基于类神经网络的轨道交通新开站点客流预测

随着轨道交通新线或新开站点的投入使用,其网络拓扑结构会发生变化,并且网络上的客流也变得越发的复杂,如何准确预测新开站点的客流需求是目前轨道交通系统亟需解决的关键问题。因此,充分考虑了新开站点周边用地、拓扑、接驳、居住等特性,构建了基于多因素约束的非线性类神经网络(ANN)模型,对轨道交通新开站点需求进行预测。以北京市轨道交通为例,应用该模型进行预测,其预测精度达到96.6%,说明综合考虑站点用地、拓扑、接驳、居住等因素约束的非线性ANN模型能够较好捕捉新开站点下客流需求的非常规变化,相比以往方法预测精度更高。研究结果可为轨道交通系统新开站点建设立项及可行性研究环节的客流预测提供新的方法。

基于梯度提升决策树的重庆市轨道交通网络特征对站点客流的影响分析

为了探讨轨道交通网络特征对站点客流的影响,基于重庆市轨道交通站点客流数据、POI数据、道路网矢量数据等多源数据,选择表征网络结构特征的中心性、连通性、集聚性等22个影响因子,采用普通最小二乘法和梯度提升决策树模型对客流进行拟合。结果表明,梯度提升决策树模型较普通最小二乘法的拟合度更好,其中站点效率是影响轨道站点客流最重要的因素,其次是临近中心性与站点重要性排序,对站点客流贡献度大于5%的因子共8个;同时对临近中心性、站点效率、公交站点密度等在内的9个影响因子进行独立效应分析,得到这些因子对站点客流均表现出非线性关系,且阈值效应显著。研究结果可为重庆市轨道交通资源的配置和轨道站点设置等提供一定的技术支持,也为其他城市轨道交通运营提供理论参考。

土地利用视角下的轨道站点客流预测——以深圳市为例

从土地利用视角分析轨道站点客流的影响因素,基于直接估计模型,选择不同类型用地楼板面积、公交线路数量、站点中心性、站点可达性4个变量建立非线性回归函数,分析不同类型用地客流生成率与站点可达性之间的衰减规律。结果表明:①相比于线性衰减规律,客流生成率随站点可达性的降低更符合指数衰减规律,用地距离地铁站0~0.5km时客流生成率下降最快。②单位面积各类用地客流生成率由大到小依次为:交通用地 >办公用地 >商业用地≈城中村 >工业用地 >居住用地 >其他用地。③客流生成率受站点可达性影响强度由大到小依次为:商业用地 >办公用地 >交通用地 >其他用地 >居住用地 >城中村 >工业用地。

多元数据下的公交站点客流不确定性分析

利用长期收集的公交站点IC卡刷卡数据,基于区间不确定性理论,提出公交上下车站点区间不确定性客流推导方法.首先,将公交IC卡数据和GPS数据与公交站点信息相融合,确定IC卡刷卡的上车站点及其区间不确定性客流;然后,对公交刷卡行为进行分析,考虑乘客个体出行特征、乘客出行距离和站点吸引权重,提出下车站点客流推导概率模型及相应算法,通过区间数处理方法,得到下车站点客流区间值.最后,以2015年11月13日~12月25日深圳市21路公交为期6周的IC卡刷卡数据和GPS数据为例进行实例分析.

灰色预测系统在地铁站点客流预测中的应用研究

客流预测对城市轨道交通的规划与运营具有十分重要的意义,为此研究了一种应用于地铁站点客流预测的灰色预测系统。首先,确定了客流预测的方案,并完成了西安地铁2号线主要站点客流数据的统计。其次,以灰色预测系统为手段,完成了地铁站点的客流预测与误差分析。最后,通过仿真实验说明基于灰色预测系统的地铁客流预测与真实客流增长的规律相吻合,因而此模型对工程人员的客运调度与建设规划起到了一定的指导作用。

站点客流对公交站点停留时间可靠性的影响

为了提高公交站点停留时间可靠性,从站点客流入手,通过理论分析公交站点停留时间的特性,采用概率测度的方法,建立了基于上车时间间隔、下车时间间隔和损失时间的公交站点停留时间可靠性模型。选取福州市典型公交站点作为实例,结合统计分析软件SPSS和PALISADE检验了指标间的不相关性,作为指标间相互独立的必要条件。运用统计分析方法定量分析了高峰时段和平峰时段站点客流对站点停留时间可靠性的影响程度。采用可靠性计算公式对各调查站点可靠性进行了计算。研究结果表明:站点客流的上车时间间隔、下车时间间隔和损失时间对公交站点停留时间可靠性有较大影响。

基于历史数据和时间系数的城市轨道站点客流预测

在对城市轨道交通站点客流规律、特点进行分析的基础上,通过对上海市轨道交通系统客流历史数据的深入分析,在引入平假日系数的同时,提出了小时系数的概念,并建立了基于平假日系数和高峰小时系数的城市轨道交通站点客流神经网络预测模型,提高了站点进站客流预测的精度,为城市轨道交通系统客流管理提供了理论基础.

深圳市轨道站点客流特征与周边土地利用的关系

以深圳市轨道1号线为研究对象,基于轨道IC卡数据和离站点500 m范围内的土地利用数据,通过图表分析与回归分析等方法,研究轨道站点客流特征与其影响范围内的土地利用之间的关系。研究发现:对于周边以居住用地为主的轨道站点,其客流早高峰起始时间与晚高峰结束时间均不同于其他类型的站点;站点周边土地总体容积率与站点日均客流量之间呈正相关的关系,而站点周边不同类型用地的容积率则与站点时段客流量之间呈不同的关系。

基于空间计量模型的武汉市轨道交通站点客流影响因素多级效应研究

轨道站点客流及影响因素的互动关系是轨道交通规划的关键问题。论文运用空间计量模型,基于多模式接驳方式划定轨道站点多级影响区,从建成环境、外部连通性和多模式交通3个方面探索武汉市轨道交通站点客流影响因素的多级效应。结果表明:人口数量、岗位数量、办公建筑面积、土地利用混合度、学校数量、公交线路数量、站点到市中心的距离是轨道客流的显著影响因素;多级影响区内轨道客流的决定性影响因素不同,且作用程度存在明显的差异性。

城市轨道交通站点客流预测研究进展分析

轨道交通站点客流预测能够为站点周边交通设施合理配置提供理论指导。文中通过梳理分析国内外关于轨道交通站点客流预测与建成环境、站点类型、站点可达性、站点影响范围等因素,总结分析站点客流预测模型相关研究发展历程,发现国内外学者多在探究站点客流与站点周边环境因素内在机理、对轨道交通站点直接客流预测模型等方面进行系统性研究,而在多源数据融合处理、网络化条件下轨道交通站点客流影响因素等方面研究相对较少。在网络化条件下,利用AFC数据和POI数据等多源数据,结合GIS等技术提出轨道交通站点客流预测有可能深入的研究方向。

新型冠状病毒肺炎疫情下广州公交站点客流特征分析研究

为了更好地掌握新型冠状病毒肺炎疫情下广州公交客流变化情况,从而更科学地分配运力并为公共交通疫情防控提供参考依据,对广州市12个特征公交站点在2019年春节后返工和2020年春节后复工复产40 d的客流变化进行对比分析,同时分别对2020年站点客流在工作日、节假日的增长趋势进行短时预测。

基于改进PSO-LSTM模型的城市轨道交通站点客流预测

城市轨道交通站点的精准短时客流预测可以很好地缓解城市交通拥堵,给城市居民带来更快速、更优质的出行服务。通常短时客流预测随时间的变动而变动,长短时记忆网络能对其进行深度的训练和特点提取。为提升预测性能,以成都轨道交通火车北站为例,设计一种基于改进PSO-LSTM模型的城市轨道交通站点短时客流预测办法。通过实例研究分析,验证了改进后的PSO-LSTM模型在城市轨道交通站点短时客流预测中具有更好的预测性能。

面向海量公交刷卡数据的站点客流分析方法

公交行业的发展,产生了海量多元的公交IC卡刷卡数据,为行业应用提供快速、准确的站点客流量统计一直是智能公交建设的重点。以往对客流量的研究只是进行了简单的数据统计,准确度不高,提出的并行算法在海量数据规模下不具备水平扩展能力。针对此问题,论文通过分析海量多元数据的特征,面向公交刷卡数据提出了一种刷卡时间的聚类方法,不仅可在分钟级完成一周数据的计算,并根据换乘的时间差和距离规则约束提高了计算的准确性。论文工作在Hadoop MapReduce上进行了实现,分时客流量的计算方面随数据规模增大具有可扩展性,单位数据规模的计算执行时间保持相对稳定,并且分析结果具有较高的准确性。

基于二次分解和MVO-TCN的城轨站点客流预测研究

为提升城轨站点客流预测精度,提出一种基于变分模态分解(VMD)、经验小波变换(EWT)和多元宇宙优化算法(MVO)优化的时间卷积神经网络(TCN)的复合预测模型。使用VMD对城轨站点客流数据进行初步分解,生成若干本征模态函数(IMF)。随后,计算每个IMF的样本熵,并利用K-means算法根据样本熵值将IMFs聚类为复合分量,对高频复合分量进一步应用EWT进行细化分解,以减少波动性强的城轨站点客流数据的分解残留。通过MVO算法对TCN模型的参数进行优化,以强化模型在各个分量上的预测能力。最后,将各分量的预测结果进行重构,得到最终的客流预测值。实验结果表明,文中所提出的VMD-EWT-MVO-TCN模型通过二次分解改善了分解残留问题,结合对TCN参数的寻优提升了城轨站点客流预测精度,RMSE和MAE值分别为14.936 5和5.789 3,相较TCN模型提升了45.46%和50.28%。该模型能够为城轨站点客流管理提供新的技术支持和决策参考。

优化XGBoost模型在城轨站点短期客流预测的应用

本文提出一种基于训练数据集优化的Gridsearch-XGBoost模型,旨在通过Gridsearch方法自动调整XGBoost模型的参数,并结合特征筛选技术挑选合适的训练数据集,最终利用合适的训练数据集再次进行参数优化训练出最优的GridsearchXGBoost模型,结合杭海城际铁路某站点3个月的各时段客流数据进行预测,发现优化后的模型在RMSE、MAE以及MRE的表现上均明显优于常规XGBoost模型,RMSE达到8.10,MAE达到5.83,MRE达到0.079,模型预测精度达到92.1%。

可持续TOD建设视角下的轨道站点客流潜力模型构建

轨道是缓解城市交通问题的重要设施,增加出行者选择轨道出行的概率,有利于交通与土地利用协调和TOD可持续发展。本文提出站点客流潜力的概念,并根据复杂网络特征和出行模式构建站点客流潜力模型,通过协调潜力值与实际客流为TOD研究提供新视角。以北京市轨道站点POI数据构建Space-L模型,并依据站点客流潜力模型计算北京市364个站点的客流潜力。研究发现:(1)本文提出的站点客流潜力具有吸引力和承载力两类内涵,能定量分析站点空间与站域客流的协调情况;(2)北京市站点客流潜力值空间分布为“核心-边缘”模式,区间概率分布为等差数列分类的指数分布和等比数列分类的正态分布;(3)根据出行目的设置四类出行情景。不同情景下出行者选择轨道出行的概率具有差异,早高峰和晚高峰情景下轨道出行概率大,受潜力值影响小,非工作出行情景下轨道出行概率小,受潜力值影响大。实例分析表明相比于单独考虑复杂网络特征,潜力值具有更好的可解释性和科学性;(4)耦合度C<0.5时认定站点失调,其中标准化的实际客流与潜力值的比值Z>1,表示客流过饱和,如西二旗等,会造成站点拥堵,Z<1表示站点交通地理优势未充分发挥,如北运河西等。北京市轨道交通需协调优化以提升效率,实现TOD可持续发展。

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC卡和GPS数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO算法找到ELM的最优隐含层节点参数;最后依托广州市19路公交车客流数据仓库进行了方法验证.结果表明:所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.

基于K-Means聚类算法的城市轨道交通站点分类及客流特征分析

文章立足于沈阳市轨道交通站点800 m范围内的人口分布、开发强度、公交接驳、路网长度分布、站点位置属性、站点客流数据等六大维度数据,采用K-Means聚类算法将城市轨道交通站点划分为居住型、商业商务型、综合开发型、产业型、交通枢纽型五大类;基于站点聚类成果,叠合多样化数据分析总结各类站点客流的普适性规律,可为后续站点周边基础设施完善、站点客流预测、车站运营组织方案做出指导。

GCPSO优化混合核SVM的地铁车站客流预测

地铁中站点客流量为地铁运营调度部门提供实时调度管理依据。将径向基核函数与多项式核函数线性组合,构建了混合核支持向量回归机(SVM)预测模型。采用基于黄金分割的混沌粒子群(GCPSO)对混合核SVM的参数进行寻优,得到最佳的参数组合。利用该混合核SVM预测广州地铁3号线站点短期客流量。结果表明,GCPSO优化的混合核SVM预测模型对地铁站点的短期客流的预测精度高,预测数据和实测数据拟合良好,相对误差较小,明显优于SVM其他三种预测方法及Elman神经网络预测方法。

对广州—珠海城际快速轨道交通客流预测的分析评价

客流预测是轨道交通建设项目决策的重要依据。因此,城际快速轨道交通线的客流预测必须坚持定量分析和定性分析相结合的观点,并据此对广州—珠海城际快速轨道交通线客流预测工作的可靠性和预测结果的合理性进行了分析评价。