考虑轨道出行时空分布的断面客流预测

掌握列车区间段客流拥挤情况对列车运行调度有重要支撑作用。全线区间客流与站点分布、类型以及历史客流出行规律相关,提出具有时序化特征的出行引力因子对客流时空分布规律进行量化,选用长短期记忆人工神经网络(LSTM)处理该因子与区间客流间的关系。通过研究模型层数以及城市平均出行时间等对LSTM模型预测性能的影响,综合考虑全线区间客流总体平均绝对误差(MAE)和各轨道区间段客流MAE的离差以选择最佳预测模型。根据重庆市轨道历史数据,建立了时间步为3的双层LSTM模型预测重庆市轨道全线区间客流,结果表明:所提模型预测效果不仅优于时间序列模型,还优于直接将进出站客流作为LSTM输入的同类模型,能为城市轨道交通运营组织优化提供参考。

不完备信息下公交断面客流的推算模型

为解决不完备交通数据信息下城市公交线路的断面客流量的计算问题,以断面客流的预测为研究对象,探讨了公交车站下车客流的预测模型。运用区段覆盖的思想,将公交沿线以客流集散点为中心划分成不同的客流分布区段。结合各站点的区位条件、客流条件建立不同区段内的公交分担率模型。以此为基础结合公交IC卡上车客流数据构建各车站的下车客流预测模型,结合上车客流、下车客流与断面客流三者的关系模型,计算得到公交断面客流量。最后以西安市某条公交线路某个时段的上车刷卡数据为例进行了模型的适用性分析,统计该条线路沿线各个站点周边300 m吸引范围内的土地利用性质以及人口密度,采用改进的遗传算法对模型中的未知参数进行标定。结果显示,待确定参数α和β分别取0.419 1和0.482 3时目标函数取得最优解,利用标定的结果计算该线路各车站的下车客流,进而求得断面客流量。通过与实际跟车调查结果对比,运用构建的模型预测得到的断面客流量与实际值存在一定的差异,平均相对误差在23%以内,平均绝对误差约为5人/断面,从整体结果来看预测的断面客流的变化趋势与实际调查断面客流情况基本一致,表明构建的模型具有一定的可靠性。

基于PSO-LSSVM算法的城市轨道交通断面客流量预测

为提高城市轨道交通服务水平和利用效率,针对非高峰期乘客等候时间过长、高峰期车厢满载率过高、列车运能浪费等现象,急需对具有非线性和随机波动特征的轨道交通最大断面客流实时准确预测,从而动态调整列车行车计划。首先,采集2017年4~6月份西安市轨道交通2号线全日分时段断面客流量为数据基础,将断面客流量划分为工作日、周末以及节假日的上行断面客流量和下行断面客流量。其次,利用前3 d各时段最大断面客流量以及前1 d各时段断面客流量作为模型输入变量,当天最大断面客流量作为模型输出变量,构建最小二乘支持向量机(LSSVM)核参数最优模型。然后,将RBF核、POLY核和Sigmoid核组合出多种备选核函数,以正则化参数、宽度参数、阶数参数和偏置参数为对象,利用粒子群算法(PSO)来优化备选函数和关键参数。最后,对不同模型中粒子群算法优化前后预测效果的回归评价指标和工作日、周末和节假日各时段回归误差进行比较分析。研究结果表明:粒子群算法寻优工作日LSSVM备选函数和关键参数后平均绝对百分比误差在5.0%以内,预测精度均有所改善;工作日上行的RBF与Sigmoid混合核,以及下行的RBF核能够在运行速度更快且精度更高条件下对断面客流量预测效果最优;PSO-LSSVM模型对工作日高峰期的断面客流量预测效果最优;相比PSO-LSSVM模型工作日较优的预测效果,其对周末和节假日上行的断面客流量具有一般预测效果。PSO寻优LSSVM核函数模型能更好解释工作日断面客流量的复杂变化,在小样本下达到较为理想的回归精度,具有良好的实用价值。

基于手机信令数据的地铁乘客路径识别研究

随着轨道交通网络的发展,客流诱导与预警、应急管理、票务清分等问题变得更加棘手。传统方法是基于最短路径进行票务清分和断面客流预测,可结果与实际往往存在较大差异。票务清分的不合理会影响运营商利益,断面客流计算的不准确会影响地铁应急管理方案。现阶段部分学者基于位置数据识别乘客路径等特征,通过乘客实际路径解决票务清分、断面客流预测等问题,但都存在一定局限性。本文首先基于用户信令数据和站点经纬度数据识别地铁基站,再结合地铁基站过滤出乘客轨道交通系统内的位置数据,把站点作为图的节点,站点间的时间差作为权重,切分乘客当天全部轨道交通行程,利用节点的最短路径计算行程的进出站点、换乘点和时间,最终给出乘客完整路径。基于真实数据集进行实验,结果表明:基站识别算法对商A、运营商B、运营商C站点基站识别准确率分别为:79.197%、72.941%、92.893%;乘客路径识别算法对运营商A用户、运营商B用户、运营商C用户识别准确率为70%、70%、85%。