原文传递
基于深度学习的轨道交通短时进站客流预测研究
| 论文题名： | 基于深度学习的轨道交通短时进站客流预测研究 |
| 关键词： | 短时客流预测;长短时记忆神经网络;卷积神经网络;注意力机制;鲸鱼优化算法 |
| 摘要： | 随着我国社会经济和城市化的不断发展，城市交通基础设施建设滞后，供给能力不足，难以满足居民交通出行需求的增长，产生越来越严重的城市交通拥堵问题。轨道交通凭借其运量大、准时高效等优势，是缓解城市交通拥堵最有效的措施之一。随着轨道交通的不断建设和轨道网络的逐步形成，轨道出行占比逐年增加，这对轨道交通的运营组织带来了极大的挑战，对轨道交通的运营服务提出了更高的要求。轨道交通进站客流，特别是短时进站客流是轨道交通运营组织措施制定的基础，对提高轨道交通运营组织管理水平和服务水平至关重要。本文基于轨道交通AFC刷卡数据，利用深度学习建模方法，构建短时进站客流预测模型，对短时进站客流预测进行研究，具有重要的意义。 本文首先对轨道交通AFC刷卡数据进行预处理，利用Python等编程语言实现数据处理与客流提取。其次，分析轨道交通客流的影响因素，从时间和空间维度，分析轨道交通客流特征，在时间上表现为波动性与周期性，在空间上呈现出分布差异性与不均衡性；根据提取的轨道交通站点进出站客流数据，将轨道交通站点分为居住导向型、就业导向型、错位偏居住型、错位偏就业型、职住错位型和综合型6个类型，识别不同类型站点的客流模式。然后，考虑前序客流和站点间客流对短时进站客流预测的影响，利用深度学习建模的方法，构建了多时间特征LSTM模型和CNN-LSTM-ATT模型来预测短时进站客流，并采用鲸鱼优化算法（WOA）进行参数寻优。最后，以重庆市轨道交通网络中不同客流模式的站点为例，应用构建多时间特征LSTM模型和CNN-LSTM-ATT模型，进行短时进站客流预测，并选择了常见的BP、SVM、CNN和LSTM等非线性模型作对比。结果表明，本文构建的多时间特征LSTM模型，在均方根误差（RMSE）上比基准模型减少了6.63%~36.94%，在平均绝对误差（MAE）上比基准模型减少了7.43%~31.91%；构建的CNN-LSTM-ATT模型，在均方根误差（RMSE）上比基准模型减少了5.34%~36.05%，在平均绝对误差（MAE）上比基准模型减少了1.33%~38.91%。可见，本文构建的短时进站客流预测模型预测效果均比基准模型有不同幅度的提升，预测精度更高，适用性更好。 本文考虑前序客流与站点间客流对短时进站客流预测的影响，利用深度学习建模方法，构建的多时间特征LSTM模型和CNN-LSTM-ATT模型，可以提取到轨道交通进站客流的时间特征和站点间客流的空间特征，掌握轨道交通客流的变化规律，提高轨道交通短时进站客流的预测精度，丰富轨道交通短时客流预测理论，为轨道交通部门的运营管理相关决策提供数据支持。 |
| 作者： | 贾超 |
| 专业： | 交通运输 |
| 导师： | 李淑庆 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
