详情

原文传递基于多元特征融合的城市轨道站点短时客流预测方法研究

论文题名：	基于多元特征融合的城市轨道站点短时客流预测方法研究
关键词：	城市轨道交通;站点短时客流预测;多元特征融合;时空特征输入矩阵;神经网络
摘要：	城市轨道交通站点短时客流预测的快速性、准确性以及有效性为轨道交通的智能化运营和科学管理提供了坚实的保障，也是构建城市轨道交通可持续交通发展的重要环节之一。通过对多元特征数据采集，挖掘城市轨道交通进、出站点短时客流时空特征和外部特征，以提升输入特征矩阵质量、短时客流预测效率和精准度为目标，分别构建了不同场景目标进、出站点的短时客流预测模型，并以广州城市轨道线网部分站点为例，验证了模型的有效性和鲁棒性。论文的研究成果可以实现多场景目标站点的短时客流预测，可为现代智慧轨道交通精准运力投放、客流运输组织和提高城市轨道交通与其他交通方式的衔接效率提供支撑。论文主要的研究成果为：　　利用网络数据爬虫、模糊聚类、交叉分析、相关性分析等挖掘方法，分别对站点周边土地利用性质、天气数据、客流数据进行采集和特征提取。结合不同场景乘客出行的规律和扰动因素，在城市轨道站点短时客流预测的预处理阶段生成目标场景所需的数据库，并着重探究融合了外部特征的弱监督学习方式对城市轨道站点客流客流预测的影响。　　基于Spark并行计算平台+Wrapper框架下的多因素时间特征输入矩阵算法,结合目标车站的相关性系数特征分布规律，确定目标场景车站的最优多因素时间特征输入矩阵。采用K折交叉验证法（K=5）训练多场景Adam-LSTM模型，结合训练模型损失函数、模型评价指标以及客流分时变化特征对原训练模型进行参数设置和结构优化，得到了目标场景进站短时客流预测模型。　　基于Spark+斯皮尔曼相关性系数特征排序法+Wrapper并行特征选择框架的多站点时空特征输入矩阵算法,根据损失函数越小越优的原则，采用序列前向选择搜索策略，生成了最优多站点时空特征输入矩阵。采用K折交叉验证法（K=5）训练多场景Adam-GRU模型，结合训练模型损失函数、模型评价指标以及客流分时变化特征对原训练模型进行参数设置和结构优化，得到目标场景出站短时客流预测模型。　　以广州城市轨道线网目标场景（晴天-周三）和（晴天—周五）为例，选取2014年3月—8月和2015年3月—8月的城市轨道站点客流数据，并采用多种模型对目标进站、出站短时客流预测模型进行了实验（时间粒度为15min）。相比四个实验原模型，融合多因素的弱监督学习方式构建的变体模型，目标城市轨道进、出站的MRE指标值平均降低了0.72%和0.64%。利用MTFLMA和MTSFGA算法构建的变体模型目标城市轨道进、出站的MRE指标值平均降低了0.52%和1.05%。融合多因素时间特征的城市轨道进站短时客流预测学习网络（MTFILN）和融合多元时空特征的城市轨道出站短时客流预测学习网络（LNBMTSF）的MRE指标值分别平均累计降低了1.24%和1.69%，说明提出的方法预测效果优于其他实验方法。
作者：	王博
专业：	交通运输工程
导师：	叶茂
授予学位：	硕士
授予学位单位：	南京理工大学
学位年度：	2021