城轨客流组分划分模型及其应用研究

发布时间：2021-12-01 20:32

　　随着国民经济的快速发展和城市化进程的不断加快,城市之间的出行活动日益频繁,居民对出行时效性、快速性要求逐渐增高。城市轨道交通系统凭借其快速、准点、舒适的优良特性快速发展,在城市公共交通系统中占据举足轻重的分量。而随着地铁网络客流量的增大,客流组成变得复杂多样,客流规律变化多端,基于整体客流分析的轨道交通客流量变化规律不足以把握外部事件对各类乘客群体的影响机理,基于整体的客流预测对不同乘客群体的出行规律捕捉效果欠佳。因此,有必要对城市轨道交通复杂的乘客群体进行组分划分,分门别类地研究各类乘客群体出行特征和规律,以细化对城市轨道交通网络动态的把控。本文提出组分划分原理将不同出行时间特征的客流进行归类,构造组分划分模型确定划分方法。基于组分划分理论研究各类乘客不同的出行规律,以及各组分客流与外界影响因素的相关程度。最终基于组分划分模型构建短期客流预测模型,实现对未来日期内分时客流量的预测。首先,本文基于对历时客流数据时变规律的研究确定不同的乘客出行时间分布组群,基于各组群的分布特征构建客流划分模型,将全天客流按照其出行时间分布划分为早高峰、全天峰、午高峰、晚高峰、夜高峰五种组分。设计遗传算法...

【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】：110 页

【文章目录】：
致谢
摘要
ABSTRACT
1. 引言
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 关于乘客出行目的的研究
        1.2.2 AFC数据挖掘研究
        1.2.3 城市轨道交通短期客流预测研究
        1.2.4 国内外研究现状总结
    1.3 研究内容及技术路线
        1.3.1 研究内容
        1.3.2 技术路线图
    1.4 本章小结
2. 数据准备
    2.1 路网数据
        2.1.1 广州市城市轨道系统
        2.1.2 线网数据
    2.2 非集计数据
        2.2.1 AFC刷卡系统
        2.2.2 数据结构
        2.2.3 数据清洗
        2.2.4 数据统计
    2.3 集计数据
        2.3.1 数据结构
        2.3.2 数据统计
    2.4 本章小结
3. 组分划分模型研究
    3.1 组分定义
        3.1.1 常规组分划分模型综述
        3.1.2 本文中对组分定义
        3.1.3 主要客流组分介绍
    3.2 组分划分模型
        3.2.1 模型构建
        3.2.2 约束条件
        3.2.3 目标函数
    3.3 组分划分模型求解算法
        3.3.1 遗传算法基本原理
        3.3.2 基因编码设计
        3.3.3 初始种群生成
        3.3.4 杂交变异设计
    3.4 案例分析
        3.4.1 案例介绍
        3.4.2 模型参数设置
        3.4.3 模型结果
        3.4.4 误差分析
        3.4.5 案例拓展
    3.5 本章小结
4. 基于组分划分的客流规律研究
    4.1 基于组分分析的时序特征对客流变化影响
        4.1.1 各个组分随周次的变化规律分析
        4.1.2 各组分之间的相关性分析
    4.2 基于组分分析的刷卡频次对客流变化影响
        4.2.1 不同刷卡频次乘客的组分分布规律
        4.2.2 不同组分对目的地选择的偏好研究
    4.3 基于组分分析的外部因素对客流变化影响
    4.4 本章小结
5. 基于组分划分的短期客流预测模型
    5.1 基于组分划分的短期客流预测
        5.1.1 短期客流预测方法综述
        5.1.2 不同组分的客流时变规律分析
        5.1.3 基于组分的短期客流预测方法
    5.2 RBF神经网络客流预测模型
        5.2.1 RBF神经网络模型基础理论
        5.2.2 K均值聚类确定中心点
    5.3 案例分析
        5.3.1 历史数据准备
        5.3.2 RBF神经网络模型训练
        5.3.3 RBF模型对各组分客流总量预测
        5.3.4 各组分分时客流量计算及结果分析
    5.4 本章小结
6. 结论与展望
    6.1 结论
    6.2 本文创新点
    6.3 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集


【参考文献】：
期刊论文
[1]阻断事件影响下城际出行行为 [J]. 韩志玲,陈艳艳,李佳贤,张凡.  北京工业大学学报. 2019(05)
[2]基于AFC的地铁车站楼扶梯客流参数预测与状态判定 [J]. 孙建辉,胡华,刘志钢.  计算机应用与软件. 2019(01)
[3]大规模城轨路网客流分布推演的建模与仿真方法 [J]. 蒋熙,冯佳平,贾飞凡,孙捷萍,李春晓.  铁道学报. 2018(11)
[4]基于IC卡识别通勤客流的公交线路多模式调度 [J]. 罗孝羚,蒋阳升,吴奇,姚志洪,李思怡.  工业工程. 2018(05)
[5]基于出租车运营数据和POI数据的出行目的识别 [J]. 罗孝羚,蒋阳升.  交通运输系统工程与信息. 2018(05)
[6]基于AFC数据的新建轨道交通系统出行距离分布特性研究 [J]. 贺康康,任刚.  交通运输工程与信息学报. 2018(03)
[7]基于自动售检票数据的城市轨道交通通勤客流辨识 [J]. 邹庆茹,赵鹏,姚向明,汪波.  北京交通大学学报. 2018(03)
[8]城市轨道交通AFC系统新技术应用和展望 [J]. 于琦.  电子技术与软件工程. 2018(07)
[9]基于峰值密度聚类的公交出行目的分类模型 [J]. 梁野,吕卫锋,杜博文.  哈尔滨工程大学学报. 2018(03)
[10]基于售检票数据挖掘的轨道交通乘客居住区辨识 [J]. 姚向明,赵鹏,韩宝明,邹庆茹.  交通运输系统工程与信息. 2016(05)

硕士论文
[1]实时AFC数据接入下城轨路网客流动态分布建模与仿真[D]. 冯佳平.北京交通大学 2018
[2]客流波动下城市轨道交通运输组织关键技术研究[D]. 杜延帅.西南交通大学 2017
[3]基于灰色系统与神经网络的组合预测方法及应用研究[D]. 童新安.西安电子科技大学 2012
[4]基于出行目的链的轨道交通客流预测模型研究[D]. 兰鹏.北京交通大学 2009
[5]城市轨道交通客流预测模型研究[D]. 吴倩.西南交通大学 2007
[6]城市轨道交通客流预测方法研究[D]. 毛荣昌.河海大学 2005



本文编号：3527010