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。

基于ARIMA与LSTM的铁路车站客流预测方法比较

精准的客流预测是车站客运组织优化的基础,是提高运营安全和运输效率的有效途径。以江门东站全年进站客流数据为研究对象,分别构建ARIMA时间序列模型与LSTM神经网络模型,从预测精度、计算速度、误差指标评价、模型适应性等方面分析比较两种预测模型对客流预测结果的差异性。结果表明,LSTM模型预测精度和拟合精确度更优,ARIMA模型计算速度更快。研究结果对客流预测方法选择有借鉴意义。

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.

基于可达性的城轨既有站进出站客流预测

随着轨道交通的快速发展,新线陆续建成并投入使用。为评估新线对既有线的影响,调整和优化运输组织,首先需要对既有站进出站客流进行精确预测。本文在综合考虑进出站客流自然变化规律与接入新线影响的基础上,提出接入新线后轨道交通既有站进出站客流预测模型。首先,基于时间序列的乘积差分自回归移动平均模型分析既有站客流自然变化规律;其次,引入站点可达性指标定量分析新线对既有站进出站客流的诱增效果,考虑新线对既有站的潜在分流影响,构建接入新线后既有站进出站客流预测模型;最后使用城轨交通自动检票系统采集的历史数据,以广州地铁为例对模型进行参数标定与检验。结果显示,本文提出的模型具有较好的预测精度,适于轨道网络拓扑结构变化后既有站进出站客流的预测。

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。

基于库仑定律的公交站点OD矩阵生成研究

为获得更为合理的公交客流分配结果,引入库仑定律,根据公交站点在交通小区中的分布情况,分别建立了小区间和小区内的公交站点OD矩阵生成模型;然后,根据不同公交方式站点的特性对模型进行了优化,并通过对灵敏度系数的分析建立了灵敏度系数的求解模型;最后,通过实例对模型的有效性进行了验证.结果表明:文中模型具有较高的理论和实用价值,提高了公交客流预测的可靠程度.

基于ARMA模型的公交枢纽站客流量预测方法研究

分析了城市公交客流量预测的必要性,提出了运用时间序列模型进行短期预测的方法;以城市公交短期交通特征为基础,设计了公交站点的ARMA短期客流预测模型;研究了单线路公交站点客流传统行为,构建了重点区域的枢纽站总客流实时预测模型,并采用上海市五角场枢纽站客流数据对比验证了文中模型的可行性,提出了枢纽站公交调度的优化建议。

轨道交通站点聚类及其对客流预测的影响分析

城市轨道交通站点受多层面因素交互作用而反映出异质性,为实现站点精细化分类,本文统筹考虑地铁刷卡数据、兴趣点数据和地铁网络数据,提取客流、土地利用和网络性质等特征,其中,客流层面考虑工作日、周末和节假日等不同日期类型下客流状态,土地利用层面考虑站点辐射区用地强度和均衡性,网络层面考虑节点自身特性和影响能力。构建基于主成分分析与K-means++算法的聚类模型,综合聚类评价指标确定簇数,辨析不同类型站点多维度特性,结合站区土地利用和站点网络特征探讨对出行活动的影响,并设计簇内联合预测和整体联合预测策略,采用3种多元时序预测方法探究站点聚类对预测性能的影响。研究结果表明:考虑全部客流特征时,划分为10簇,考虑工作日进站客流特征时,划分为5簇,充分挖掘客流时变特征能够获得更加精细化的聚类结果;各簇站点客流分布特征与其土地利用及网络特征间存在一定的反馈关系;相比于整体联合预测,通过聚类联合相关性强的站点进行预测,以间接捕获空间相关性的方式能有效提升预测性能,各模型均方根误差平均降低9.04%,平均绝对误差平均降低4.94%。研究结果为站点精细化管理和站区设施建设规划提供依据。

天津站枢纽客运组织方案的研究和思考

天津站交通枢纽由天津城市轨道交通2、3、9号线的地下段,京津城际铁路和国铁交汇组成,具有工程结构复杂、客流量大且交叉明显等特点。从枢纽的工程设计、客流预测、流线特征分析等入手,阐述天津站枢纽的客运组织特点、原则、要求和具体措施,提出完善枢纽导向系统、构建一体化枢纽运营管理模式及与周边协调发展的优化思路。

基于经验模态分解与K近邻的轨道交通站点客流预测方法

文中提出一种经验模态分解(EMD)与K近邻非参数回归(KNN)组合的客流时间序列预测方法.基于EMD和KNN算法原理,在对KNN预测方法进行改进的基础上,构建了EMD-KNN组合算法流程.针对实例站点受新冠肺炎疫情影响,客流时间序列趋势发生明显变化的特征,利用BP结构断点检测法识别出三个结构性断点,选取客流变化趋势与预测日最为接近的时间序列段进行经验模态分解,将分解后的序列重组为高频、低频和趋势序列,分别运用考虑权重的K近邻算法进行预测,叠加得到最终预测结果,并与单一KNN算法和ARIMA模型预测结果比较.结果表明:EMD-KNN组合算法预测精度高于单一KNN算法和ARIMA模型,且能有效捕捉客流变化趋势.

封站条件下的城市轨道交通车站客流变化预测方法研究

为探究封站对区域车站客流的影响,通过分析封站条件下周边车站进出站客流特征及乘客出行行为,归纳了封站客流影响因素,将封站条件下周边车站的客流变化进行了拆分解析,并提出了相应进出站客流构成的计算方法。基于随机森林算法构建了封站条件下周边车站进出站客流变化的预测模型。最后,以实际封站数据为例验证了模型的准确性,并与未拆分客流预测结果进行了对比。结果表明,提出的客流拆分预测方法具有较好的准确性,可为城市轨道交通运营管理提供支撑。

城市轨道交通站点数据链客流预测方法研究

城市轨道交通客流预测数据是城市轨道交通设计与运营的重要依据与基础,在总结分析我国城市轨道交通客流预测经验及研究成果的基础上,提出基于城市土地利用法的站点数据链客流预测方法,系统介绍该预测方法的理论体系,并以杭州地铁4号线为例,验证站点数据链客流预测方法的科学性与合理性,以期使该预测方法在客流预测与校核中具有指导意义。

基于网络客流预测的沈阳地铁2号线新站开通运输组织方案研究

文章以沈阳地铁2号线为例,对新站开通后既有线网络客流进行预测,分析新站开通对既有线的影响,在客流预测结果及既有线运营相关资料的基础上,提出了沈阳地铁2号线线路延伸后的运输组织方案。

城轨新线客流成长期进出站量短时预测研究

为准确掌握城轨新线开通初期客流演化态势、提高运输组织合理性,针对新线客流变化不稳定、缺乏历史客流数据等问题,提出城轨新线客流成长期进出站量短时预测方法。通过对新线站点进出站量变化规律的分析,基于改进模糊C均值聚类算法,对考虑客流趋势相似性的城轨站点类型划分方法进行研究,并提出城轨新线站点历史数据库构建方法;基于趋势距离对近邻匹配机制进行优化,并根据多元统计回归对K近邻算法进行改进,提出新线站点客流成长期进出站量短时预测方法;结合广州地铁客流数据,对预测方法的有效性进行验证。研究结果显示:新线站点客流成长期内短时进、出站量平均预测效率较既有方法增加了35.68%、32.23%,预测精度较既有方法增加了38.32%、25.80%。

铁路大站票额预分预测模型研究

为减少人工工作量,提高票额分配的智能程度,实现席位的高效利用和趟车效益的最大化,研究提出铁路大站票额预分预测模型。结合票额管理实践,将差值作为时间序列,将发到站城市的GDP增长率、客座率和实际定员纳入模型中,根据历史客流数据,在保证始发站和重点区间票额下,预先将部分票额分配给有稳定客流的大型车站,以满足票额预分对精确度、实用性等的要求。

基于深度学习长短期记忆网络结构的地铁站短时客流量预测

准确预测地铁站短时客流量,有助于提前开展安全预警工作,快速做出人员疏导方案。根据上海轨道交通2016年3月2. 4亿条刷卡数据,以及该时间段的天气数据,利用Pearson相关分析法提取了客流量的7个外部天气影响因子,以及3个基于历史数据的内部影响因子。通过对数据的分析,综合考虑工作日、非工作日和高峰时段对客流的影响,提取2个内部显著影响因子。以上海轨道交通莘庄站为例,提出了一种基于深度学习长短期记忆(LSTM)网络结构的地铁站短时客流预测方法。最后,将预测结果与典型时间序列预测算法MLR(多元线性回归)和BP(反向传播)神经网络进行对比,验证了LSTM网络在地铁站短时客流量预测中具有更高的准确性和很好的适用性。

基于GWR的城市轨道交通车站客流预测模型

为解决在城市轨道交通客流预测方面四阶段模型成本高、适用性差,以及多元回归模型缺少对影响因素在不同区域影响差异化的考虑,提出了基于地理加权回归(GWR)的地铁车站客流预测方法.基于哈尔滨地铁1号线调查数据,确定了地铁乘客依路网距离的分布规律,并对城市轨道交通车站服务范围进行了研究;依托Arcgis路网分析功能和乘客依路网增长的衰减规律,确定了加权楼层面积的计算方法;运用系数显著性检验和方差膨胀因子检验确定了解释变量,并建立了基于地理加权回归的客流预测模型.以哈尔滨地铁1号线为研究对象,对比了GWR模型和基于普通最小二乘法(OLS)的多元回归模型.结果显示,基于GWR的客流预测模型解释能力更好,模型更优,且能探索不同解释变量对客流量影响的变化规律.

太原市轨道一号线站间OD及沿线区段空间分布研究

客流预测是轨道交通网络规划的一个重要组成部分。结合轨道交通客流预测结果,基于重力模型,可以分析得到轨道线路上沿线各站点间OD分布。在此基础上,将轨道沿线按土地利用进行区段划分,可以得到轨道沿线各区段的空间分布。站间OD分布与沿线区段空间分布结果可以很好地反应出轨道沿线各站点及各区段用地的人口出行特性,结合轨道线路沿线土地利用规划,可以实现客流预测与土地利用的互动反馈。以太原市轨道一号线为例,对其站间OD分布及沿线区段空间分布进行研究。

基于客流模拟的沈阳地铁1、2号线换乘站改造设计研究

通过对沈阳地铁1、2号线换乘站改造设计过程中引入客流仿真模拟技术,在现状客流分析的基础上得出该站整体客流密度、高密度分布区域及持续时间,结合其他城市客流发展规律,进行客流预测,建立客流仿真模型,通过客流仿真模拟分析得出该站拥堵原因和改造设计思路,包括提升运能和局部土建改造两个方面,为今后类似的工程改造设计提供参考。

行人仿真模拟在地铁换乘站设计中的应用

在已有的预测需求基础上,使用计算机行人模拟软件LEGION,建立高品质的计算机仿真模型,运用长期专业工作经验以及对类似项目的观察经验,仔细查核模型以确保模型是一个高质量的模型,能够充分反映研究时段内的站点运营状况,来对高峰时段的站内乘客的常规活动进行模拟,从而对车站的运行情况进行预判,为建筑方案的详细设计及改善提供建议和帮助。