原文传递
基于深度学习的地铁客流量预测研究
| 论文题名： | 基于深度学习的地铁客流量预测研究 |
| 关键词： | 交通流量预测;交通流量模式;聚类模型;LSTM;注意力机制 |
| 摘要： | 随着地铁路线结构逐渐复杂，客流量日益增加。如何缓解轨道线路拥挤，是智能交通系统中的核心问题。目前大量研究集中于道路交通，缺少对轨道站点流量变化模式的挖掘以及对于轨道线路流量的精确认知与评估，难以为轨道运营部门提供准确的客流信息与决策依据。针对以上问题，本文利用基于频谱周期性特征的交通模式挖掘方法以及统计方法、机器学习、深度学习等方法，展开对轨道流量交通模式和短时交通流量预测两个方面的研究。论文的主要研究内容如下： 1.针对轨道站点存在不同流量变化趋势的问题，建立一种基于频谱周期性特征的交通模式挖掘方法。首先，利用频谱特征修改K-Means聚类算法对站点流量存在的不同模式进行聚类；接着，利用POI(兴趣点)数据分析模式的主要功能，帮助理解集群的模式；最后，结合真实的轨道数据验证本章提出方法的有效性，实验结果表明本模型在时间效率以及聚类效果上有更好的性能，同时模型聚类结果作为先验知识能够提高流量预测的精度。 2.针对轨道线路流量精确评估的问题，建立一种基于CA-LSTM(TheClusterbasedAttention-LSTMModel)的短时交通流量预测方法。在轨道流量周期性的基础上，建立Attention-LSTM结构对轨道时间序列信息进行学习；基于频谱周期性特征的轨道交通模式分类的基础上，利用Attention-LSTM结构根据历史依赖条件对流量预测的重要性进行挖掘，提出基于CA-LSTM的短时交通流量预测模型，对轨道交通流量进行预测。实验结果表明，CA-LSTM模型的预测效果有明显提升。 通过上述研究可知，频谱周期性特征的交通模式挖掘方法对交通模式进行了合理的判别，为轨道交通管理者提供不同时刻高密度和高需求的轨道站点分布；基于CA-LSTM的短时交通流量预测方法提高了预测精度，为合理限制接入客流，缓解拥堵具有重要意义。本研究结合流量模式的研究以及客流量预测两个方面，有效挖掘轨道交通流量发展趋势，为轨道站点开设以及轨道列车班次的优化的决策提供依据，有效地缓解出行拥堵，提高轨道交通的控制。 |
| 作者： | 覃思诗 |
| 专业： | 软件工程 |
| 导师： | 马创 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
