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MLP的相关路段流量预测模型

为解决城市路网流量检测器无法达到路网全覆盖,部分道路无法得到有效监控成为交通数据采集系统“盲区”的问题,通过多维标度法(MDS)分析了城市路网中的路段流量相关性,并根据流量相对相关程度进行相关路段划分,针对每组相关路段基于多层感知机(MLP)建立结构为(6,p,q,1)的双隐层流量实时预测模型及(6,p,1)的单隐层对比模型。最后,将模型运用于重庆实例分析中,采用BP算法进行训练。结果表明:MLP模型实现了由已知路段流量至同组其他所有未知相关路段流量的整合建模,建模过程较传统实时流量预测方法更为简洁;其中双隐层模型预测精度较单隐层模型预测精度更高,达到87.4%,可指导路网流量检测器的布设优化。

基于Spark框架的实时交通流量预测方法

在数据科技时代,针对集中式挖掘平台下传统LSTM网络模型在处理移动轨迹大数据时存在的计算与存储问题,提出一种Spark框架下基于LSTM优化模型的实时交通流量预测方法,旨在于提高交通流量预测的精确性。实践结果表明,基于真实的出租车GPS轨迹大数据,Spark框架下的LSTM优化模型可以实时准确地预测交通流量。

基于3D GIS技术的飞行流量统计与预测系统

为了解决传统的飞行流量与预测系统中飞行器的分布状况在二维平面上显示不能反映其空间性的问题,提出了利用3DGIS技术在系统中监视空间范围内的飞行活动。介绍了飞行流量预测系统的功能及其实现,重点研究了利用Skyline的TerraExplorer Pro制作空域三维场景的主要过程,以及利用TerraDeveloper提供的接口自定义业务功能。空域流量的三维监视对飞行流量管理提供了有力的支持,是现有空域飞行流量监视的必然趋势。