Short-term inbound rail transit passenger flow prediction based on BILSTM model and influence factor analysis

Accurate and real-time passenger flow prediction of rail transit is an important part of intelligent transportation systems(ITS).According to previous studies,it is found that the prediction effect of a single model is not good for datasets with large changes in passenger flow characteristics and the deep learning model with added influencing factors has better prediction accuracy.In order to provide persuasive passenger flow forecast data for ITS,a deep learning model considering the influencing factors is proposed in this paper.In view of the lack of objective analysis on the selection of influencing factors by predecessors,this paper uses analytic hierarchy processes(AHP)and one-way ANOVA analysis to scientifically select the factor of time characteristics,which classifies and gives weight to the hourly passenger flow through Duncan test.Then,combining the time weight,BILSTM based model considering the hourly travel characteristics factors is proposed.The model performance is verified through the inbound passenger flow of Ningbo rail transit.The proposed model is compared with many current mainstream deep learning algorithms,the effectiveness of the BILSTM model considering influencing factors is validated.Through comparison and analysis with various evaluation indicators and other deep learning models,the results show that the R2 score of the BILSTM model considering influencing factors reaches 0.968,and the MAE value of the BILSTM model without adding influencing factors decreases by 45.61%.

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.

The Research of Urban Rail Transit Sectional Passenger Flow Prediction Method

This paper studies the short-term prediction methods of sectional passenger flow, and selects BP neural network combined with the characteristics of sectional passenger flow itself. With a case study, we design three different schemes. We use Matlab to realize the prediction of the sectional passenger flow of the Beijing subway Line 2 and make comparative analysis. The empirical research shows that combining data characteristics of sectional passenger flow with the BP neural network have good prediction accuracy.

Analysis on Passenger Flow Characteristics of Subway Station Pedestrian Facilities

It is possible to improve the service level of the new subway station by analysing the passenger flow characteristics and optimizing the design of the pedestrian facilities of a station. In this paper, through the investigation of passenger flow status of different types of subway station on different sections, and analysis of the passenger flow characteristics of pedestrian facilities, such as station channels, stairs and escalators, some suggestions of pedestrian facilities parameters of the station design are put forward.

Real-Time Analysis and Prediction System for Rail Transit Passenger Flow Based on Deep Learning

With the rapid development of urban rail transit,rail transit plays an important role in alleviating city congestion.In recent years,with increasing pas-sengerflow,there has been huge pressure on passengerflow management.To address this problem,we propose a novel system to provide real-time statistics and predictions of passengerflow based on big data technology and deep learning technology.Moreover,the passengerflow is visualized efficiently in this system.It can provide refined passengerflow information so that people can make more rational decisions in terms of operation and planning,deploy contingency plans to avoid emergency situations,and integrate passengerflow analysis with train production,scheduling and operation to achieve cost reduction and efficiency enhancement.

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%。

基于迁移学习的轨道交通特殊OD客流预测研究

客流预测一直是轨道交通运营公司关注的重点,由于受到运输能力的限制等因素影响,部分OD的实际客流数据与真实需求有偏差,出现异常或者样本缺失,从而造成总体样本量偏小,直接采用这些样本进行预测会明显影响预测精度,但通过还原样本值增加样本量难度太大。根据上述特点选择基于实例的迁移学习,先确定源域的对象和范围,从源域中选择合适的样本补充到总体样本中,共同组成最终的训练样本数据集,完成迁移学习。同时选择改进的Boost算法,通过误差调整样本权重,不断迭代,得到最终的预测模型。结果表明:基于实例的迁移学习结合改进Boost算法的预测精度要好于传统集成学习、ARIMA模型、多元回归模型,为轨道交通运营公司对特定OD的客流预测提供新的有益尝试。

基于数据融合的城市轨道交通大客流预警研究

为了降低因节假日或突发时间导致的客流拥堵,促进客运部门快速应对客流波动,提出了一种基于数据融合的城市轨道交通大客流预警方法。通过对客流参数预测信息进行融合,获得符合实际客流瓶颈点的参数信息,以完成轨道交通大客流预警。提出的方法利用动态贝叶斯网络,实现了历史数据与运输服务信息的融合。以城市假期期间五条线路每日客流量为例,通过对比实验验证了提出方法的有效性与准确性。

考虑动态随机客流的城市轨道交通列车时刻表仿真优化

为更加精准刻画动态随机客流与列车时刻表编制间的复杂匹配过程,综合考虑乘客动态随机到达过程、列车容量限制、车内拥挤度对乘客上下车速率影响、停站时间动态调整和列车运行安全防护等重要运营特征,构建城市轨道交通列车运行离散仿真模型。在此基础上,建立以最小化乘客平均候车时间为目标的随机非线性优化模型,并设计一种基于仿真的有限差分随机逼近算法,用于优化城市轨道交通发车方案。以国内某条线路的实际运营数据为例验证仿真模型及优化方法,结果表明所构建模型及算法具有较好的优化效果和计算效率,优化后的列车实绩运行时刻能更好地适应客流需求的动态随机性,且在不增加发车频次的前提下有效降低乘客平均候车时间,提升城市轨道交通运营管理水平。

基于乘客OD间路径旅行时间的城市轨道交通客流分布计算模型的适用性研究

[目的]针对目前城市轨道交通(以下简称“城轨”)线网客流分布计算模型的客流计算结果与实际客流存在偏差的现象,需基于OD间路径的实际旅行时间,对基于多路径概率分配的客流分布计算模型的适用性展开研究。[方法]基于乘客OD间路径的实际旅行时间,分析揭示了现有城轨客流分布计算模型存在的主要问题;融合AFC(自动售检票)系统和ATS(列车自动监控)系统两类数据,构建并标定了基于乘客OD间路径旅行时间的城轨客流分布计算模型;对目前国内城轨系统广泛采用的基于多路径概率分配的城轨客流分布计算模型的适用性进行了分析与评价。[结果及结论]现有城轨客流分布计算模型在路径选择集和路径选择比例上存在主要问题。通过基于多路径概率分配的城轨客流分布计算模型获取的路径分配比例,得到的旅行时间分布模拟结果均为单峰,无法重现从AFC票卡提取的实际旅行时间分布的多峰情况。当城轨线网较为简单时,基于多路径概率分配的城轨客流分布计算模型基本适用;当线网规模不断增加,线网结构进一步复杂,列车运行方式的多样性、乘客出行行为的差异性等不断加大的条件下,该模型对于路径阻抗差异小的OD可能适用,而对于路径阻抗差异大的OD不适用。

土地利用与城市轨道交通客流的非线性关系

城市轨道交通站点影响范围内土地利用对客流影响具有时空分异特征且存在类型差异,为针对性探讨不同站点两者的复杂非线性关系,提出一种基于土地利用空间分布规律、对站点实际影响范围进行差异化识别的方法;并通过分时段多尺度地理加权回归,获取能够表征土地利用对客流影响时空变化特征的站点聚类指标,采用K-means++算法将研究区域内的站点划分为4类;进而基于改进的梯度提升决策树模型分类定量探讨不同类别下土地利用与轨道交通客流的复杂非线性关系。研究表明:通过捕捉不同站点土地利用与客流的时空分异特征对站点进行分类识别,可有效提升两者非线性关系模型的解释度。根据模型输出结果,发现不同类别站点影响轨道交通客流的关键土地利用要素不同,第1类中关键变量为相对重要性分别为61.35%和30.08%的公交站点数量和慢行密度;第4类的情况类似但相对数值有所变化,公交站点数量的相对重要性由61.35%下降至30.31%;建筑密度在第2类中以66.57%的相对重要度占据最大比例;但在第3类中仅占5.59%。此外,不同类别站点影响范围内土地利用与轨道交通客流的关系存在较为显著且各异的阈值效应。研究表明,对于不同类别站点的用地开发应各有侧重,且应结合实际将土地利用设计指标控制在相应的合理范围内。研究为差异化的站点周边土地利用开发策略的制定提供了理论支持和量化指导。

基于异构数据特征的城市轨道交通OD客流短时预测方法

城市轨道交通起讫点(origin-destination,OD)客流短时预测在智能交通系统中意义重大,它为交通管控策略实施以及出行者出行选择提供了重要的决策依据。卷积神经网络被广泛用于交通数据空间相关性提取,但其平移不变性与局部敏感性导致该方法更重视局部特征而忽视全局特征。本研究构建了基于注意力机制的异构数据特征提取机模型(heterogeneous data feature extraction machine,HDFEM)以实现OD矩阵空间相关性的全局感知。该模型从时空特征和用地属性特征出发,构造异构数据OD时空张量与地理信息张量,依托模型张量编码层对异构数据张量进行分割与编码,通过注意力机制连接各张量块特征,提取OD矩阵中各个部分间的空间相关性。该方法不仅实现了异构数据与OD客流数据的融合,还兼顾了卷积神经网络模型未能处理的OD矩阵远距离特征,进而帮助模型更全面地学习OD客流的空间特征。对于OD时序特性,该模型使用了长短时记忆网络来处理。在杭州地铁自动售检票系统(auto fare collection,AFC)数据集上的实验结果表明:HDFEM模型相对于基于卷积神经网络的预测模型,其均方误差、平均绝对误差与标准均方根误差分别下降了4.1%,2.5%,2%,验证了全局OD特征感知对于城市轨道交通OD客流预测的重要性。

基于可预知大客流的城市轨道交通列车加开计划调整模型与算法

[目的]节假日、大型文体活动等事件会导致城市轨道交通线路产生可预知大客流,需在确保列车运行安全的前提下,根据客流预测情况在已有列车运行图中加开列车,以期在运营成本、运营组织复杂度和乘客服务水平之间取得平衡。[方法]采用事件-活动网络,对列车运行过程进行了形式化描述,建立了3个目标函数及相关的约束条件,进而构建了独立运用策略下列车加开计划调整模型、套跑混合运用策略下列车加开计划调整模型。在此基础上,提出了基于混合遗传禁忌的搜索算法。结合深圳地铁11号线的实际运营数据,在高峰时段和非高峰时段分别建立了不同的算例场景,以验证所建模型和算法的有效性。[结果及结论]所建模型支持不同运营时段、不同运行交路、不同车底接续策略下列车加开需求,在可预知大客流的运营调整上具有适用性。在车辆资源相对有限的情况下,为有效缓解高峰时段的客流压力,可灵活采用大小交路套跑混合运用策略,使线路的运输能力最大化。

基于加线技术的轨道交通临客开行计划优化模型

基于运行图加线技术构建适于计划性临客开行的运行线铺画方法.以运力与客流匹配度最大化、对原运行图调整最小化为优化目标,考虑行车安全、临客加线位置、开行时间域等约束,构建临客运行线铺画非线性整数规划模型,并对其线性转换以提高求解效率.以北京地铁8号线某大型活动散场大客流为场景进行案例分析,结果表明:所构建方法能够在既有运行图上有效铺画临客运行线,满足不同行车密度及停站模式下的临客开行需求.建议在较高密度行车条件下不采用“空车直达”停站模式.

基于时序聚类CEEMDAN-LSTM的轨道短时客流预测

目的:高效精确的短时客流预测是城市轨道交通运营管理的重要前提,为提高短时客流预测精度,提出一种基于时序聚类的CEEMDAN-LSTM组合模型。方法:以DTW距离为度量标准,采用Kmeans算法对客流时序进行分类,在此基础上通过CEEMDAN算法进行时序分解以弱化样本噪声干扰,再将分量输入到LSTM模型中进行预测。结果:CEEMDAN-LSTM模型在3类客流时序下的预测误差均小于其他4个基线模型,并能有效反映短时客流的变化趋势;考虑时序聚类的预测模型的预测精度与时效性均优于不分类下的预测模型。结论:以合肥南站地铁的短时进站客流数据为例进行实证分析,证实客流时序聚类对预测精度提升的贡献,并与SARIMA、RF、XGBoost、LSTM等4个预测模型比较,CEEMDAN-LSTM模型具有较高的预测精度,且能有效反映实际客流曲线的变化趋势。

基于VISUM软件的城市轨道交通线网客流分配自动化计算程序开发

[目的]针对目前城市轨道交通(以下简称“城轨”)线网客流分配计算过程重复性工作较多的问题,基于对城轨线网客流分配过程的研究,开发了城轨线网客流分配自动化计算程序。[方法]梳理了城轨线网客流分配自动化计算程序的开发需求。介绍了基于VISUM软件的城轨线网客流分配自动化计算程序的主要技术流程。基于需求分析,将该程序划分为线网供给方案建模、线网需求方案建模、交通分配计算及数据输出等4个主要功能模块。阐述了该程序中4个模块的操作内容以及参数传递过程。重点介绍了线网供给方案建模模块的计算过程与实现方法。[结果及结论]经实例验证,采用该程序进行城轨线网客流分配的计算,不仅可以满足客流分配所需的复杂的分析计算要求,亦能提高客流分配工作的效率。

基于Anylogic的城市轨道交通客流仿真优化

轨道交通作为城市居民日常出行的主要交通方式之一,其车站的运营效率和服务水平对整个轨道交通线路网的顺畅运营起重要作用。针对我国地铁现存的问题,以轨道交通站点中的换乘站为研究对象,从乘客进站流畅性、优化方案的时效性、站内设施利用率3个方面对车站进行研究。利用Anylogic仿真软件建立济南地铁八涧堡换乘站的仿真模型,通过导入真实人流数据进行仿真模拟,针对各个瓶颈问题从站内设施布局和客流组织两方面提出科学合理的优化方案,并利用仿真实验对换乘方案进行检验。结果表明,通过研究站内人员、乘客、配套设施的集散状况,本文优化方案提高了车站面积和站内设施的利用率,消除了站内客流瓶颈,可有效缓解站内拥堵现象的产生并提高流线的流畅性,能为其他城市轨道交通换乘站优化提供决策性的支持。

有限理性条件下多层次轨道交通客流拥堵传播机理研究

多层次轨道交通系统通过融合不同制式轨道交通,实现了运输能力的灵活配置和互补,但也增加了客流拥堵传播的不确定性,极易出现客流拥堵的跨层级传播。在分析乘客出行有限理性选择行为的基础上,通过引入心理账户理论,建立了广义出行时间账户和拥堵程度账户,并利用改进的价值函数与决策权重函数,刻画了乘客出行路径的综合交易效用。通过考虑出行方式与出行路径双因素,建立了基于巢式Logit-心理账户-累积前景理论(Nested Logit-mental Accountingcumulative Prospect Theory, NL-MA-CPT)的乘客出行方式选择预测模型。在此基础上,通过引入改进的易感-感染-恢复(Upgraded Susceptible-infected-recovered, USIR)模型,提出了考虑乘客选择行为的多层次轨道交通客流拥堵传播模型,并刻画了有限理性条件下的传播速率和恢复速率。最后,以北京市多层次轨道交通为例,验证模型的有效性,并通过灵敏度分析,揭示相关关键因素对拥堵传播的影响机理。研究结果表明:多层次轨道交通网络客流拥堵传播具有显著的波动性和收敛性特征,而传播速率和恢复速率直接影响拥堵传播的强度及影响范围,且随着网络层数的增加,乘客出行选择决策的有限理性特征对拥堵传播的影响更加显著。本研究可为运营企业制定客流拥堵控制策略提供一定的理论参考依据。

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。

城市轨道交通线网客流管控系统设计及实现

为提高轨道交通运营企业抵御大客流风险的能力,设计研发城市轨道交通线网客流管控系统。面向客流调度员的实际业务需求,设计管控方案管理、方案智能编制、方案预评估、方案后评估等4项核心功能,通过动态客流分配、客流控制算法等技术,对线网级客流进行科学化、智能化、全流程管理。该系统已在北京地铁试点应用,应用表明,该系统弥补了既有经验式管理的不足,提高了客流安全风险防控水平,能够为智能化运营管理提供技术支持。