原文传递
城市轨道交通短时进站客流预测方法研究
| 论文题名： | 城市轨道交通短时进站客流预测方法研究 |
| 关键词： | 城市轨道交通;短时进站客流预测;差分自回归移动平均模型;长短时记忆网络 |
| 摘要： | 城市轨道交通系统的信息化发展积累了海量的AFC乘客刷卡数据，为轨道交通的客流分析和短时预测提供了基础。本文在分析客流特征的基础上，构建了短时客流预测模型，并分析了模型预测性能，本文主要包括以下内容：（1）对AFC数据和线路站点数据进行了描述，并对初始数据进行了提取和处理，作为客流分析和预测的数据来源；（2）深入挖掘轨道交通客流数据特征，从不同的维度分析了影响站点客流的因素，并使用K-means聚类对站点分类，最后分析了轨道交通客流的时空分布特征；（3）从“经典”时间序列预测模型和“新兴”深度学习预测方法中选取了具有代表性的方法——ARIMA和LSTM，构建了基于ARIMA和LSTM的短时进站客流预测模型，并进行实例计算；（4）根据计算结果，首先比较了ARIMA和LSTM的预测性能，其次针对不同时间粒度和不同预测站点对LSTM模型的预测性能进行了分析。 结果表明：（1）从计算精度和计算速度两方面来看，LSTM模型比ARIMA模型优势明显，适合在实际计算中应用。（2）从时间粒度层面，时间粒度为5min或15min时，LSTM预测效果稳定，但计算速度会随着网络结构的复杂化出现明显降低；时间粒度为30min时，LSTM预测效果不稳定，但相比5min或15min，计算速度随着网络结构的复杂化降低程度小。（3）从站点类型层面，对于进站客流分布集中的站点，15min或30min下LSTM即可以有较好的预测表现，对于进站客流受多种因素影响、客流波动大的站点，30min下LSTM具有较好的预测表现；在相同的时间粒度下，进站客流分布集中站点的LSTM模型预测表现始终优于进站客流波动大的站点。 |
| 作者： | 任萍 |
| 专业： | 交通运输工程 |
| 导师： | 李铁柱 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
