论文部分内容阅读
综合分析国内外城市道路交通发展的基本经验和教训,我们可以得出一个不争的事实,就是大力发展公共交通,提升公交使用率是缓解城市交通拥堵的最基本、最有效的办法。只有建立高效快捷、安全准时的智能化公共交通系统才能让居民优先选择公交出行,智能公交系统的建设,离不开对公交客流特征细致的剖析,更离不开精准的短时客流预测。随着现代信息化的建设,海量公交数据资源的积累,高效的大数据挖掘方法、深度学习算法,都为本课题的研究提供了有力的数据与技术支撑。在对我国公交建设较为发达的广州、深圳、厦门等城市公交行业现状和发展经验进行全方位、多角度、深层次考察调研的基础上,本文以呼和浩特市公交运营为切入点和研究对象,首先对公交IC卡数据、车辆GPS数据、天气数据、线路站点数据等多源数据进行了预处理,为后续全面客观的研究提供“干净清晰”的数据基础。之后,利用数据挖掘技术,完成了对多源公交数据信息所隐藏的公交客流多维度(时间、空间、天气、人群)分布特征的提取。进而,以27路公交线路客流为预测对象,15分钟为预测时间粒度,利用梯度提升迭代决策树(GBDT)、长短期记忆网络(LSTM)、极限学习机(ELM)三种算法分别构建短时客流预测模型。在模型搭建过程中,不单执着于算法本身的参数,更注重于充分挖掘短时公交客流的关键影响因素。以处理多特征向量预测的全局适应性、训练时效性以及结果准确性为主要的结果导向,对三种不同网络结构预测模型进行了全面的比较分析。结果表明:GBDT、ELM全局处理能力强,在处理多特征输入的短时公交客流预测中具有较高的准确性、优越性。最后,结合公交运营实际情况,分析了公交客流分布特征和短时预测结果在实现公交系统科学规划、合理调度、高效运营以及提高乘客的出行体验、提升公交使用率等方面的应用价值。