原文传递
基于组合特征的地铁短时乘客流量预测
| 论文题名： | 基于组合特征的地铁短时乘客流量预测 |
| 关键词： | 地铁运营;乘客流量;短时预测;组合特征 |
| 摘要： | 改革开放后，中国经济快速发展和人口的日益增多，促使交通行业蓬勃发展，尤其是地铁的推广应用，极大地便利了市民出行。但是地铁线路结构的愈加复杂和城市人口的日渐增多，使得地铁输送的客流量也随之增加。地铁承载压力过大，给地铁相关部门的运营调度和管理带来了很大难题，因此地铁乘客流量的短时预测显得尤为重要。基于以上背景，本文以杭州地铁的客流量为研究对象，提出了一套可以准确预测地铁乘客的短时流入量和流出量的方法，为地铁相关部门的运营调度和管理提供决策依据。 本论文的主要研究工作如下：提出有效的选择初步特征的方法，提取与预测目标相关的时空特征，优化设计地铁的短时乘客的流入量和流出量的预测模型。 （1）使用Light Gradient Boosting Machine(LightGBM)模型来选择预测地铁短时客流的初步特征。利用LightGBM模型计算出特征的重要性排名，并使用同一套参数验证不同的特征个数下的预测误差。根据实验结果，选择重要性排名的前20个特征作为预测地铁乘客流入量的初步特征，重要性排名的前16个特征作为预测地铁乘客流出量的初步特征。 （2）使用Convolutional Long Short Term Memory Network(ConvLSTM)模型提取与地铁短时客流相关的时空特征。将LightGBM模型选出的初步特征根据时段、站点和特征维数重新布局，则初步特征的尺寸变为：天数×每天的时段数×站点数×初步特征维数。将变维后的数据输入ConvLSTM模型得到时空特征后，数据维度变为：天数×每天的时段数×站点数×时空特征维数。再将时空特征重新布局，则时空特征的维度变为：样本数×时空特征维数。 （3）使用Long Short Term Memory Network(LSTM)模型作为地铁短时乘客的流入量和流出量的预测模型。首先将初步特征和时空特征组合，然后使用LSTM模型预测地铁的乘客流量。为了分析不同参数对预测结果的影响，本文根据LSTM模型的隐藏层的层数、学习率、迭代次数和各个隐藏层的神经元个数做了5组参数的对比实验，从而得到了最佳参数下的地铁流入量和流出量的预测值。同时根据对比实验的结果，验证了本文提出的预测地铁短时客流模型的可行性。 综上所述，本文提出的预测方法能够有效地预测地铁乘客的短时流入量和流出量，因此可以为地铁相关部门的运营调度和管理提供可靠的决策依据。 |
| 作者： | 周庆梅 |
| 专业： | 管理科学与工程 |
| 导师： | 何希平 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆工商大学 |
| 学位年度： | 2020 |
| 正文语种： | 中文 |
检索历史
应用推荐
