基于组合模型的城市轨道站点短时客流分类预测

轨道交通客流预测是轨道交通线网规划的重要内容,是确定轨道交通系统的线网规模、设置轨道站点及布设线路基础。不同类型的轨道站点在城市中的功能定位和布局要求等方面均存在差异,进而导致站点的进出客流量呈现显著的时空分布不均衡性。为了挖掘各类型站点的客流变化规律,将站点自身特征和周边环境特征组成向量因子,运用K-means聚类方法对站点进行分类。在此基础上,将影响乘客出行的多源数据作为输入特征,分别构建了随机森林(RF)模型、门控制循环单元(GRU)模型以及RF-GRU组合模型,从而进行站点短时客流分类预测。利用杭州地铁站自动检票系统(AFC)采集的刷卡客流数据,对所构建的预测模型的有效性进行检验。研究结果表明:利用7个刻画站点自身特征和周边环境特征的参数作为聚类因子,并结合站点客流时间分布数据,可将杭州市地铁站点分为就业导向型车站、职住混合型车站和住宅偏远型车站;采用平均绝对误差以及均方根误差作为评价指标,参数化模型(ARIMA),非参数化模型(SVR),深度学习模型(LSTM,GRU,SAEs和GCN),组合模型(DCRNN,STGCN,STHGCN和DSTHGCN)的预测误差依次降低,其中RF-GRU组合模型的预测精度优于其他的组合模型;对站点进行分类之后,单一模型和组合模型预测结果的精度均有提高。

基于时空超图卷积模型的城市轨道站点客流预测

城市轨道客流预测是智能交通系统的重要环节,准确的短时客流量预测有助于缓解城市轨道运营压力并提升地铁系统的服务质量。为挖掘交通系统中的时空交互特性并实现客流的精确预测,提出一种基于时空超图卷积模型(Spatio-Temporal Hypergraph Convolutional,ST-HConv)的短时进站客流预测方法。门控卷积层用于提取客流的时间特征,双层超图卷积用于获取站点间的近邻性和路网中的全局性,实现空间特征的提取;时空交互模块由时间门控卷积和空间超图卷积组成,将时空特征融合进而获取时空交互信息。以杭州地铁自动检票系统(AFC)采集的乘客刷卡数据为例,对模型的有效性进行检验。研究结果表明,与传统机器学习模型、传统深度学习模型和图网络模型相比,ST-HConv模型同时考虑时间特征和空间特征,并实现了时空特征的有效融合,使得ST-HConv模型的平均绝对误差和均方根误差都低于其他模型。在图结构性能方面,与时空图卷积模型(Spatio-Temporal Graph Convolutional,ST-GConv)相比,ST-HConv模型中的超图卷积层获得了路网中的局部特征和全局特征,有效地降低了预测误差。在不同的时间间隔(15 min/30 min/45 min/60 min)下,ST-HConv相较于ST-GConv,平均绝对误差分别降低了1.3,1.05,1.51和2.29,均方根误差分别降低了2,1.44,2.48和2.89。由此可见,ST-HConv模型综合考虑了时空交互信息,能够提高客流预测的准确性。

He离子注入对Ge中缺陷行为的影响研究

本文采用以蒙特卡罗方法为基础的SRIM软件模拟He离子注入对Ge中缺陷行为的影响,为高质量GOI(绝缘体上Ge)材料的制备提供理论指导。本文主要模拟了He离子入射角度、能量以及注入剂量对Ge材料损伤程度和溅射产额等的影响。研究表明:入射角度较小时,拖尾效应不明显,有利于避免沟道效应,同时缺陷空位数(DPA)也处于较低水平;能量增大导致离子射程增大,溅射产额减小,离表面越近的Ge中DPA变少,可以实现低DPA GOI材料的制备;离子注入剂量增大导致损伤区域增大且集中,然而更多的He离子聚集在射程附近,能够很好地降低GOI材料的剥离温度。