CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法

客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)提升客流观测数据的平稳性,用粒子群算法(Particle Swarm Optimization,PSO)优化BiLSTM隐藏层神经元个数、学习率与训练次数;基于Theano和Tensorflow深度学习库Keras,构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM,用均方根误差与平均绝对误差进行预测精度检验,并在浙江省海宁市2个公交站点进行了应用.研究结果表明:客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下降了53.76%和48.36%、平均绝对误差分别下降了45.71%和40.22%,提升数据平稳性与优化学习参数组合改进BiLSTM的CEEMDAN-PSO-BiLSTM模型,能显著提高公交站点短时客流预测精度.

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.

可预见大客流下的跳停轨交列车时刻表优化

在某些特定情况下,轨道交通系统内会出现可预见性大客流,对列车正常运营产生冲击,此时需要及时对列车时刻表进行调整,必要时可要求部分列车在一些站点选择跳过停止,以为大客流站点提供更充足的运能。基于此,在单条轨道交通线路上,提出了一种可跳停的轨道交通列车时刻表优化模型,以容量、链接、安全前进和可行域等作为主体约束,优化乘客总候车时间,并采用一种改进的遗传算法进行求解。以南京地铁S1号线某天早高峰数据为例,验证该模型和算法的有效性。相比现行的固定时刻表,优化后的时刻表平均每位乘客的候车时间减少0.201 min,效果显著。