基于行为分析的突发事件下城轨站间客流分布预测

提出突发事件下城市轨道交通(城轨)站间客流分布预测方法,旨在为制定突发事件下的应急预案和运营管理措施提供决策支持。首先,提出突发事件下城轨受影响客流界定算法,界定受影响的客流;然后,针对受影响客流,基于非集计理论构建突发事件下城轨乘客的出行选择行为模型,捕捉受影响乘客的出行选择偏好;其次,建立突发事件下的多方式备选出行方案集合,结合乘客出行选择行为建模结果,预测突发事件下城轨站间客流的重分布。最后,基于某突发事件下某城市轨道交通系统的历史客流数据,对该预测方法进行验证。结果表明,该方法能够捕捉到突发事件下城轨乘客的出行行为特征,分时站间客流预测的平均绝对误差为2.05人,预测效果较好。

基于最大熵的城际轨道交通站间客流分布预测

研究了基于最大熵原理的城际轨道交通客流分布预测模型,将各站点周边一定范围内划为交通小区,根据人口分布、客流走廊特征等确定各个小区的公交出行比例,得到公交出行量,引入轨道出行量占公交比例,应用最大熵预测交通小区间轨道交通客流分布情况,将发生概率最大的客流分布看作希望得到的分布情况,考虑隐含随机因素影响,可以很好描述城际轨道交通客流出行行为,以某线路为实例,在应用中标定模型参数,结果表明:该模型适用性较强。

城市轨道交通高峰时段站间起讫点矩阵预测模型

高峰小时单向最大断面客流量是城市轨道交通规划与设计阶段的重要参考依据.为了确定这一参数,需对高峰时段内出发的乘客选择的出发时刻与路径进行预测.高峰时段站间起讫点(OD)矩阵反映了城市轨道交通乘客的出行需求,是整个预测的基础.在全天站间OD矩阵已知的前提下,以中国重庆市为研究对象,首先分析传统的重力模型在预测城市轨道交通高峰时段站间OD矩阵时的优、缺点,并在此基础上进一步提出站间客流高峰时段系数模型.比较结果表明,在同一数据源下,站间客流高峰时段系数模型能有效改善传统的重力模型所存在的缺陷,预测结果明显更优.该模型预测结果的标准误差为12.90人次,相较于重力模型的29.33人次降低了56.02%.

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。