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。

IC卡数据驱动下的公交客流分布及线路优化策略研究

为提升公交车的运营效率,研究以某市公交IC数据为基础,对公交客流进行分析,并提出基于遗传算法改进的公交线路优化模型。研究发现,该市全天公交客流出现早晚两个峰值段。工作日到节假日,客流集中地从市中心附近转变为旅游景点、公园和购物中心等地区。公交线路优化模型将某公交线路的利用率提高了15%,将乘客的平均等待时间降低了21%,有效提高了公交系统的运营效率和乘客满意度。此次研究为提升公交运营效率、改善乘客体验、优化城市交通结构、促进城市可持续发展提供重要依据和方法。

数字化公交为导向的常州公交客流提升策略研究

受社会和经济等因素的影响,目前地面公交客流出现不同层次的下降,如何深入挖掘制约客流的影响因素,针对不同的具体问题提出相对应的客流提升措施,是提高地面公交的行业竞争力,提升地面公交在居民出行中比例的重要策略。本文通过对居民出行调查和公交满意度调查,深入分析客流下降的原因,并结合公交乘客交通需求调查数据,以数字化公交为导向,从智能化采集数据、灵活化公交线路、数字化线网布局和信息化定制服务等方面提出改善措施。

基于自适应平衡静动态联合网络的公交客流预测

为解决现有公交客流预测方法多数利用预定义的图结构进行空间建模,对交通状况变化所引起客流波动考虑不充分,无法捕捉短时动态的空间依赖关系问题,提出一种自适应平衡静动态联合网络(ASDNet)模型。首先,利用时间卷积网络捕获序列的时间相关性;其次,利用图卷积捕捉站点之间整体空间信息,采用动态图同构网络捕捉相邻时隙动态图之间隐藏的动态依赖关系;最后,通过自适应平衡机制自适应地调节静动态联合网络之间的信息传递。在广州市真实公交数据集上进行了实验,结果表明,与多个基准模型相比,该模型在MAE、RMSE和MAPE预测误差指标上平均降低了12.2%、9.9%和15%,R2精确度指标上平均提高了6.3%。表明该模型能够有效地捕捉客流数据的时空变化规律,可为公交运营管理提供技术参考。

新冠疫情及建成环境对公交客流量的影响模型

为揭示新冠疫情背景下公交客流量变化的空间影响因素,以疫情前后公交站点层面客流变化量为因变量,以建成环境、病毒感染情况及病毒传播途径等指标为自变量,构建新冠疫情与建成环境对公交客流量共同影响的线性回归(Ordinary Least Squares,OLS)模型与梯度提升回归树(Gradient Boosting Regression Trees,GBRT)模型。以广州市为实证对象,基于公交IC卡数据、兴趣点数据(Point of Interest,POI)及道路网络数据等多源异构数据进行模型实证分析。结果表明:考虑非线性效应的GBRT模型比OLS模型具有更好的拟合度;同时,常规公交站点的公交线路数量(22.02%)和到市中心距离(13.56%)是影响疫情背景下公交客流量变化的最重要因素,片区病毒感染与传播情况对疫情防控常态化时期的公交客流量作用有限,居民日常公交出行已经从疫情的影响下逐渐恢复。

基于FIG-SVM的公交客流波动趋势与空间预测

根据公交客流时间序列的波动特征和影响因素的相关关系,将公交客流以7 d为长度划分时间窗口,通过模糊理论将时间窗口样本数据信息粒化,得到LOW、R、UP这3组模糊信息粒化后的时间序列,使用支持向量机模型对其进行预测,获得了公交客流波动趋势与空间范围。运用该模型对哈尔滨市1路公交245 d的IC卡数据进行实证研究。结果表明:该模型相较于ARMA和GA-BP模型具有较高精度,能有效预测公交客流的波动趋势与空间。

基于ConvLSTM-GRU的公交客流量预测模型

公共交通在城市智能交通系统中发挥着重要的作用,准确的公交客流量预测对智能交通的发展至关重要。为了提高公交客流量预测的准确度,提出一种基于卷积长短期记忆(convolutionallongshort-termmemory,ConvLSTM)网络和门控循环单元(gaterecurrent unit,GRU)算法的预测模型Conv LSTM-GRU,结合公交车客流量、天气特征和气温特征以及节假日特征来预测未来的公交客流量。通过提取不同时段公交客流量之间的相关性并采用编码器-解码器结构来减少递归多步预测中的累积误差,提高了预测精度。最后,将ConvLSTM-GRU模型与反向传播(back propagation,BP)神经网络、长短期神经网络、门控循环单元结构、卷积长短期神经网络和自回归网络5种算法进行比较,结果表明所提模型在预测准确度方面均优于对比算法。

基于SSA-GRU深度学习优化模型的短时公交客流预测

短时公交客流预测是实时动态调整公交发车频率,实现公交精准动态调度的重要决策基础之一。为挖掘公交客流的时序特征,提升短时公交客流预测精度,建立了一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化门控循环单元(Gated Recurrent Unit, GRU)的短时公交客流预测模型。该模型基于历史客流数据的时序分布特征,利用SSA寻优算法对GRU中的隐含层节点个数、学习率和训练次数进行寻优,然后依据参数寻优结果重构模型超参数,利用门控循环神经网络基进行短时客流预测。为验证优化模型的预测性能,选取某城市1号线站点客流数据进行实验;结果表明,相比于GRU门控循环神经网络,SSA-GRU模型的平均相对百分误差(MAPE)降低了37.9%、平均绝对误差(MAE)降低了42.1%,均方根误差(RMSE)降低了40.7%,组合模型的预测精度高于GRU模型且能够有效进行短时公交客流预测。

城际铁路对沿线公交客流的影响分析——以浙江省海宁市为例

城际铁路作为都市圈、城市群通勤的重要交通方式,近年来得到了长足发展。国家《“十四五”新型城镇化实施方案》提出加快推进京津冀、长三角和粤港澳大湾区等城市群城际铁路建设,《长江三角洲区域一体化发展规划纲要》也提出加快构建区域轨道交通体系。

基于在线支付数据的公交客流特征分析方法——以三明市清流县为例

为了给公交系统规划方案提供数据支撑,以公交在线支付数据为基础,通过数据收集、代刷数据剔除、换乘数据判断、下车站点判断等步骤,结合统计方法,得到了公交分担比例、时间分布、距离分布、线站分布、特定群体公交服务情况等公交运行特征,并以三明市清流县为例,验证了数据分析方法在公交客流特征分析中的适应性。

基于随机用户均衡的城市公交客流分配研究

随着城市公共交通设施的完善和新兴服务模式的发展,越来越多的城市构建起了多模式公共交通系统,使居民的出行选择更加多样化。但是不同出行者对于公交网络状态的了解程度不同,对于每条路径拥有个性化的感知出行成本,因此不能再按照乘客完全了解公交网络状态且能够准确感知每条路径出行成本的假设来进行客流分配。基于当前公交网络中新兴的出行方式和乘客出行的实际特征,综合考虑乘客的出行费用与出行时间,利用随机用户均衡原则进行客流分配,以此真实反映出行者的路径选择行为,进而得到更加接近实际情况的公交网络客流分布状态。

采用多任务学习预测短时公交客流

现有公交线路短时客流预测方法主要依赖于单条线路的信息,忽略了多条线路之间的相关关系对客流预测的提升效果。针对这一问题,提出一种基于相关度分析和多任务学习的公交客流预测方法。利用灰色关联分析和皮尔逊相关系数获取公交线路之间的关联度系数,计算当前线路的相关线路集合;将相关线路的客流预测作为当前线路客流预测的辅助任务,建立基于门控循环单元(GRU)神经网络的多任务深度学习模型来预测客流。实验结果表明,该多任务学习模型在预测精度方面优于传统的时间序列预测模型以及仅考虑单条线路信息的神经网络预测模型。

基于IC卡和RBF神经网络的短时公交客流量预测

在公交客流量特性分析基础上,通过IC卡获取了实时公交客流量数据;结合GPS数据,利用OD反推法分析了实时客流分布;进而建立了基于IC卡和RBF神经网络的短时公交客流量预测模型并介绍了具体预测过程。对重庆市841公交线路进行了实例分析,得到上下车客流真实值与预测值的平均绝对相对误差均小于1.5%,实例计算结果表明该模型能获取实时客流数据,预测精度高,具有一定的实际应用价值。

基于动态聚类的大城市公交客流走廊甄别方法

针对公交客流走廊甄别方法存在局部走廊方向与客流方向不吻合等问题,将其分为方向判定和支撑道路识别2个阶段.选择交通中区公交客流OD中点坐标和与x轴正向的夹角作为动态聚类参数,根据公交客流OD与走廊的相对位置关系分类,考虑路径选择的随机性,引入Logit模型讨论不同情形公交OD利用走廊出行的客流量,以提高走廊识别的精度.在初始分配后,调整走廊支撑道路的交通分配参数进行再分配后判识公交客流交通走廊的支撑道路,分析走廊流量过大、过小的异常现象,检验方向判定中走廊数量选择的合理性,以提高走廊数量准确性.

基于空间插值法的公交客流分布可视化分析

通过建立IC卡客流数据处理流程实现了对原始客流数据的整合处理,并在此基础上利用GIS空间插值法对客流分布进行了可视化展示,将离散的客流点状信息转化为连续的面状信息,并对不同时间段客流分布的空间规律作了分析。该方法不仅可为日常的公交调度提供依据,还可为公交规划和运营决策提供参考。

基于随机灰色蚁群神经网络的近期公交客流预测

为了科学准确地预测近期公交客流量,根据近期公交客流量预测受到多因素影响以及非线性的特点,利用随机灰色变量描述预测系统的不确定性,建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型,在此基础上,提出了一种基于随机灰色蚁群神经网络的近期公交客流量预测方法。最后以铜陵市为例,对模型的预测精度和有效性进行了分析。结果表明,基于蚁群算法的递归神经网络模型的预测精度不但高于其他单一预测模型,而且明显优于其他传统组合预测模型,能很好地反映事物发展的规律,能够指导公交经营管理者近期的决策行为,有效地改善了预测精度。

基于最短路搜索的多路径公交客流分配模型研究

提出了一种首先采用最短路算法搜索有效路径集 ,再根据有效路径的广义费用 ,由改进的Logit模型确定每条有效路径的选择概率 ,进而计算每条线路客流量的公交客流分配模型 .其中 ,任意两交通区之间的有效路径集是以换乘次数最少为准则 ,通过对不同选择情况下公交路网进行最短路搜索而获取 .该模型既体现了乘客的费用最小的选择心理 ,又反映了出行线路多样性的实际情况 ,而且算法简单、有效 .初步实践证明 。

高峰时段公交客流分配的Logit模型改进

首先定义了站点滞留系数,并对其进行计算,根据站点间有、无直达线路及站点拥挤情况将站点分为3类。从时间函数、换乘惩罚函数、发车间隔三个方面对Logit模型进行了改进。然后通过实例分析了模型中参数α和Tf对分配结果的影响,并对参数α和Tf进行了标定。最后对分配结果进行误差分析,验证了模型的有效性。

公交客流OD矩阵推算

公交客流OD矩阵是公交运营调度的基础,精确的客流OD才能保证运营计划科学的制定,人、车资源合理调配。为了提高推算精度,本文提出公交客流OD矩阵受居民公交出行特征、公交停靠站附近的用地性质和停靠站换乘功能影响。采用K-S检验对居民出行站数进行分析,发现出行站数服从泊松分布。结合各停靠站的上下车人数,推算得到基于居民出行特征的客流OD。根据公交站点的吸引系数和吸引权,得到基于停靠站附近用地性质的客流OD推算模型。作者认为停靠站的重要系数与该站作为起始、终点和中途停靠的线路数有关,据此建立了基于站点换乘功能的客流OD推算模型。利用层次分析法组合上述三种影响因素,得到最后的公交客流OD矩阵。实例分析结果表明该方法确实可以大幅度提高推算精度。

短时公交客流小波预测方法研究

短期客流表现出不同于中长期客流的特性,本文在研究短期客流序列特性的基础上建立预测方法。采用离散傅里叶变换研究短时公交客流序列的频域特性;基于混沌理论,通过计算Lyapunov指数判断短时客流序列的混沌特性;最终建立短期客流序列的小波预测方法。研究结果表明短时公交客流序列信号包含高频成份与低频成份,低频成份构成信号主体,高频成份导致信号波动,且短时公交客流序列具有混沌特性,这些特性导致单一方法短时客流预测精度较低;小波预测方法通过信号分解重构在保留全部客流信息的基础上有效降低了客流信号的波动性,实例分析证明该方法可以有效提高客流预测精度。