基于组合深度学习的轨道交通短时进站客流预测模型

针对轨道交通短时进站客流考虑不充分和特征学习不全面而导致预测精度不高的问题,选取客流特征、天气、空气质量和道路交通拥堵指数等多个因素,提出了一种基于组合深度学习的轨道交通短时进站客流预测模型(CNN-ResNet-BiLSTM)。基于卷积神经网络(CNN)对多因素客流时间序列进行自动提取,在CNN网络中插入多个残差神经网络(ResNet)来加深网络深度,利用双向长短时记忆神经网络(BiLSTM)捕捉前后两个方向的客流时间序列特征并得到预测结果;以杭州市全网80个站点工作日的进站客流为例,验证了该模型的有效性。研究结果表明:与常用的几种模型相比,多因素CNN-ResNet-BiLSTM组合模型的均方根误差(E RMS)至少降低了8.50%,平均绝对误差(E MA)至少降低了6.74%,平均绝对百分比误差(E MPA)至少降低了6.52%。

基于时空关联的时空图卷积神经网络城市轨道交通进站客流预测

[目的]准确的短时客流预测对于提高超大规模城市轨道交通线网的运营和管理效率具有重要意义,而目前现有研究对于深度挖掘时空关联性仍不够充分,为此基于短时客流的时空规律提出了基于客流时空关联特征的STGCN(时空图卷积神经网络)模型。[方法]首先,通过切比雪夫图卷积网络捕捉超大规模城市轨道交通网络的空间相关性,借助门控循环单元挖掘多时空关联特征下客流的时间相关性;然后,分析待预测车站历史客流数据相关性及OD(起讫点)客流数据相关性,以深入提取时空相关性;最后,结合客流时空关联特征建立STGCN模型。[结果及结论]以上海地铁江苏路站为例,进行短时进站客流预测,结果表明采用时空关联特征参数的预测结果较未加入特征参数的预测精度提高了16%,预测效果较优。

广州地铁车站进站客流超高峰系数实证分析

[目的]超高峰客流量是设计城市轨道交通车站内各部位通过能力所需的重要参数,由高峰小时客流量乘以超高峰系数得到。而超高峰系数目前还没有合理的确定方法,在实际设计中通常基于《地铁设计规范》给出的建议值并结合设计者的经验进行取值,需研究其分布规律和取值方法。[方法]基于广州地铁现状客流数据,按照全日进站量和所在区位对车站进行分类,基于此,分析了不同类型车站进站客流超高峰系数分布范围的差异,探讨了进站客流超高峰系数的分布规律和确定思路。[结果及结论]周边以岗位用地为主的车站,其晚高峰进站客流超高峰系数宜在《地铁设计规范》中建议值的低限附近取值;周边以居住用地为主的车站,其早高峰进站客流超高峰系数,可根据车站早高峰进站客流的出行距离分布集中程度来取值,如果出行距离分布集中程度高,则宜在《地铁设计规范》中建议值的高限附近取值。

基于深度集成神经网络的城市轨道交通短时进站客流预测

准确、可靠的城市轨道交通短时客流预测是智慧地铁的重要组成部分。现有的短时客流预测模型大多是在常态条件下提出的,在异常条件下难以获得满意的预测精度。为此,提出一种基于深度集成神经网络(deep ensemble neural network,DENN)的短时进站客流预测模型。该模型建模并整合了天气、时间和特殊事件等外部环境因素,最近时段进站客流的时间依赖性,以及出站客流的相关性,具有高度的灵活性和可扩展性。具体地,在DENN中,首先,嵌入一个门控循环单元(gated recurrent unit,GRU)网络,用于提取最近时段进站客流数据的时间依赖性;其次,引入Transformer网络,用于自适应地捕获出站客流数据中对进站客流影响最大的时段,以提取出站客流的相关性;最后,应用全连接网络编码外部环境因素和实现特征融合及预测。在上海地铁徐泾东站和上海体育场站的数值实验表明,提出方法在普遍条件下都能取得较高的预测精度。

基于列车满载率的城市轨道交通进站客流量控制

基于新冠肺炎疫情的防控要求,2020年初北京轨道交通将列车满载率作为客流控制指标,严格控制城市轨道交通的进站客流量。为此,亟需量化各车站的进站客流控制阈值,用以作为现场客流管控的依据。提出了基于列车满载率的进站客流控制模型及相关客流控制方案。首先根据线网的客流特征对控流日客流的OD(起讫点)信息进行预测,再结合列车运行图精确推演出乘客进站—上车—换乘—下车的全过程出行链信息,计算得到乘客出行所乘坐的各计划运行车次的列车满载率数据;然后结合列车满载率控制指标进行逆向推演及反算,得到该计划列次在各站上车的客流控制阈值,再根据车站客流分布特征计算得到各站10 min粒度的进站客流控制阈值;最后,举例说明了该客流控制模型在北京轨道交通线网进站客流控制管理中的科学性及有效性。

基于ARIMA-Kalman滤波混合算法的铁路进站客流预测方法

轨道交通车站客流预测,是优化车站客运组织、提高运营安全和运输效率的有效途径。针对传统ARIMA模型对客流量预测性能较差的问题,提出一种基于ARIMA-Kalman滤波混合预测方法。具体通过建立ARIMA模型训练实验样本,结合Kalman滤波器,建立预测递推方程,最终利用Kalman滤波预测方法对客流量进行预测。基于江门东站进站客流数据的仿真实验结果表明,相较于单一ARIMA模型,所提出的ARIMA-Kalman滤波混合算法预测结果的均方根误差降低了257.106,平均绝对误差降低了145.675,平均绝对百分比误差下降了5.655%,证明了所提出的混合算法预测精度更高。

基于EMD-LSTM模型的城市轨道交通进站客流量预测

城市轨道交通进站旅客的流量存在非线性、随机性、周期性等特点,导致长短时记忆神经网络(LSTM, Long Short-Term Memory)在有效处理上述数据特性时,其算法性能上对预置参数具有很大的时间依赖性,导致预测性能的下降。为了进一步提高模型的预测精度,研究中使用EMD经验模态分解,将客流时间信息的各个尺度分解为若干个固有模态分量(IMF),从而去除一些噪声影响;再使用LSTM神经网络对各固有模态分量进行学习和预测。预测结果显示,EMD-LSTM的组合模型相对于LSTM模型,其客流量的预测结果具有更高的精度,为城市轨道交通进站客流量的预测起到重要的参考作用。

基于SARIMA模型的北京地铁进站客流量预测

通过对北京地铁2013年5月-7月的进站客流量数据进行详细分析,总结北京地铁进站客流量以周为周期的波动规律,选用季节时间序列（SARIMA）模型对北京地铁进站客流量进行时间序列建模.利用符合要求的模型对北京地铁进站客流量进行预测,预测结果能够较准确地描述北京地铁进站客流量的变化趋势,平均误差为0.3%.说明此模型适用于地铁进站客流量的短时预测,基于预测结果进一步分析北京地铁进站客流量的特点,为进一步优化进站设施布置、组织进站流线、高效安全的地铁运营组织提供参考建议.

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。

基于改进KNN算法的城轨进站客流实时预测

针对实时进站客流数据的高维数、多噪声、波动频繁等特征,本文提出一种基于改进K最近邻(K-nearest-neighbor, KNN)算法的城轨进站客流实时预测方法.首先,通过对分时客流数据的相关性分析,确定表征客流特征的状态向量;其次,结合数据特性改进近邻样本的模式匹配过程,利用关键点法去除原始序列中的噪声扰动,并引入动态时间规整算法实现考虑序列形态的相似性度量;再次,根据样本间流量差异引入距离权重和趋势系数,推演未来时段的进站量,实现滚动的实时预测;最后,依托广州地铁客流数据仓库对预测模型进行精度分析.结果表明,对于全网159个站点,5 min粒度下全天分时进站量预测的平均绝对百分比误差的均值为11.6%,能够为路网状态监控提供可靠的数据支撑.

基于深度长短期记忆网络的地铁进站客流预测

提出利用多源数据(地铁刷卡数据、气候数据和节假日数据)进行数据特征构造,并采用深度长短期记忆网络(DLSTM)方法预测地铁进站客流量。以深圳北站地铁站为研究对象,选取该站3个月的地铁IC卡数据记录,前两个月的数据为训练集,后一个月的数据为测试集。介绍了数据预处理方法和DLSTM模型构建原理。试验结果表明:DLSTM模型的预测准确度随着DLSTM模型的深度增加而增高;与其它模型相比,DLSTM模型的预测精度更高。

基于支持向量机模型的地铁进站客流量预测

为了更精确地预测短期站点客流量,动态调整城市轨道交通的日常客流方案,采用支持向量机模型对预测地铁客流量。首先,通过对AFC数据分析,利用上周同期进站量、前一天同期进站量、当日前两个时段进站量以及高峰和非高峰时段参数作为模型的输入变量;然后,构造支持向量机预测模型并运用粒子群算法优化模型(PSO-SVM模型),实现地铁站点客流量预测,并进行不同模型预测误差的比较分析;最后,以苏州地铁数据为例,预测汾湖路地铁站的进站客流量。结果表明,优化模型能够有效改善预测误差,预测结果更为准确,证明PSO-SVM方法能有效用于地铁进站客流量的预测研究,为地铁进站客流量预测提供了新的方法。

基于PLSR建模的地铁车站客流与周边用地关系分析

通过轨道交通车站周边用地与客流指标之间的拟合模型,建立土地利用和轨道交通车站客流之间的量化分析手段,为轨道交通车站客流预测提供依据。选取轨道交通车站的全日集散量、早高峰的进站客流量和出站客流量、晚高峰的进站客流量和出站客流量等5个指标作为因变量,选取表征用地性质、开发强度等12个指标作为自变量。考虑到各指标间的多重相关性,采用普通的回归分析存在较大误差,以西安为例,基于PLSR方法建立了车站客流与用地的拟合模型,并进行了模型校验。结果表明:模型的回归拟合精度较高,可以测算估计轨道交通车站客流。

城市轨道交通站点客流时变特征及其影响因素研究——以上海为例

轨道交通快速发展的背景下,高峰时段运畿不足和非高峰时运能过剩已经成为现阶段上海轨道交通运营组织中遇到的突出问题。研究利用上海轨道交通站点客流数据,首先利用聚类分析算法分析得到进站客流的四种主要时变模式,然后通过建立多项Logit回归模型,从土地利用、交通等方面定量分析影响客流时变模式的显著因素。研究可为站点周边用地规划和交通设施规划及运营管理提供参考,有助于促进土地利用与交通的协调发展。

我国9月城市轨道交通客运量同比增长40%

2023年9月,城市轨道交通运营数据速报显示,当月我国城市轨道交通客运量同比增长40%。2023年9月,31个省(自治区、直辖市)和新疆生产建设兵团共有55个城市开通运营城市轨道交通,线路总数为299条,运营里程为9859.5 km,实际开行列车318万列次,完成客运量24.9亿人次,进站客流量为14.9亿人次。

4月份城市轨道交通客运量同比增长95.8%

2023年5月5日,据交通运输部发布的2023年4月城市轨道交通运营数据显示,2023年4月,31个省(自治区、直辖市)和新疆生产建设兵团共有54个城市开通运营城市轨道交通线路292条,运营里程9652.6 km,实际开行列车311万列次,完成客运量25.3亿人次,进站客流量15.2亿人次。

基于近邻传播聚类的地铁运营时段划分

地铁在每天不同时段客流量差异较大,运营时段的科学划分,是低峰与高峰列车运行计划合理交替的前提。目前地铁运营时段划分主要依据人工经验,主观性强且难以保证精度。以10min为时间间隔,把全天运营时间6∶00～23∶00分为102个时间点样本,将地铁沿线各车站每个时间点的进站客流量作为样本描述变量。采用近邻传播聚类算法将各时间点归并为不同类别,并引入CH、Hart以及IGP等聚类有效性评估指标对聚类结果加以检验以确定最优类别数,从而得到运营时段的最优划分方案和最佳时段分割点。天津地铁二号线实例研究表明,基于近邻传播聚类算法得到的运营时段划分结果更能体现实际客流需求波动特性,在此基础上优化行车计划后,旅客等待时间明显下降。

地铁车站候车区域乘客分配方法

针对地铁车站候车区域客流的分配问题,基于机动车交通流均衡分配理论,提出了一种候车区域乘客分配模型,以模拟地铁车站候车区域内客流的分配。以北京宣武门地铁站为例,通过统计分析该车站晚高峰时刻候车区域客流数据,验证了所构建的乘客分配模型的有效性。深入研究了不同进站客流率对于候车区域乘客分配的影响,提出站内设置实时动态引导信息的方法以提高候车区域的利用率。