几个维度提升消费者对店铺的关注度,从而提升顾客进店率,实现提高销售业绩的目的。

高峰用户时段网络短时客流量预测方法仿真

为了提高网络资源调度的效率,均衡网络节点负载,需要对高峰用户时段网络短时客流量进行及时、有效地预测,针对当前客流量预测方法中存在的运行时间长,预测结果的相对误差较大等问题,提出一种基于小波分解的高峰时段网络短时客流量预测方法。利用小波分解的二项尺度分析法将高峰时段网络短时客流量数据分解为近似成分和细节成分,对近似成分与细节成分进行分析,结合空间映射思想,得到各成分的获取关系式,综合分解逆运算建立客流量预测模型;采用支持向量机对数据样本进行训练,结合训练结果与核函数对预测模型的参数进行优化,以提高预测结果的准确度。仿真结果表明,所提预测方法的运行时间及预测结果的误差均低于实验对比方法,具有更好的适用性。

基于数据挖掘的景区客流量预测模型研究

针对当前方法无法描述景区客流量变化特点的难题,为了提高景区客流量预测精度,提出了数据挖掘的景区客流量预测模型。首先利用互联网收集景区客流量历史数据,根据嵌入维和延迟时间构建景区客流量预测训练集合;然后采用机器学习算法对景区客流量训练集合进行学习,建立景区客流量预测模型;最后采用景区客流量预测实例分析该模型的优越性。结果表明,基于数据挖掘的景区客流量平均预测精度超过90%,能够满足景区客流量管理预测精度要求,而且预测效果要优于当前经典的景区客流量预测模型。