原文传递
基于乘客出行特征的公交线网优化方法研究
| 论文题名： | 基于乘客出行特征的公交线网优化方法研究 |
| 关键词： | 公交线网;客流预测;乘客出行特征;自适应大邻域搜索算法;TSK-means聚类 |
| 摘要： | 公共汽车是人们在城市中旅行的一种流行且经济的方式，它们通常比汽车和出租车“更环保”，因为它们有助于减少交通拥堵、燃料消耗、二氧化碳排放和旅行成本。因此，为了城市的可持续发展，鼓励人们乘坐公共交通工具上班、参观等。但是，随着出行人数的增加，原有的公交线路可能不再满足出行需求，需要设计符合人们出行特征的公交线路。本文针对路线优化问题，把上海乘客在2015年4月的乘车刷卡记录作为研究对象，首先分析4月当月的客流量变化情况，实现对客流的预测，然后再根据客流变化趋势实现站点聚类，最后使用自适应大邻域搜索算法对其进行线路优化，得到最佳的公交路线。本文的主要研究工作分为以下三点： 1)本文提出了一种基于长短时记忆的增强长期特征的神经网络实现客流预测。模型增强了OD流的长期特征，并且增加了两个全连接层，其中一个用于合并多个特征，另一个用于进一步接近预测结果。该模型充分利用了LSTM神经网络模型在处理时间序列方面的优势，克服了由于时间滞后而导致的长时间依赖学习不足的局限性。 2)本文使用搭建两步K-means聚类模型实现对站点的聚类。第一步是使用客流量指标获取主要类别，其中车站具有相似的客流变化趋势；第二步是直接使用小时客流量获取每个主班次中的子班次，其中每个子班次的客流量相似。该模型能够更加准确的实现站点聚类，并且聚类后的站点的客流具有相似的变化趋势。 3)本文使用自适应大邻域搜索算法（ALNS）实现对线路的优化。首先，构建初始解，初始解的构建需要考虑每条路线的最佳可行解决方案，然后根据破坏方法（4种）以及修复方法（4种），并且使用轮盘机制调整权重，实现自适应大邻域搜索算法的求解，最终找到最优路径，实现对线路的优化。 实验证明，本文采用的三个方法均取得了很好的结果。针对乘客出行刷卡数据，基于长短时记忆的增强长期特征的神经网络，进行客流预测的RMSE到了26.9%、MAE到了19.2%；基于两步K-means聚类方法得到了最好的聚类结果是6；基于自适应大邻域搜索算法能够得到较短路径。最后，对于本文在研究工作中存在一些不足进行了总结，以及对接下来可以进一步研究的地方进行了说明。 |
| 作者： | 赵明星 |
| 专业： | 计算机科学与技术 |
| 导师： | 吴会丛 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河北科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
