基于时间序列季节分类模型的轨道交通客流短期预测

轨道交通客流的分析中,数据季节性特征对客流预测的有效性存在显著影响。通过分析轨道交通客流曲线,发现轨道交通客流呈现出季节性特征;针对这种特征,提出基于季节分类模型的轨道交通客流预测方法。根据客流季节特征建立季节分类模板和季节时间序列;采用乘法季节自回归差分滑动平均模型建立客流季节分类模型;使用季节分类模型预测对应类型日期的客流。实验表明:季节分类模型既能有效预测轨道交通客流,又能较好地避免预测误差波动性问题。

沪宁城际铁路客流短期预测研究

为提高沪宁城际铁路运营组织效率,通过对沪宁城际铁路短期客运量的时序特征和变化规律的分析,表明短期客运量时间序列是一种具有周期性特征、增长趋势缓慢的非平稳时间序列。在此基础上,建立ARIMA乘积季节模型,并运用该模型对沪宁城际铁路南京站发送量客流进行预测,结果表明ARIMA乘积季节模型具有较好的预测精度,适宜做城际铁路的短期客流预测。

特征分离编码的景区短期客流量预测模型

为增强景区科学管理、缓解交通压力、减少安全隐患、提升游客体验,提出基于特征分离编码和注意力机制的网络模型(feature separation encoding and attention mechanism network,FSEAMNet)预测景区短期客流量。该模型包含序列到序列(sequence-to-sequence,Seq2Seq)结构,将不同分布规律的特征进行分离并独立编码,融合成最终的编码向量序列。在每个解码时刻,注意力机制将编码向量序列重新组合成一个上下文向量,解码器从上下文向量解码出未来的游客数量。通过真实的景区数据库数据构建训练集、测试集。实验结果表明,与其它模型相较,FSEANet的预测误差最多可下降82.80%,该模型在工程应用案例分析中对未来一周客流量预测的每日相对误差均在10%以下。所提模型能对实际景区未来短期客流量实现较准确的预测。

ARIMA模型在城市轨道交通短期客流预测中的应用研究

城市轨道交通站点的客流监控与短期精准预测对实现高效列车调度、防范安全隐患、降低运营成本具有关键作用。文章通过优化ARIMA模型参数对不同时间粒度下天津地铁某站点周一到周五的AFC客流数据进行预测,预测结果表明ARIMA方法能够准确预测城市轨道交通站点的短期客流。减小客流数据时间粒度能够获得更多的客流数据细节信息,有利于提升预测的精准度。研究发现即便在客流数据能够通过平稳性检验的情况下,对客流数据进行差分处理依然能够明显提升ARIMA模型的预测精度。

城市轨道交通短期客流预测方法

阐述城市轨道交通客流预测面临的问题,总结近年来提出的各种短期客流预测方法及主要设计思想。首先介绍短期客流预测的研究背景,然后分别从实时判断和实时预测2个维度介绍具有代表性的研究工作,对涉及的主要方法进行分类分析,最后进行各种算法的综合比较,并指出城市轨道交通短期客流预测未来的研究方向。

基于周期时变特点的城市轨道交通短期客流预测研究

分析了城市轨道交通客流的周期时变性特征,并根据该特征在GM(1,1)灰色预测模型的基础上改进了马尔科夫算法,以适用于城市轨道交通短期客流预测。用无偏GM(1,1)模型拟合系统的发展变化趋势,再以此为基础进行了马尔科夫链预测,并采用多转移矩阵排除客流数据中噪声数据的扰动。试验结果表明,改进后的模型在城市轨道交通客流短期预测中具有良好的精确性。

城市轨道交通常态与非常态短期客流预测方法研究

城市轨道交通客流特征除表现为常态的周期性、季节性及高峰性外,还会因节假日、体育赛事、城市大型活动、突发事件、特殊天气等因素表现出差异性和特殊性,本文对较为成熟的常态及研究较少的非常态客流预测方法进行了实验.首先利用通用的ARIMA时间序列预测算法分析样本历史数据实现常态日客流预测;其次针对客流特殊因素提出时间序列及回归分析的组合模型,同时引进虚拟变量和结合相似日样本数据进一步改进,实现非常态预测问题的高精度求解.仿真计算结果表明,本文方法对解决短期客流预测具有良好的适用度,尤其同样本同预测周期条件下的非常态组合改进模型和常用单一时间序列模型的对比,证明改进模型可以很好地应用在客流特征既包括随时间固有不变的性质又表现出特殊因素的研究中,具有较强的自适应性和更好的预测精度.

基于BA-SVR的乡村游短期客流预测模型

针对乡村休闲游短期客流量预测中多影响因素、非线性、数据稀疏的特点,提出一种基于支持向量回归的预测模型。支持向量机模型的预测效果受支持向量机的参数的影响较大,利用蝙蝠算法对支持向量回归预测模型进行建模参数优化,实现乡村休闲游短期客流量的精准预测。对九寨沟每日客流量数据和密云区乡村休闲游客流量数据进行仿真实验,实验结果表明,对比该模型与神经网络模型、ARIMA模型、贝叶斯线性回归模型、随机森林回归模型,在乡村休闲游的小样本情况下,其预测精度明显高于其它模型,可以进行有效的短期客流量预测,蝙蝠算法相比于传统群体智能算法具有更好的全局搜索能力以及更少的计算用时。

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻(K-NearestNeighbor,ANN)算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%,9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。

基于ARMA模型和灰色预测模型的短期客流量预测比较研究

分析了城市公交客流特征，提出短期客流量预测的必要性。分别用ARMA模型以及灰色预测GM（1，1）对上海市59路五角场站客流量进行了短期预测，并比较了两种模型的预测精度，提出可行性建议。

基于动态反馈神经网络的城市轨道交通短期客流预测

城市轨道交通短期客流的预测是制定列车调度计划、车站客运组织工作等的关键。文章在研究城市轨道交通的断面客流特征的基础上,建立基于动态反馈神经网络的城市轨道交通短期客流预测模型,提出通过若干组连续历史断面客流数据训练动态连续的神经网络,以此对未来客流进行预测;并以北京轨道交通某日早高峰客流为例进行分析,验证了该模型与方法的有效性。

基于组合误差优化模型的城市轨道交通短期客流预测研究

为提高城市轨道交通短期客流预测的准确性,构建了一种基于组合误差优化的短期客流预测模型。采用预测误差值对预测值进行优化校正,弱化传统SVM模型在实际预测中误差对预测结果的影响,以提高模型的预测精度。数据选取样本周期内郑州市地铁1号线每小时客流量组成的样本序列并进行了仿真验证。结果显示,经误差优化后的预测模型的预测精度有了明显提高,且优化后的预测值与误差预测值的趋势具有较高的一致性。

基于EMD-BPN方法的高速铁路短期客流预测

高速铁路短期客流预测是铁路运输系统的重要组成部分。无论是对列车开行方案的制定,还是对如何采取正确的营销策略,都具有重大的现实意义。通过混合经验模态分解方法和神经网络方法相结合的EMD-BPN方法来预测高速铁路短期客流量。组合方法主要分为三步:首先,使用经验模态分解方法将客流时间序列分解;其次,将IMFs作为BP神经网络的输入;最后,应用神经网络对客流量做出预测。数值实例表明,该方法对于高速铁路短期客流预测在精度和稳定性上都有良好的表现。

基于长短期记忆网络的轨道交通短期OD客流量预测

为了更准确地掌握轨道交通客流在线网中的时空分布,更高效地匹配客流需求与运输能力,实现提高轨道交通运输效率、改善运营服务质量的目的,提出了一种基于长短期记忆网络的短期OD(交通起止点)客流量预测方法。以历史客流数据为基础,定性分析车站间OD客流量的时空相关性,利用回归分析法定量分析客流影响因素,筛选出运营时刻、运营日特征、最低气温3个时间特征。为提高预测精度,以长短期记忆网络为基础,结合时间特征,为每对起讫点单独构建预测模型,形成了基于长短期记忆网络的轨道交通短期OD客流量预测模型。以苏州市为例进行验证,结果表明,加入了时间特征的短期OD客流量预测模型较移动平均模型、仅利用历史客流数据训练的基于LSTM网络的短期OD客流量预测模型,预测结果与真实值之间的误差降低了6.27%~8.58%,所提出的方法和模型可为轨道交通运营部门制定列车运行计划、组织客运工作提供更准确的数据资料。

基于季节性差分整合移动平均自回归模型的城市公交短期客流预测

为了解决公交车辆过载及空车浪费资源并存问题,提高城市公交服务质量水平,基于公交客流季节性波动及周期性变化特征,构建季节性差分整合移动平均自回归模型,并对城市公交短期客流进行预测;以山东省青岛市K1路公交线路刷卡数据为模型样本,对非平稳的客流时间序列进行1阶7步差分处理,对差分后的数据进行平稳性检验;通过相对信息量计算,确定预测模型中未知参数,对差分处理后的时间序列进行标准化残差检验,检验结果为白噪声序列,得到周期为7的季节性差分整合移动平均自回归预测模型;利用预测模型对2019年7—12月公交客流量进行预测与误差分析。结果表明,模型预测的平均相对误差为4.02%,最大相对误差为8.36%,模型预测精度较高,适用于青岛市公交短期客流量预测。

城市轨道交通短期客流OD预测模型研究与实现

轨道交通短期客流预测在保障运营安全、制定科学的客运计划和组织方案、提高效率等方面具有重要意义。目前我国对精细化短期客流预测,特别是OD级预测的研究不多,尚未见成熟的预测方法或大型信息系统报告。通过自下而上的研究方式,从路网客流构成单位OD入手,根据轨道交通AFC(自动售检票系统)历史数据,分析轨道交通路网客流OD时空分布规律与动态变化特征,并应用机器学习方法,建立基于OD分布规律与特征映射的路网客流OD精细化预测模型。从近3个月(2019年10月—2020年1月)的预测结果分析显示,该模型在精细化短期客流预测方面效果显著。

郑州地铁短期客流预测研究

建立符合郑州地铁客流特点的短期客流预测模型并运用到线网客流预测工作中。短期客流预测模型可预测未来1个月内工作日、周末及节假日的线网客流,为线网日常运营管理及运输组织工作提供有效参考依据。

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。

城市轨道交通节假日客流预测研究

城市轨道交通短期客流预测是列车运力配置和网络化运营决策的基础,预测结果的准确性、精细度及科学合理性决定了运营过程的安全性、运营组织的高效性和资源配置的均衡性.节假日(包括节前一日)客流与平日有明显差异,不同节假日、不同车站的客流规律各异,预测过程同时面临路网结构改变、历史可用样本少等问题,本文综合考虑大型活动、恶劣天气、车站周边土地利用性质等影响因素,采用模糊C均值聚类法和一元线性回归模型,构建了适用于路网结构发生改变的车站进、出站量预测模型,并结合北京市轨道交通历史客流数据,对2015年清明节前一日车站进、出站量进行了预测,与神经网络模型、多元回归模型预测结果对比表明,本模型预测结果更好,全路网客运量误差率为0.27%,车站平均预测误差率为3.92%.

基于PCA-Kmeans算法的城市轨道交通短期OD客流预测

针对当前城市轨道交通短期起讫点(OD)客流预测存在模型构建工作量大、资源占用量大的特殊性,提出一种基于PCA-Kmeans算法的城市轨道交通短期OD客流预测方法。利用自动售检票(AFC)刷卡交易明细数据构造OD分布比矩阵,通过主成分分析(PCA)进行数据降维,再通过Kmeans算法处理降维后的数据,采用手肘法确定初始聚类数目,开展Kmeans聚类分析;依据聚类分析结果的各簇中心OD分布比及轮盘赌策略分布,以准确度较高的进站客流为OD客流,实现全线网规模的短期OD客流预测。以西南某城市轨道交通数据为研究对象开展实例研究,快速完成了全线网规模的短期OD客流预测,日粒度平均绝对百分比预测误差仅为13.7%,15 min粒度平均绝对误差仅为8.56,印证了该OD客流预测方法具有较高工程应用价值。