详情

原文传递城市轨道交通短时客流预测及列车发车间隔调度优化

论文题名：	城市轨道交通短时客流预测及列车发车间隔调度优化
关键词：	城市轨道交通;短时客流预测;长短期记忆网络;注意力机制;列车调度
摘要：	随着我国城镇化进程的不断推动，汽车在社会经济生活占据越来越高的比重，主要承担人们出行任务。汽车在提高人们出行体验以及舒适度的同时，也导致道路负荷、排放量、环境污染等问题越来越严重。与汽车出行工具相比，城市轨道交通以节能、全天候、载客量大、速度快、到达时间准、无拥堵以及环境舒适等特点，吸引众多乘客将城市轨道交通作为主要出行方式。但在城市轨道交通实际运行过程中，站点客流具有动态性、实时性，容易受到外界因素的影响，列车运营时段的划分不能准确反映出客流变化趋势。因此，以城市轨道交通站点历史客流数据为研究对象，通过对客流数据分析，建立城市轨道交通短时客流预测模型，进而根据客流预测结果制定合理的列车调度策略。本文的主要工作如下：　　（1）城市轨道交通短时客流的时间和空间特征分析。以上海市城市轨道交通历史刷卡数据为对象，删除原始数据中存在重复、异常以及不符合逻辑的数据，再将处理后的数据以15分钟为时间间隔进行划分统计，进而从时间和空间的角度分析线路站点客流量的变化特征。经过对各线路站点客流分析，发现不同线路客流有明显差异，同一条线路中不同站点客流也存在显著差别，且工作日和休息日客流呈现不同分布模式，该分析为城市轨道交通短时客流预测和调度优化提供相应依据。　　（2）构建基于注意力机制的CNN-LSTM城市轨道交通短时客流预测模型。城市轨道交通站点客流在时间和空间方面具有相关性，站点客流量不仅与历史客流有关，还受到周围站点客流的影响。CNN模型可提取站点客流的空间特征，LSTM模型具有学习时间序列特性，并且注意力机制可调节不同前序客流对预测时段的影响，因此，构建基于注意力机制的CNN-LSTM城市轨道交通短时客流预测模型。通过建立对比实验，验证本文建立的短时客流预测模型比LSTM、CNN-LSTM预测模型准确度高且性能更优。并且短时客流预测模型输出的结果可为城市轨道交通列车调度模型提供数据支撑。　　（3）建立城市轨道交通列车发车时间间隔调度优化模型。列车调度模型主要涉及乘客以及轨道公司两方面的利益，因此，以乘客出行成本和轨道公司运营成本为优化目标，相邻列车在单位时间段内的发车时间间隔作为决策变量，列车的满载率、发车次数、舒适度以及发车时间间隔为约束条件建立不均匀发车时间间隔的城市轨道交通列车调度模型，并使用遗传算法对对模型进行求解，确定最优的调度时间间隔。并且根据工作日内星期一至星期四和星期五客流模式的不同，分别制定其列车调度策略，针对不同时间段客流具有差异性，分别设置乘客出行成本和轨道公司运营成本权重系数。基于模型的求解结果，将优化过后的目标函数值，与实际列车调度方案进行相比，星期一至星期四优化过后目标成本比优化前减少9%，而星期五优化过后目标成本比优化前减少19%。从实验结果表明，本文构建的城市轨道交通列车调度模型在实际调度工作中具有一定应用价值。
作者：	周萍萍
专业：	计算机技术
导师：	慕晨
授予学位：	硕士
授予学位单位：	长安大学
学位年度：	2022