城市轨道交通客流量预测及调度研究

发布时间：2020-03-29 12:46

【摘要】：城市轨道交通技术的迅猛发展给不断增加的城市人口提供了一个合理的出行方案,然而由于客运需求与客运供给能力的不均衡性,常常会在城市轨道交通网络上造成难以预见的客流拥塞状况。并且客流的动态流动性会造成各种急剧突发的客运安全问题,给安全运营带来极大的挑战,严重困扰居民出行。目前对于城市轨道交通客流拥塞状况主要以经验判断为主,缺少对于拥塞条件下的客流分布状态的准确把握和分析,缺少对于客流量演化的精确认知和评估,缺少对客流量拥塞的有效疏导和控制。现有的客流量预测和车辆调度多集中于道路交通,对于城市轨道交通的研究还处于起步阶段,且提出的模型效果表现一般。针对上述问题,本文进行了如下研究:1.针对客流量分布状态难以准确把握的情况,提出一种结合LSTM(Long Short-Term Memory)网络和层次聚类算法(Hierarchical Clustering)的城市轨道交通客流量预测模型:LSTM-HC。首先,研究上海市轨道交通特征及客流量数据,分析提取轨道交通客流量的时间及空间特征。然后,采用层次聚类的方法对星期特征进行聚类,有效划分样本类型,进一步提高预测精度。最后,结合层次聚类的结果,利用LSTM网络实现了信息长期记忆的优点,预测城市轨道交通进出站客流量,同时对比已有的模型,分析实验结果。2.针对当前普遍存在的客流量增长但城市轨道交通资源有限所造成的客流拥塞问题,提出了一种基于遗传算法的城市轨道交通双层调度模型。该调度模型充分考虑乘客乘坐地铁的出行时间和地铁运营成本,设计合理的城市轨道交通列车调度计划,优化列车运行时刻表,有效控制客流拥塞。由于出行时间和运营成本通常相互冲突,当在合理的范围内最大化车距时,列车的服务数量可能随之减小,在这种情况下,乘客的出行时间将增加,运营成本可能会减少。另一方面,当最小化车距时,这两个目标可能会以相反的趋势发生变化。因此,在模型中提出平衡乘客出行时间和运营成本的方案。为了寻找接近最优的解决方案,设计基于遗传算法(Genetic Algorithm,GA)的多目标优化方案,以找到合适的列车运行时刻表。
【图文】：

时间序列,循环神经网络,隐层神经元,RNN网络

此刻的状态与上一刻的历史状态有一定程度的关系，且可能导致下一刻的变化，故采用循环神经网络是非常合适的。提取出RNN网络的隐层神经元进行观察，图2.1左边部分是RNN网络未展开的隐层神经元A，输入为，得到输出。该循环结构可以将信息传递给下一个隐层神经元。隐层神经元被称为神经网络本体，正是因为隐层神经元的存在，神经网络的循环才能得以实现。本质上来讲，RNN的基本作用是一个数据推理机，只要所给的数据量足够大，就能够获取从到的概率分布函数，分析出两个时间序列之间的关联度

原理图,梯度,原理,RNN网络

将循环神经网络视为同一网络的多个副本，每个网络都将信息传而，正如上面所说，RNN也存在一些弊端。对于标准RNN网络来可以被使用的信息时间跨度是非常有限的，当使用时间点较近的刻的任务时，RNN可以有效地学习历史时刻的信息。然而，当需要刻较远的历史信息时，RNN学习信息的能力会减弱，这就是前面提到消失问题。该问题主要是由隐层上一个给定的输入造成的，它会使衰减或者呈指数性爆炸。梯度回传是RNN网络训练的基础，当时度信息的传播产生衰减现象，如果信息衰减越快，则梯度回转的传的效果越差[60]。理论上RNN能够处理时间跨度很长的信息，，但为信息衰减问题的存在，RNN并不能保留所有时间段信息，图2.2N模型的梯度消失问题，的影响逐渐减小，到达时，影
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U293.13;U292.4

【相似文献】