基于时序聚类CEEMDAN-LSTM的轨道短时客流预测

目的:高效精确的短时客流预测是城市轨道交通运营管理的重要前提,为提高短时客流预测精度,提出一种基于时序聚类的CEEMDAN-LSTM组合模型。方法:以DTW距离为度量标准,采用Kmeans算法对客流时序进行分类,在此基础上通过CEEMDAN算法进行时序分解以弱化样本噪声干扰,再将分量输入到LSTM模型中进行预测。结果:CEEMDAN-LSTM模型在3类客流时序下的预测误差均小于其他4个基线模型,并能有效反映短时客流的变化趋势;考虑时序聚类的预测模型的预测精度与时效性均优于不分类下的预测模型。结论:以合肥南站地铁的短时进站客流数据为例进行实证分析,证实客流时序聚类对预测精度提升的贡献,并与SARIMA、RF、XGBoost、LSTM等4个预测模型比较,CEEMDAN-LSTM模型具有较高的预测精度,且能有效反映实际客流曲线的变化趋势。

基于CNN-Bi-LSTM网络的城轨短时客流预测

城市轨道交通短时客流预测的精确性对城轨站点在工作日早晚高峰的客流管控以及旅客出行方案决策等具有重要意义,因此提出基于深度学习技术构建卷积神经网络(CNN)结合双向长短时记忆神经网络(Bi-LSTM)的城轨短时客流预测模型,结合Bi-LSTM对时序数据特征双向提取能力的同时,利用CNN实现数据局部特征提取,增强模型的泛化能力。选取上海市地铁1号线徐家汇站的工作日客流数据为基础,对CNN层的层数和卷积核长度寻优,并分别对模型进行消融实验与对比实验。实验结果表明,CNN-Bi-LSTM的预测精度最优,RMSE与MAPE分别为16.699 9以及13.52%,证明了该模型在城轨短时客流预测的有效性。

基于LSTM-Transformer的城市轨道交通短时客流预测

准确预测城市轨道交通短时客流量的变化,有助于运营部门做出决策,并帮助轨道交通集团提高服务水平和实现智慧化运营。然而,客流数据的动态性和随机性使短时客流预测变得困难,因此,文章提出了一种组合预测模型,将Transformer模型中的位置编码(Positional Encoding)层与长短期记忆(Long Short-Term Memory,LSTM)神经网络相结合,构建了LSTM-Transformer预测模型。随后以青岛市的106个站点的进站客流数据为研究对象,并使用聚类算法对站点进行聚类分析。在10分钟的时间粒度下,利用前四周的客流数据作为训练数据,对未来一天的客流数据进行预测研究。同时,将差分自回归移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)、LSTM、GA-SLSTM和Transformer作为对照模型进行验证。通过多组实验证明了文章提出的LSTM-Transformer模型相较于对照模型组具有更好的预测精度和实用性。

基于GCN-CNN模型的轨道交通短时客流预测

准确、可靠的短时客流预测对于城市轨道交通的运营管理至关重要,能为运营管理者提供优化决策的依据,从而改善乘客服务质量和提升交通运营效率。文章基于数据驱动的方法,对北京地铁连续5周25个工作日的自动售票系统(Automatic Fare Collection,简称AFC)刷卡数据进行了详细的分析。通过对AFC数据的清洗和预处理,提取15 min时间粒度的进站客流时间序列并进行归一化处理。采用图卷积神经网络(Graph Convolutional Network,简称GCN)和二维卷积神经网络(Convolutional Neural Network,简称CNN)的组合模型对客流进行预测,模型输入为周模式、日模式、实时模式三个模式下的短时进站客流序列,综合考虑不同时间尺度上的客流变化。为验证模型的有效性和预测的精度,选用真实的北京地铁客流数据集进行实例分析,并运用均方根误差、决定系数、平均绝对误差、加权平均绝对百分误差等评估指标评估客流预测精度。结果表明,与传统的单一模型相比,GCN-CNN组合模型的准确性和精度均取得了显著的提高。

基于Stacking集成学习的机场线短时客流预测研究

地铁机场线客流具有高度时变性,受机场航班影响使得精准的短时客流预测具有挑战性。综合考虑机场航班信息和机场线路历史客流,构建了一种以随机森林(RF)、LightGBM(light gradient boosting machine)、梯度提升决策树(GBDT)和逻辑回归算法作为集成学习器,基于叠加(Stacking)集成模型的机场线路短时客流预测模型。以北京地铁大兴机场线为实例进行验证,并与Informer和长短时记忆神经网络(long short-term memory,LSTM)两种基线模型进行对比。结果表明,考虑航班信息和机场线历史客流的双通道预测效果明显优于仅考虑机场线历史客流的单通道预测;Stacking模型在各项指标中均表现出优越的性能,其中,在96步长(24 h)下的预测效果最好,预测进站客流的平均绝对误差为7.66,预测出站客流的平均绝对误差为4.67;分析航班信息特征对预测模型的影响,发现离港航班信息重要性不如到港航班,这与离港旅客提前到达机场时间差异较大有关。

地铁短时客流预测改进LSTM方法

短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明:相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%~44.8%,均方根误差降低16.9%~47.4%,对短时客流的预测结果误差改善显著。

基于改进麻雀搜索算法优化LSTM网络的城市轨道交通短时客流预测

准确预测城市轨道交通短时客流,对于制定客流组织方案、合理分配运输资源等具有重要意义。针对短时客流预测精度问题,提出一种基于改进麻雀搜索算法(ISSA)优化长短时记忆神经网络(LSTM)的短时客流预测方法。首先,在麻雀搜索算法的基础上,引入混沌映射与柯西变异,提出ISSA算法,用于提升麻雀搜索算法的全局搜索与局部寻优能力,克服标准麻雀算法易陷入局部最优值的问题。其次,利用ISSA算法对LSTM神经网络的学习率、迭代次数、第一隐层节点数和第二隐层节点数这四个关键参数进行寻优。最后,以寻优结果重构LSTM神经网。利用广州某地铁站自动检票系统(AFC)采集的客流数据,对ISSA-LSTM模型的有效性进行验证。实验结果表明:该模型的均方根误差、平均绝对误差,平均绝对百分比误差和决定系数分别为4.8306、5.1435、1.5445%、99.1117%。ISSA-LSTM模型的预测效果均优于MLP模型、LSTM模型和SSA-LSTM模型。本文提出的ISSA-LSTM模型可有效降低神经网络参数对于预测精度的影响,提高预测精度,同时也对城市轨道交通运营管理服务精度进行提升。

基于大数据的轨道交通短时客流预测研究

轨道交通以其高效、快速、准时的优势,得到了城市内旅客出行的青睐。轨道交通站内及线上的客流变化情况直接影响了轨道交通运营的安全性和高效性,尤其是针对特殊情况客流产生巨大增长的情况,因此,开展短时客流预测研究具有重要意义。大数据技术为短时客流预测研究带来了便利和挑战。本文立足于大数据时代,对近年来城市轨道交通短时客流预测采用的模型、方法以及对时间粒度的选择进行了综述,研究主要面向普通机器学习算法和深度学习网络开展。结果表明,具有时空特性的长短时记忆模型(LSTM)是客流预测领域一种应用广泛且效果优异的模型。此外,时间粒度的选择与预测的对象、模型和方法有关,15和30min的时间粒度适合于大多数情况。

城市轨道交通超短时客流预测模型研究及应用

超短时客流预测是城市轨道交通调度指挥中的关键基础性问题,现有的方法及模型各有优缺点,尚不能很好地满足现场实际工作需要。首先,基于上海城市轨道交通海量客流数据,对客流特征及其影响因素进行提取与分析,在此基础上引入“K最近邻算法”研究建立超短时客流预测模型。以上海城市轨道交通网络为实际背景的初步应用及结果分析表明,研究成果能对运营当天早晚高峰时段(7:00—10:00和17:00—20:00)客流做出超短时预测,具有较好的准确性、时效性和实用性,为调度指挥提供有力的客流数据支撑,助力构建城市轨道交通网络智慧客运组织调度系统。

基于卡尔曼滤波的公交站点短时客流预测

公交站点短时的客流预测是智能公交调度系统中重要的决策基础与技术支持.在对短时客流特性进行分析的基础上,提出了以卡尔曼滤波作为公交站点短时客流的预测模型,并给出了模型的求解过程.选用了一条实际公交线路中客流量较大、客流变化明显具有代表性的站点进行了采集数据和实例分析,数据结果的平均绝对误差为5.177 1,均方误差为0.796 1,表明提出的模型与算法可以有效地对短时公交客流进行预测.与人工神经网络预测结果比较,在相同的实例数据下,其平均绝对误差为10.477 0,均方误差为1.672 4,结果表明使用卡尔曼滤波建立的模型比较准确,说明本文所提出的方法预测误差小,具有现实的应用意义.

基于最小二乘向量机的公交站点短时客流预测

考虑上下游公交站点、历史同期客流和相邻间隔输入因子β三者的影响,采用最小二乘支持向量机回归算法建立预测模型,并利用粒子群算法优化模型参数.实例验证结果表明:三者均会对预测精度产生影响;当β=3并在多输入变量中设有上下游站点、历史同期客流维度时,该预测模型相比预测性能最好,平均绝对误差为0.625 0,均方误差为0.914 5.

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC卡和GPS数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO算法找到ELM的最优隐含层节点参数;最后依托广州市19路公交车客流数据仓库进行了方法验证.结果表明:所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.

基于AP聚类的支持向量机公交站点短时客流预测

公交站点短时客流预测是公交调度决策的基础,文中设计了一种基于AP聚类算法的支持向量机用于公交短时客流预测.该方法利用AP聚类算法将客流调查数据划分为若干个聚类子集,对每一子集建立支持向量机预测模型,并采用遗传算法对预测模型的参数进行优化选择.该方法在兰州市快速公交站点客流数据统计的基础上进行实例分析,结果表明:设计的遗传算法可以有效解决支持向量机模型中的参数优选问题,使用AP聚类算法对客流数据进行分类可以提高支持向量机的预测精度,该预测方法可有效的对公交车站客流进行短时预测.

城市轨道交通短时客流预测体系框架及关键技术

针对当前城市轨道交通短时客流预测系统性不强等问题,构建短时客流预测体系框架,并讨论预测过程涉及的关键技术。框架的构建以自动售检票系统(AFC)获得的数据为出发点,统计站点客流和线网客流OD矩阵两类基础客流数据;在此基础上,构建线网客流分配模型,结合视频数据、站点平面布置和列车运行时刻表三类数据,考虑乘客步行时间的影响,估计断面客流数据;接着,在分析站点客流和断面客流数据时空特性的基础上,分别预测站点和断面短时客流;利用站点客流和断面客流短时预测结果反推未来OD矩阵;同时引入GARCH模型分析预测结果的可靠性,以提高短时客流预测结果的可信度。

基于云模型的城市轨道交通短时客流预测

城市轨道交通线路短时客流具有不确定性特征。分析了短时客流的准周期性,用云概念表示短时客流的特征,构建历史时间云、历史客流云、当前客流趋势云以及客流预测云,并建立时间云与客流云的关联规则,将时间云作为规则前件,客流预测云作为规则后件构建单条件多规则不确定性预测云模型。以南京地铁2号线15 min间隔的进站客流预测为例,将云模型与ARIMA模型的预测结果进行对比分析,证明云模型应用于短时客流预测的有效性,从而为城市轨道交通线路短时客流预测提供了一种新途径。

CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法

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.

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

地铁客流的变化规律存在着一定周期性和潮汐性,针对地铁客流的预测有助于提高城市轨道系统的运营效率,实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度,提出了一种基于Logistic混沌映射麻雀算法(Logistic-SSA)优化BP神经网络的地铁客流短时预测模型。该模型通过Logistic混沌映射初始化麻雀算法种群,再利用改进后的麻雀算法优化BP神经网络,达到提高BP神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站AFC刷卡数据为例,利用构建的预测模型开展客流预测实验,并通过3种准确性评价指标(MAE、RMSE、MAPE),评价改进前后模型预测的准确性。研究结果表明:改进的Logistic-SSA-BP预测模型平均绝对百分误差分别为14.96%和13.73%;与传统BP预测模型相比,其客流预测结果具有更高的准确性。

基于混合深度学习模型的城轨短时客流预测

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。

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

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。

基于组合模型的城市轨道交通短时客流预测

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.