Combination forecast for urban rail transit passenger flow based on fuzzy information granulation and CPSO-LS-SVM

In order to obtain the trend of urban rail transit traffic flow and grasp the fluctuation range of passenger flow better,this paper proposes a combined forecasting model of passenger flow fluctuation range based on fuzzy information granulation and least squares support vector machine(LS-SVM)optimized by chaos particle swarm optimization(CPSO).Due to the nonlinearity and fluctuation of the passenger flow,firstly,fuzzy information granulation is used to extract the valid data from the window according to the requirement.Secondly,CPSO that has strong global search ability is applied to optimize the parameters of the LS-SVM forecasting model.Finally,the combined model is used to forecast the fluctuation range of early peak passenger flow at Tiyu Xilu Station of Guangzhou Metro Line 3 in 2014,and the results are compared and analyzed with other models.Simulation results demonstrate that the combined forecasting model can effectively track the fluctuation of passenger flow,which provides an effective method for predicting the fluctuation range of short-term passenger flow in the future.

多头图注意机制的深度学习地铁客流预测方法

挖掘地铁站点间的客流时空关联性是实现高精度地铁实时客流预测的关键。由于地铁网络中站点间客流的空间关联强弱性较为复杂且难以量化,从而导致客流预测过分依赖时间关联性。为克服该缺陷,提出一种多头图注意机制的深度学习地铁客流预测方法,通过构建面向地铁网络的多头图注意机制对多个关联站点间的客流空间关联性进行学习,得出差异化权重值,量化目标站点与关联站点群之间的客流空间关联强弱性;同时,将多头图注意机制融入长短时记忆学习模型,以量化后的空间关联性数据为输入,结合地铁客流量的时间关联性实现客流预测。实验结果表明,所提出的方法可行、有效,能够提升地铁客流预测精度且预测结果优于经典预测方法。

北京市中心城区外地铁线路开行快慢车对策研究

随着城市化进程的进一步加快,城市居民对通勤出行的时效性要求越来越高,连接中心城与外围新城之间的地铁是主要的通勤交通线路,如何提高其旅行速度、缩短乘客旅行时间,成为急需研究的一个重要问题。为满足不同乘客对出行条件和服务效率的需求,提出通过开行快慢车实现旅速时间的节省。从既有客流特征入手,分析客流来源及目的地,指出既有线开行快慢车的必要性;在借鉴日本相关案例经验的基础上,对开行快慢车需要考虑的问题进行分析;以北京燕房线、房山线、15号线为例,分析不同线路的客流特征及线路条件,分别提出利用大行车间隔及设置越行线开行快慢车的方案;并提出两种方案的特点及实施要点。利用大行车间隔开行快慢车,即在客流较小的线路上利用富裕的能力开行快慢车,仅需对运营图进行优化设计,投资小;设置越行线开行快慢车,需根据工程实施条件、客流特征,选择合理的越行站点。经分析研究,采用两种方式均可实现节省旅行时间的目的,对提升中心城区外客流快速进城需求有积极的意义。

城市轨道交通初期运营客流预测技术研究

城市轨道交通新开通线路初期运营客流预测是开展初期运营安全评估和运营组织筹备的基础性工作。分析初期运营客流预测在预测期、研究对象、基础数据和预测模型方面的特点,总结该类预测工作开展的技术难点。在此基础上提出一套适用于初期运营客流预测的技术路线,阐述其中基础资料收集、交通调查、交通运行特征分析、出行需求预测、评估分析及敏感性分析的研究要点,并概括总结客流预测指标、对既有线的影响评估、需要重点关注的车站等研究内容。研究结果表明,初期运营客流预测重点在于准确把握城市及交通发展现状,而解读城市及交通发展现状资料并掌握其运行现状特点,研判其短期发展趋势是初期运营客流预测的基础性工作;针对宏观交通需求分析模型对微观客流指标预测的精度不足问题,可在城市宏观交通需求预测的基础上,通过开展各类交通调查建立城轨系统出行需求分析专题模型。本研究成果以期为初期运营客流预测的技术方法、研究内容等提供借鉴。

多网融合背景下轨道交通一体化客运模型关键技术

轨道交通多网融合发展趋势要求融合多层次设施和多维度需求,建立轨道交通一体化客运模型。在分析既有轨道交通客运模型面临挑战的基础上,提出轨道交通一体化客运模型架构,研究模型关键技术。通过多层次轨道交通设施融合技术、多维度轨道交通需求融合技术和轨道交通多方式竞合博弈技术,搭建轨道交通互联互通一张网,得到精细化的轨道交通方式需求,并模拟了轨道交通与其他交通方式的竞争与合作。以粤港澳大湾区为例构建轨道交通一体化客运模型,该模型解决了4种轨道交通互联互通模式建模问题,利用枢纽客流溯源技术详细模拟了其他交通方式与轨道交通接驳出行链,实现了轨道交通出行全流程追溯,能够为轨道交通需求分析、融合方案比选、方案评估等提供定量化数据支撑。

跨城市间轨道交通站间运输需求预测及开行方案设计

随着城市边缘化规模不断扩大,人口数量和密度逐步增加,中心城市与外围城市之间缺乏较好的横向联系,使得城市间出行困难,对城市群的整体发展造成了不良影响,因此运量大、速度快、污染小、正点率高、公交化的绿色交通已成为各大城市解决交通日益紧张问题的关键。城市间客流大小决定城市轨道交通建设规模及运营技术方式。本文在城市化进程加速发展的时代大背景下,致力于城市间轨道交通方式出行特征和模式来预测西安地铁11号线初期的客流并设计列车开行方案。并对客流预测结果进行敏感性分析,利用得出的站间OD计算出全日、高峰小时以及分时断面客流量,在此基础上,计算开行列数、行车间隔、全日列车开行方案,选择合适的列车编组方案、交路方案和停站方案,再用已知数据,设计西安地铁11号线的列车开行方案,为未来地铁11号线运营停供依据。

城市轨道交通站台区域精确停车窗设置方案研究

随着城市轨道交通高效率、高密度,以及灵活编组混跑等运营组织需求的提出,为更好地适应潮汐客流分布不均衡的特点,结合不同编组列车共线运行时的不同停车策略,阐述城市轨道交通中站台区域精确停车窗设置需考虑的因素及设置方案、精确停车窗计算原理等;针对多编组列车混跑,提出站台头端对齐、尾端对齐、以车站站台中心对齐等不同停车策略下的精确停车窗匹配设计方案;同时,为尽可能提高列车停站时的开门效率和停车窗设置的灵活性,在确保满足安全开关门要求的前提下,提出额外增加停车误差容忍余量的精确停车窗优化设计方案,可为多编组混跑项目的站台区域精确停车窗设计提供参考。

轨道交通站点聚类及其对客流预测的影响分析

城市轨道交通站点受多层面因素交互作用而反映出异质性,为实现站点精细化分类,本文统筹考虑地铁刷卡数据、兴趣点数据和地铁网络数据,提取客流、土地利用和网络性质等特征,其中,客流层面考虑工作日、周末和节假日等不同日期类型下客流状态,土地利用层面考虑站点辐射区用地强度和均衡性,网络层面考虑节点自身特性和影响能力。构建基于主成分分析与K-means++算法的聚类模型,综合聚类评价指标确定簇数,辨析不同类型站点多维度特性,结合站区土地利用和站点网络特征探讨对出行活动的影响,并设计簇内联合预测和整体联合预测策略,采用3种多元时序预测方法探究站点聚类对预测性能的影响。研究结果表明:考虑全部客流特征时,划分为10簇,考虑工作日进站客流特征时,划分为5簇,充分挖掘客流时变特征能够获得更加精细化的聚类结果;各簇站点客流分布特征与其土地利用及网络特征间存在一定的反馈关系;相比于整体联合预测,通过聚类联合相关性强的站点进行预测,以间接捕获空间相关性的方式能有效提升预测性能,各模型均方根误差平均降低9.04%,平均绝对误差平均降低4.94%。研究结果为站点精细化管理和站区设施建设规划提供依据。

封站条件下的城市轨道交通车站客流变化预测方法研究

为探究封站对区域车站客流的影响,通过分析封站条件下周边车站进出站客流特征及乘客出行行为,归纳了封站客流影响因素,将封站条件下周边车站的客流变化进行了拆分解析,并提出了相应进出站客流构成的计算方法。基于随机森林算法构建了封站条件下周边车站进出站客流变化的预测模型。最后,以实际封站数据为例验证了模型的准确性,并与未拆分客流预测结果进行了对比。结果表明,提出的客流拆分预测方法具有较好的准确性,可为城市轨道交通运营管理提供支撑。

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CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。

基于GRU算法的轨道交通客流预测模型

轨道交通的高速发展,使得站点的客流压力加剧,拥挤问题也带来了安全隐患.为简化客流预测模型训练时间,轻量化模型,采用K-means聚类,将客流数据进行分类,归一化数据,简化数据分布.在划分训练集和测试集后,分别利用长短时记忆网络(LSTM)模型和门控循环单元(GRU)模型对数据集进行训练.在不同时间粒度下分析了模型的可行性,对比两种算法的损失函数和运行时间.实验结果表明,在预测结果的准确性相近的情况下,GRU模型比LSTM模型有更短的拟合时间,同时模型本身更加简单,有着更好的适用性.

考虑步行影响范围的城市轨道交通客流需求预测

新建轨道交通车站无法根据历史数据进行客流预测,为了对新建车站的客流进行准确预测,研究从社会经济属性的角度探索城市轨道交通的客流需求。根据实际调查获得车站客流生成影响范围,并基于泰森多边形对影响范围的重叠区域进行重新划分。以路网距离为约束,建立考虑车站影响范围的地理加权回归模型,获取社会经济属性和接驳交通对于轨道交通客流生成的具体贡献度。西安市轨道交通数据的研究结果表明,步行、公交和公共自行车产生接驳客流的主要路网距离为800 m,230 m和300 m;平均每条公交线路数和每个公共自行车桩数分别产生16.368次和2.371次客流;人口密度、就业岗位密度和人均GDP与客流关系表现为三者每增加1%,客流量分别增加0.47%,0.53%和−0.21%。研究成果可用于确定西安市新建轨道交通车站位置和规模,并预测其相应的客流。

基于元胞自动机的低头族行人效率模型

为科学量化轨道交通通道中低头族行人对通行效率的影响,在实地采集轨道交通通道低头族行人的视频数据的基础上,采用视频自动识别技术,提取了低头族行人的低头频率、抬头频率、行走速度和转角等参数.从策略层和操作层解析了低头族行人的补偿式行为特征,验证了正常行人与低头族行人在转角、行走时间、行走速度之间的异同.利用基于动态参数模型的元胞自动机模型,结合低头族行人的补偿行为特征,构建低头族行人的数值模拟模型,分析出不同混入率低头族行人密度、通行时间、个体空间占用面积与流量之间的相互关系.结果发现30%以上的低头族行人对行人流影响显著.该研究有助深入解析行人行为特性,完善仿真模型在模拟多类型复杂行人流中的应用,并为轨道交通内部设施规划和客流管控提供理论依据.

基于AFC数据的耦合时空特征下地铁高峰客流预测研究

高峰客流拥挤是大城市轨道交通面临的主要问题,表现为客运服务水平降低,存在客流安全问题。高峰客流中主要客流为以工作出行的客流,这类客流具有出行稳定、强度高等特征,从而出现高峰客流拥挤问题。本文利用自动售检票数据所包含的乘客出行内在关系,构建基于规则的乘客工作出行客流辨识算法;从不同方面挖掘工作出行客流特征,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,发现当高峰客流拥挤时,其呈周期性重复特征因素包含产生位置、时间及持续时间等,从而提取了影响地铁客流变化主要因素,包括节日、非节日、时间段、站点和天气,从而提高地铁客流预测的准确性。

榆林城区轨道交通线网规划研究

城市轨道交通工程是重大的城市基础设施建设工程,建设及投资规模巨大,因此应在前期进行全面、系统的线网规划,以保证其建设的科学性和合理性。文章以陕西省榆林市为例,在分析其城市和交通发展背景的基础上,制订了三个线网规划预选方案,并对各方案优缺点进行定性分析,通过客流测试进行定量分析,最后通过层次分析法建立多层次、多指标的综合评价数学模型,评价三个预选方案,确定最优方案。

基于均衡运行图的轨道交通站台客流密度优化研究

随着城市轨道交通的发展,地铁成为市民公共交通出行的首选对象。为提升乘客出行体验,实现运力与运输需求的匹配,同时降低城轨站台候车区拥挤度,文章基于运行图的均衡性指标对站台客流密度的优化进行了研究。首先利用排队论基础方法和理论,建立了以城轨站台候车区客流密度为研究对象的计算模型,分析出列车运行图均衡性与站台候车区客流密度的关系。然后,通过创建峰期、创建过渡期、连接任务线、冲突处理、均衡处理等过程,实现了城轨均衡运行图的自动编制。最后结合长沙轨道交通4号线客流数据,通过仿真验证了方法的有效性。仿真结果表明基于该方法的自动编制的运行图比人工编制的运行图其站台候车区最大客流密度更低,因此算法具有更好的实用价值。

计划性大型活动散场期间地铁OD客流量预测方法

在计划性大型活动举办期间地铁客流量会超过平常高峰期的客流量.客流的激增不仅对城市轨道交通正常运营造成巨大的压力,甚至会引起严重的安全事故.本文在对计划性大型活动散场期间地铁客流在时空范围的规律研究基础上,根据大型活动散场时段的OD客流量基础数据,结合影响因素特征数据,构建基于随机森林算法的计划性大客流预测模型,实现大型活动结束后在5 min粒度下的OD客流量预测,并以北京凯迪拉克中心五颗松地铁站为例进行实例研究.选取演唱会和体育赛事的AFC数据,对预测结果进行验证,并与SVM、XGBoost算法对比,证明本文所提出的基于随机森林算法的客流预测模型方法具有更好的预测效果.

基于BP神经网络的西安地铁后全运期客流预测

随着全运会等综合性的大规模赛事的成功举办,极大地对外宣传了西安的历史文化与旅游资源,为后全运时期西安的旅游高质量发展带来新机遇和强劲动力。论文基于西安轨道交通的布局现状,分析了后全运时期西安城市轨道交通各线路和各关键换乘站的客流特征,分析了客流量较大的地铁2号线的断面客流特征,并以具有代表性的小寨站为例,对后全运时期一周内的客流时间分布特征以及每日的进、出站小时客流量进行分析。基于BP神经网络的进出站客流时间序列法预测后全运时期小寨站客流情况,设定目标误差为0.001,分析了不同学习速率与误差率关系,确定学习速率,编写Matlab程序代入样本数据,得出了基于BP神经网络的客流预测结果,客流预测结果与实际观测数据接近,能较好的反应小寨站客流量的变化趋势,预测结果为西安地铁的运营管理提供数据参考,更好地打造后全运时期高质量的“轨道+旅游”绿色旅游模式,为这类客流量较大、波动显著、规律性不强的站点客流预测提供参考。

基于改进交通仿真模型的城市轨道交通新线客流预测研究

为应对轨道交通新线开通改变路网拓扑结构、客流特性及分布规律复杂影响运营决策等问题,首先基于C/S架构、ArcGIS、交通仿真软件二次开发技术建立模型应用辅助系统;其次重点研究该系统中的轨道交通模型,采用改进的Logit模型描述居民的方式选择,构建出行时辰分布模型精确分析乘客高峰小时出行特征;最后以既有线路为例进行模型校核,预测优化调整,实现新线客流量的精细化预测。该仿真模型能够为轨道交通线路规划阶段路网客流状态及其动态变化预测仿真提供技术支持。