原文传递
基于短时客流预测的城市轨道交通安检资源优化研究
| 论文题名： | 基于短时客流预测的城市轨道交通安检资源优化研究 |
| 关键词： | 城市轨道交通;安检资源;优化配置;短时客流预测;长短时记忆神经网络 |
| 摘要： | 随着各大城市城市轨道线网的不断延伸和完善，城市轨道交通越来越被居民作为首选公共交通出行方式。为保证居民出行安全和车站的正常运营，轨道交通车站设立了安检区。而在进站客流量较大的情况下，安检区往往会出现乘客排队滞留问题，存在较大的安全隐患。这是由于缺乏准确预测车站短时客流变化的方法、对乘客安检排队机理认知不足以及缺少调度安检服务资源的科学依据，导致车站安检资源的粗放式管理。因此，本文从进站短时客流预测出发，构建精度较高的短时客流预测模型，从安检系统的流程入手，分析研究安检资源优化配置的方法，为车站提供合理配置安检服务资源的理论支持。 论文首先介绍了大客流现象的定义分类、判断依据以及在应对大客流时客流组织方法。针对进站客流的空间和时间分布分析进站客流的特征。介绍地铁安检的概念、安检的流程及其影响因素，阐述安检资源配置优化的必要性。为后面研究奠定理论基础。 之后通过STL（Seasonal-TrenddecompositionprocedurebasedonLoess）季节趋势时间序列分解，将随机性高的进站客流序列分解，通过样本熵分析比较分量间的复杂程度，对复杂度仍然较高的分量利用EEMD（EnsembleEmpiricalModeDecomposition）集合经验模态分解算法进行二次分解进一步降低其随机程度，充分分解余量内部客流信息，得到规律性较强的IMF分量。采用LSTM（LongShort-TermMemory）长短时记忆神经网络对两次分解得到的分量进行预测，将各分量的预测结果合并重组得到进站客流预测结果，通过预测结果的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R2）四个误差评价指标来评价组合模型的有效性。根据误差指标验证STL-EEMD-LSTM组合预测模型具有较高的预测精度，可以作为短时进站客流预测的工具。 最后依据安检流程，将安检系统划分成三个排队过程，构建安检系统排队网络。将乘客排队等待时间和安检设备成本作为优化目标，构建安检资源配置多目标优化模型。通过历史进站客流数据构建进站客流特征将一天运营时间内的进站客流量应用K-means聚类算法划分成不同进站客流等级的时段，以此作为全天候的安检资源配置变化的节点。以预测到的进站客流结果作为输入，针对各时段通过NSGA-Ⅱ多目标算法求解。通过算例分析，将车站目前安检资源配置情况与算法求解结果进行比对，验证模型的有效性，并提出相应的资源配置改进措施。 |
| 作者： | 王辰寰 |
| 专业： | 交通运输规划与管理 |
| 导师： | 何瑞春 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
