基于深度学习的短时公交客流预测研究
发布时间：2021-06-29 05:17
公交客流短时变化规律是一切公交运营规划的基础和前提,而目前公交企业普遍存在短时客流预测能力不足的问题。由于地面公交自身特性,使得公交客流更容易受到天气等外部条件的制约,具有很大的随机性和复杂性。随着城市信息化水平的发展,积累了海量的公交IC卡数据资产,同时深度学习预测方法在大规模数据分析方面,展现出高效、处理能力强等优势,这为公交客流规律分析与短时公交客流精准预测提供了数据和技术支撑。本文利用数据挖掘分析和深度学习预测方法,建立了公交客流分析体系和短时公交客流预测模型。首先,对公交IC卡数据、天气数据、线路数据、站点数据等单数据集进行数据的清洗、变换,将其融合成统一的多维数据集,作为后续客流规律分析的数据来源。其次,利用数据挖掘的方法构建公交客流分析体系,从不同维度来分析公交客流关键影响因素和公交客流分布特征,为短时公交客流预测模型的建立提供参数选择依据。接着,以西单区域站点客流和300路快内环公交线路客流为预测对象,5分钟、10分钟、15分钟为预测时间粒度,利用深度学习的时间序列预测方法——DBN、LSTM、GRU,构建短时公交客流预测模型,比较三种预测模型针对不同预测对象、不同时间...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
图２－１深度神经网络结构??Ｆｉｇｕｒｅ?２－１?Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??
输出层??Ｏｕｔｐｕｔ?ｌａｙｅｒ??图２－１深度神经网络结构??Ｆｉｇｕｒｅ?２－１?Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??［?）?Ｏｕｔｐｕｔ?ｌａｙｅｒ??图２－２浅层神经网络结构??Ｆｉｇｕｒｅ?２－２?Ｓｈａｌｌｏｗ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??进一步，在浅层学习中，样本特征是靠着人工经验来获取的，这些特征通过网??络模型学习后，所得到的是不具有层次结构的单层特征。而深度学习将原始的特征??信号做逐层特征变换，其目的是把原空间的样本特征变换到另一个新的特征空间，??从而自动得到一个具有层次性的特征表示，从而更有助于进行分类或者进行特征??的可视化。??综上所述，无论是结构特性，还是对特征的学习，与传统的浅层学习方法相比，??深度学习的方法更适合于大规模数据建模，且模型学习能力和泛化能力更强。??深度学习是一个快速发展的领域，在大批研究者以及大型互联网公司（如：微??软、Ｇｏｏｇｌｅ、百度等）努力下
下次再次刷卡，所以，公交１Ｃ卡数据中，既包含了乘客的上车记录（上车时??间、上车站点等），又包含了乘客的下车记录（下车时间、下车站点等）。公交１Ｃ??卡数据结构及包含的基本字段、公交１Ｃ卡数据集示例，分别如表３－３、图３－１所??不。??表３－３公交１Ｃ数据的结构及包含的基本字段??Ｔａｂｌｅ?３－３?Ｔｈｅ?Ｓｔｒｕｃｔｕｒｅ?ａｎｄ?Ｂａｓｉｃ?Ｆｉｅｌｄｓ?ｏｆ?Ｂｕｓ?ＩＣ?Ｃａｒｄ?Ｄａｔａ???＾?字段名称?字段描述????ＣＡＲＤＩＤ??公交１Ｃ卡编号，该编号是唯一的??公交１Ｃ卡的类型：普通卡、学生??ＣＡＲＤＴＹＰＥ?卡类型???卡、老年卡???ＴＲＡＤＥＴＹＰＥ?交易类型?优惠、非优惠????ＴＲＡＤＥＴＩＭＥ?交易时间?下车刷卡时间????ＭＡＲＫＴＩＭＥ?刷卡时间?上车刷卡时间???２０??
【参考文献】：
期刊论文
[1]基于深度学习长短期记忆网络结构的地铁站短时客流量预测[J]. 李梅,李静,魏子健,王思达,陈赖谨. 城市轨道交通研究. 2018(11)
[2]城市轨道交通客流特征分析在可研阶段的应用[J]. 邓吉,赵亮,郑晓薇. 都市快轨交通. 2016(01)
[3]基于SARIMA模型的北京地铁进站客流量预测[J]. 王莹,韩宝明,张琦,李得伟. 交通运输系统工程与信息. 2015(06)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[5]城市公共交通走廊动态客流分析模型[J]. 狄迪,杨东援. 同济大学学报(自然科学版). 2014(10)
[6]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[7]基于乘积ARIMA模型的城市轨道交通进出站客流量预测[J]. 蔡昌俊,姚恩建,王梅英,张永生. 北京交通大学学报. 2014(02)
[8]短时公交客流小波预测方法研究[J]. 刘凯,李文权,赵锦焕. 交通运输工程与信息学报. 2010(02)
[9]公交票制票价多样性及客流效应分析[J]. 金键,杨德明. 交通运输系统工程与信息. 2010(03)
[10]基于解释结构模型的公交客流量影响因素分析[J]. 孙慧,周颖,范志清. 北京理工大学学报(社会科学版). 2010(01)
硕士论文
[1]大数据环境下的公交客流OD矩阵推导与应用研究[D]. 张宇洋.西南石油大学 2017
[2]面向轨道交通站点的需求响应型接驳公交系统调度方法[D]. 芒烈.吉林大学 2017
[3]基于深度学习的室内时空客流预测[D]. 李邦鹏.浙江大学 2017
[4]降雨天气条件下短时公交客流预测研究[D]. 刘欣彤.哈尔滨工业大学 2016
[5]基于大数据挖掘的城市公共交通客流特征分析及预警系统设计[D]. 余创龙.华中科技大学 2016
[6]公交站点短时客流预测模型的研究[D]. 野佳美.大连海事大学 2016
[7]地铁行人微观行为参数量化研究[D]. 常丹.北京交通大学 2010
[8]基于数据挖掘的公交客流规律研究[D]. 舒国辉.北京交通大学 2009
本文编号：3255810
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
图２－１深度神经网络结构??Ｆｉｇｕｒｅ?２－１?Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??
输出层??Ｏｕｔｐｕｔ?ｌａｙｅｒ??图２－１深度神经网络结构??Ｆｉｇｕｒｅ?２－１?Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??［?）?Ｏｕｔｐｕｔ?ｌａｙｅｒ??图２－２浅层神经网络结构??Ｆｉｇｕｒｅ?２－２?Ｓｈａｌｌｏｗ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??进一步，在浅层学习中，样本特征是靠着人工经验来获取的，这些特征通过网??络模型学习后，所得到的是不具有层次结构的单层特征。而深度学习将原始的特征??信号做逐层特征变换，其目的是把原空间的样本特征变换到另一个新的特征空间，??从而自动得到一个具有层次性的特征表示，从而更有助于进行分类或者进行特征??的可视化。??综上所述，无论是结构特性，还是对特征的学习，与传统的浅层学习方法相比，??深度学习的方法更适合于大规模数据建模，且模型学习能力和泛化能力更强。??深度学习是一个快速发展的领域，在大批研究者以及大型互联网公司（如：微??软、Ｇｏｏｇｌｅ、百度等）努力下
下次再次刷卡，所以，公交１Ｃ卡数据中，既包含了乘客的上车记录（上车时??间、上车站点等），又包含了乘客的下车记录（下车时间、下车站点等）。公交１Ｃ??卡数据结构及包含的基本字段、公交１Ｃ卡数据集示例，分别如表３－３、图３－１所??不。??表３－３公交１Ｃ数据的结构及包含的基本字段??Ｔａｂｌｅ?３－３?Ｔｈｅ?Ｓｔｒｕｃｔｕｒｅ?ａｎｄ?Ｂａｓｉｃ?Ｆｉｅｌｄｓ?ｏｆ?Ｂｕｓ?ＩＣ?Ｃａｒｄ?Ｄａｔａ???＾?字段名称?字段描述????ＣＡＲＤＩＤ??公交１Ｃ卡编号，该编号是唯一的??公交１Ｃ卡的类型：普通卡、学生??ＣＡＲＤＴＹＰＥ?卡类型???卡、老年卡???ＴＲＡＤＥＴＹＰＥ?交易类型?优惠、非优惠????ＴＲＡＤＥＴＩＭＥ?交易时间?下车刷卡时间????ＭＡＲＫＴＩＭＥ?刷卡时间?上车刷卡时间???２０??
【参考文献】：
期刊论文
[1]基于深度学习长短期记忆网络结构的地铁站短时客流量预测[J]. 李梅,李静,魏子健,王思达,陈赖谨. 城市轨道交通研究. 2018(11)
[2]城市轨道交通客流特征分析在可研阶段的应用[J]. 邓吉,赵亮,郑晓薇. 都市快轨交通. 2016(01)
[3]基于SARIMA模型的北京地铁进站客流量预测[J]. 王莹,韩宝明,张琦,李得伟. 交通运输系统工程与信息. 2015(06)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[5]城市公共交通走廊动态客流分析模型[J]. 狄迪,杨东援. 同济大学学报(自然科学版). 2014(10)
[6]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[7]基于乘积ARIMA模型的城市轨道交通进出站客流量预测[J]. 蔡昌俊,姚恩建,王梅英,张永生. 北京交通大学学报. 2014(02)
[8]短时公交客流小波预测方法研究[J]. 刘凯,李文权,赵锦焕. 交通运输工程与信息学报. 2010(02)
[9]公交票制票价多样性及客流效应分析[J]. 金键,杨德明. 交通运输系统工程与信息. 2010(03)
[10]基于解释结构模型的公交客流量影响因素分析[J]. 孙慧,周颖,范志清. 北京理工大学学报(社会科学版). 2010(01)
硕士论文
[1]大数据环境下的公交客流OD矩阵推导与应用研究[D]. 张宇洋.西南石油大学 2017
[2]面向轨道交通站点的需求响应型接驳公交系统调度方法[D]. 芒烈.吉林大学 2017
[3]基于深度学习的室内时空客流预测[D]. 李邦鹏.浙江大学 2017
[4]降雨天气条件下短时公交客流预测研究[D]. 刘欣彤.哈尔滨工业大学 2016
[5]基于大数据挖掘的城市公共交通客流特征分析及预警系统设计[D]. 余创龙.华中科技大学 2016
[6]公交站点短时客流预测模型的研究[D]. 野佳美.大连海事大学 2016
[7]地铁行人微观行为参数量化研究[D]. 常丹.北京交通大学 2010
[8]基于数据挖掘的公交客流规律研究[D]. 舒国辉.北京交通大学 2009
本文编号：3255810
本文链接：https://www.wllwen.com/jingjilunwen/jtysjj/3255810.html
