原文传递
基于组合模型的轨道交通短时进站客流预测研究
| 论文题名： | 基于组合模型的轨道交通短时进站客流预测研究 |
| 关键词： | 城市轨道交通;客流预测;卷积神经网络;双向长短时记忆神经网络 |
| 摘要： | 随着我国社会经济飞速发展，城镇化进程加快，机动车保有量快速增加，城市的交通拥堵问题日益严重。发展公共交通，特别是轨道交通是缓解城市交通拥堵的有效手段。随着轨道交通线网的形成发展，轨道交通网络化运营不断加强，对轨道交通运营组织调度、车站管理与服务提出了越来越高的要求。轨道交通短时进站客流是影响车站运营、预警管理与服务水平的重要因素，及时、准确和高精度地对轨道交通短时进站客流进行预测是提高轨道交通系统的运行效率、管理水平和服务水平的关键。本文利用多源数据，基于组合模型对轨道交通短时进站客流预测进行研究，对轨道交通的运营组织和管理调度具有重要的参考意义。 本文首先收集了轨道刷卡、天气、空气质量、道路交通拥堵指数和POI等多源数据，结合轨道交通客流预测建模特征的实际需求，提出了适用于本文研究的轨道交通多源数据的针对性预处理方法，包括数据清洗、数据提取和数据变换；其次，分析了轨道交通客流的各种影响因素，选取站点客流特征和站点周围建成环境特征，基于k-means++聚类算法将轨道交通站点划分为旅游休闲型、一般工作型、混合偏工作型、一般居住型、混合偏居住型和交通枢纽型，从时空两个维度分析了轨道交通客流的分布特征，得出时间上轨道交通客流的日分布具有周期性，在工作日与周末的分布具有差异性，空间上不同线路站点的客流分布具有不均衡性；然后，结合各个深度学习模型的优势，选取多因素特征变量，建立了多因素CNN-ResNet-BiLSTM组合模型，并利用网格搜索法确定了模型的最优参数组合；最后，以杭州市全网80个轨道交通站点工作日的短时进站客流为研究对象进行实证分析，将本文构建的多因素CNN-ResNet-BiLSTM组合模型对不同类型站点进行预测，并将预测结果与ARIMA、SVR、CNN、LSTM、BiLSTM、CNN-LSTM、CNN-ResNet-LSTM模型和单因素CNN-ResNet-BiLSTM模型的预测结果进行比较。结果表明，本文构建的多因素CNN-ResNet-BiLSTM组合模型的均方根误差（RMSE）相比8个基准模型至少降低了8.50%，平均绝对误差（MAE）至少降低了6.74%，平均绝对百分比误差（MAPE）至少降低了6.52%，预测精度更高，适用性更好。 本文构建的多因素CNN-ResNet-BiLSTM轨道交通短时进站客流预测模型，可以很好地捕捉轨道交通短时进站客流的各种复杂非线性特征和外部特征，提高了轨道交通客流预测精度，丰富了交通运输工程学科的交通需求预测方法，为轨道交通部门的运营调度、车站管理与服务提供一定的决策理论与方法。 |
| 作者： | 刘耀鸿 |
| 专业： | 交通运输工程 |
| 导师： | 李淑庆 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
