原文传递
基于数据挖掘的城市轨道交通车站突发客流预测研究
| 论文题名： | 基于数据挖掘的城市轨道交通车站突发客流预测研究 |
| 关键词： | 城市轨道交通;客流预测;分布规律;数据挖掘 |
| 摘要： | 随着信息化的高速发展，数据挖掘已经成为全球研究的热点。交通领域的数据挖掘技术不仅可以用来对相关事件进行识别和提取而且还可以对一系列的模型和算法提供精确的数据来源。城市轨道交通异常客流数据的挖掘是其中的一个重点研究方向，尤其是由于各类演出、活动和赛事引起的突发异常客流的提取和识别。由于活动引起的突发大客流具有离散产生的特性，其无周期性和突发性的特征会对站点的正常运营产生重大的影响。提前掌握突发客流发生规律，可以提高站点的应对能力。在大型文体赛事活动的举办越来越频繁，北京2022年冬奥会即将来临的情况下，研究如何精确预测突发客流为相关单位制定科学的协调措施提供数据支撑具有重要的实际意义。 现有的交通领域对数据挖掘研究主要集中在传统技术应用方面，缺少对提高挖掘效率和降低计算复杂度的研究。本文在分析城市轨道交通日常客流和活动引起的突发客流特征的基础上，根据其规律性和周期性，引入基于SAX（符号近似化）的数据挖掘算法对高维度的客流时间序列进行了降维处理和数据挖掘，有效地降低了数据处理的困难度;且利用改进的DTW（动态时间规整）度量方法计算时间序列间的相关度，在确保原始序列不失真的前提下将计算复杂度降到最低，完成对活动引起的突发客流数据进行挖掘和提取。结果显示:本文提出的挖掘算法可以有效地提高数据挖掘的速度并保证数据召回率和准确率。 针对目前大部分的短时客流预测研究仅仅依靠于单一进站客流时间序列的问题，本文结合活动引起的突发出站和突发进站客流双因素时间序列构建预测模型。从客流分布特征和数理统计两个层面验证了突发出站客流是进站客流的原因，并且采用Granger因果关系检验论证了活动引起的突发出站客流有助于预测突发进站客流。进而利用遗传算法优化了小波神经网络初始参数，结合挖掘的数据样本构建和训练预测模型。实验结果显示:双因素时间序列的预测误差明显小于单一时间序列的误差。 |
| 作者： | 李晓峰 |
| 专业： | 交通运输规划与管理 |
| 导师： | 许红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
