详情

原文传递城市轨道交通客流预测方法研究

论文题名：	城市轨道交通客流预测方法研究
关键词：	城市轨道交通;客流预测;客流分析;支持向量机;长短期记忆神经网络;BP神经网络
摘要：	城市轨道交通因其载客量大、准点率高、节能环保、舒适便捷等优点，逐渐成为居民日常出行的重要交通方式，有效缓解了居民出行难、城市交通拥堵和地球环境污染问题。然而，随着轨道交通系统运营线路的增多和客流量的增加，地铁企业也面临着列车运行安全隐患增加和能源利用效率降低两方面的挑战。客流增大使客流波动性的影响更显著，客流高峰期站点及车厢的拥堵和低谷期牵引能耗浪费现象逐渐凸显；城轨运行能耗在运输系统能源总消耗的占比也不断增大。因此，本文的研究目标是基于大数据技术，结合天气情况、工作日及客流特征因素，对城市轨道交通客流量进行分析与预测，使轨道交通运营企业能够根据预测客流更精准地调整运行策略，提高能源利用效率。　　研究了现有三类客流预测方法，即以时间序列和回归分析为主的统计学方法、以支持向量机和K近邻法为代表的非线性模型方法、以及以浅层神经网络和深度机器学习为代表的人工智能方法的特征，对比分析了它们的优缺点及适用的预测情境。以南京地铁十号线为研究对象，从线网分布和站点功能的角度出发，对地铁客流数据的时空分布特征进行了分析，总结了该线路客流的站点不均匀性、时变性、周期性和相似性特征。针对十号线的这些特性，提出了自组织SOM算法与孤立森林法相结合的客流数据组合预处理方法，对客流数据进行了分类并对异常数据进行了筛选，构建了周期客流、是否为工作日、天气、客流分类情况的输入特征。采用泛化性较好的支持向量机SVM算法和具备记忆功能的长短期记忆神经网络LSTM，并应用粒子群PSO算法优化SVM的核心寻参能力，分别构建了PSO-SVM和LSTM短时客流预测模型。为提高预测精度，基于PSO-SVM和LSTM建立了组合优化预测模型，采用BP神经网络算法对PSO-SVM与LSTM的预测结果、天气因素指标、工作日特征以及客流分类情况进行了权重适配，分析了多参数自调节方法，避免了单点算法在全局寻优上的不足。　　基于南京地铁十号线元通站进行了实例分析，对提出的组合模型效果进行了评估。在输入特征的有效性方面，通过控制变量与不考虑相关输入特征的情况进行对比；在组合预测的有效性方面，与单一的PSO-SVM和LSTM模型、及常用的客流预测模型随机森林、RNN和多元回归模型进行了对比。预测结果表明，相比于其他预测方法，本文构建的组合预测模型的误差指标MAE、MAPE、RMSE值更低，进出站客流预测精度分别达到89%和87%。设计了城市轨道交通客流预测系统原型，将组合预测模型应用于十号线的运营策略决策体系，实现了客流数据的存储调用、未来站点客流的分析预测功能，便于轨道交通运营企业根据预测客流更精准地调整运行策略，进一步提高能源使用效率。
作者：	史书悦
专业：	图书情报
导师：	哈进兵
授予学位：	硕士
授予学位单位：	南京理工大学
学位年度：	2022