原文传递
基于深度学习的城市轨道交通客流短时预测方法研究
| 论文题名： | 基于深度学习的城市轨道交通客流短时预测方法研究 |
| 关键词： | 城市轨道交通;进站客流;预测模型;深度学习 |
| 摘要： | 随着我国城市化进程的加快，城市居住人口和机动车的数量都日益剧增，使得城市交通变得愈发拥堵。地铁作为一种安全可靠的公共交通出行工具，逐渐成为城市居民的主要出行方式之一。随着地铁客流量的快速增加，其在轨道运营网络上的时空分布特性也日趋复杂。因此，如何及时准确地预测客流的出行需求及变化，是科学制定地铁列车动态运输组织方案的关键所在。本文利用苏州市轨道交通集团有限公司自动售检票（AFC）数据，结合客流历史数据和动态数据，分析客流基本规律，并对轨道交通站点的进站客流与客流OD进行短时预测。主要研究内容如下: （1）轨道交通数据清洗与客流特性分析。对于轨道交通客流清洗，提出了基于局部离群因子（LOF）的数据清洗方法。通过清洗后的数据，利用灰色关联度法分析了轨道交通客流工作日与非工作日的客流特性，根据关联度的量化值，表明工作日和非工作日进站客流量的变化趋势存在差异。 （2）城市轨道交通车站级短时进站客流预测。首先，构建了两步模糊-k均值聚类算法，对整个苏州市的轨道线网车站进行聚类，将具有相同客流趋势的车站并为一类数据集为车站级的预测提供更好的泛化数据集;其次，提出运用自适应降噪完全总体经验模态分解（CEEMDAN）算法深度挖掘了不同尺度下的客流时间特征;最后建立了基于两步模糊-k均值的CEEMDAN-TCAN概率预测模型对车站级的短时进站客流进行预测。结果表明，该模型有效地进行了数据增强，并在车站级预测水平上优于多数既有的交通预测模型，同时该模型具有更强的可解释性与更快的模型训练速度。 （3）基于客流去向结构的OD客流实时预测。基于随机森林算法构建了客流去向结构的时段类别预测模型，并提出了时段类别下的客流去向结构预测模型。综合进站客流量与客流去向结构的预测结果，实现了客流OD的实时预测。应用实时采集的AFC刷卡数据，构建了基于状态空间模型的客流去向结构预测结果自适应修正模型，并利用粒子滤波算法对模型进行了求解，实现了对客流去向结构的预测结果自适应修正，提高了客流OD预测准确性。 |
| 作者： | 管恩丞 |
| 专业： | 交通运输 |
| 导师： | 邓社军;张志祥 |
| 授予学位： | 硕士 |
| 授予学位单位： | 扬州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
