原文传递
基于实时数据的短时交通流预测模型研究
| 论文题名： | 基于实时数据的短时交通流预测模型研究 |
| 关键词： | 交通流预测;实时数据;机器学习;神经网络;随机森林模型 |
| 摘要： | 城市轨道交通因具备较高的载客量、迅速、准时、安全以及环保特性，被视为缓解交通拥堵问题的最佳途径。短期轨道交通客流预测为客运部门及时调整运营策略提供基础，并作为衡量轨道交通服务水平的关键指标。 本文研究概括了国内外短期客流预测方法与模型，并分析了各预测模型的特性与优缺点。将短期客流预测引入统计预测模型、机器学习预测方法、神经网络预测方法和深度学习预测模型，通过模型组合，提高短期客流预测的精确度与准确性。 以2019年苏州市地铁AFC进出站刷卡数据为例，验证了四类预测模型在短期客流预测方面的可行性与实用性。通过对比分析各预测模型,结合模型特性与优缺点，得出深度学习模型依靠强大的网络结构和参数数量，在短期轨道交通流量预测方面胜过传统机器学习模型。Transformer模型在短期轨道交通流量预测中实现了最佳预测精度，线性回归模型获得了最佳预测速度。随机森林模型在精度和速度方面表现良好，适用于对精度与速度均有要求的应用场景，可作为首选解决方案。 |
| 作者： | 李锦源 |
| 专业： | 管理科学与工程 |
| 导师： | 赵庆亮 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京化工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
