论文部分内容阅读
随着各地城市轨道交通骨干线路的建成以及网络规模的不断扩大,轨道交通已成为城市公共交通的骨干,对提升城市公共交通供给质量和效率、缓解城市拥堵、改善城市环境发挥着重要作用。及时、准确的城市轨道交通客流预测是解决交通拥堵和对线网优化的前提。利用客流预测结果提前准备客流组织,在事前实施限流、疏导等措施,较事故发生后控制更为方便、及时。随着自动售检票系统(Automatic Fair Collection,AFC)的广泛应用,管理部门获取了大量的乘客历史出行数据,建立起城市轨道交通客流量数据库。大数据和深度学习技术的迅速发展,为解决城市轨道交通客流预测问题提供了良好的理论方法。本文以车站的短期进出站客流为研究对象,结合线网客流数据的时空特性,提出了基于深度学习的城市轨道交通客流预测方法,对长短期记忆网络(Long-Short Term Memory,LSTM)进行改进。本文针对车站短期出站客流预测问题构建了SP-LSTM模型,针对短期进站客流预测问题构建了Wave-LSTM模型。在相同数据集的前提下,比较不同模型的预测性能,验证了本文提出的基于深度学习的城市轨道交通客流预测方法的有效性。本文的主要工作和成果有以下几点:(1)构建城市轨道交通枢纽站短期出站客流预测模型SP-LSTM。本文从时间和空间两个维度对城市轨道交通客流数据进行分析,从理论层面论证了某一站点的出站客流量和其相关站点的进出站客流量有很大的关系,提出使用多个站点的多维历史客流数据作为预测模型的输入。使用两个影响指标来确定各站点间的客流影响关系,将只能输入一维序列的LSTM模型改进为可以输入多维数据的SP-LSTM模型,且SP-LSTM的输入可以根据实际情况做出改变,模型具有良好的延展性。(2)构建城市轨道交通短期进站客流预测模型Wave-LSTM。针对车站短期进站客流预测问题,本文将小波分析和LSTM相结合,构建了基于二者的组合模型—Wave-LSTM。该模型综合了二者的优势:其中小波分解和重构可以有效处理数据的波动性,达到提取特征的目的;LSTM能对具有长期依赖的客流数据进行学习。将实际非线性不平稳的客流数据经过小波变换处理后,得到具有更稳定的方差的时间序列,再使用LSTM对其进行深度学习和预测,从而大幅提高预测精度。(3)以北京城市轨道交通系统为研究对象进行案例分析。本文采用北京地铁实际AFC刷卡数据,对机场线若干站点进出站客流进行预测。采用线性预测方法——自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)、非线性预测方法——非线性自回归模型(Nonlinear autoregressive,NAR)、普通LSTM模型进行对比实验。实验结果表明,相对于普通LSTM模型、ARIMA模型、NAR模型,本文所构建的出站客流预测模型SP-LSTM和进站客流预测模型Wave-LSTM有更好的预测效果。图43幅,表18个,参考文献84篇。