原文传递
基于客流特征和迁移学习的城市轨道交通短时进出站客流预测
| 论文题名： | 基于客流特征和迁移学习的城市轨道交通短时进出站客流预测 |
| 关键词： | 城市轨道交通;短时客流预测;进出站;运能供给;迁移学习 |
| 摘要： | 城市轨道交通由于具有大运量、准时、绿色环保等优点成为不少城市解决交通拥堵问题的首选之策。但是，供需不平衡是城市轨道交通网络化运营过程中的突出问题。通过制定合理的行车计划可以在一定程度上平衡运能供给和乘客出行需求，而精准预测各个车站的短时进出站客流量是编制行车计划的前提，也是城市轨道交通智能化运营的应有之义。 目前在城市轨道交通客流特征分析和短时客流预测方面已有大量研究成果，但在数据集选取、分析对象范围、客流联动关系等方面仍然有进一步值得研究的方向。因此，本研究利用2019年多源数据挖掘北京市轨道交通各车站客流规律的共性与异质性，并考虑降雨量和日期属性等因素对客流波动的影响，据此建立一套兼顾预测精度和预测效率的城市轨道交通短时进出站客流预测方法体系。 首先，为量化各个车站的客流波动规律，建立了以偏度、峰度、变异系数和峰值系数为基础的包含16项指标的客流形态评价指标体系，利用K-means、K-means++和AP三种聚类算法对其进行聚类分析并得到最优聚类结果，实现对车站之间客流波动规律共性与异质性的挖掘，从定性和定量的角度将车站划分为工作类、居住类和旅游商业枢纽类3种类别；其次，融合多任务学习的思想，建立各个类别中心车站的最优预测模型，实现对进出站客流量的同时预测；最后，将各类别中心车站的预测模型向同类别其余车站进行模型结构迁移，建立“一站一预测方案”的预测方法体系，既能考虑各类车站客流规律的特性，又充分利用了同一类别车站客流规律的共性，实现了保证预测精度的同时减少预测模型训练时间的目标。 为验证预测方案的有效性，以北京地铁1号线所有车站为研究对象，应用本文提出的“一站一预测方案”的预测思路，一方面建立了各个类别中心车站的最优预测模型，另一方面将各类别中心车站的最优预测模型迁移至类别其余车站，得到北京地铁1号线所有车站的预测模型，结果显示三类车站的迁移预测结果基本与类别中心车站的预测精度保持一致，并且各个车站预测模型的训练时间也大大减少，其中工作类车站迁移预测模型的训练时间平均减少79%、居住类车站平均减少86%、旅游商业枢纽类车站平均减少90%。 |
| 作者： | 陈志翔 |
| 专业： | 道路与铁道工程 |
| 导师： | 王子甲 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
