降雨天气条件下短时公交客流预测研究

发布时间：2017-08-30 07:43

  本文关键词：降雨天气条件下短时公交客流预测研究

  更多相关文章： 短时公交客流预测 降雨天气 时间序列模型 神经网路模型 SVM-KNN

【摘要】：短时公交客流预测是实现实时公交调度优化的基础。只有准确的掌握客流短时变化,调度人员才能合理配置公交资源,保证供需平衡,实现企业运营效益最大化。但短时公交客流容易受随机因素影响,有较强的时变性和随机性,不易准确预测。而目前的短时公交客流预测研究多是单纯依据历史客流的变化规律,没有考虑天气等随机因素的影响,使得客流预测精度不高。并且国内关于降雨天气等不利天气对公交客流影响的研究近乎空白,故本文充分挖掘公交IC卡信息和天气数据,分析降雨天气条件对公交客流的影响,并建立降雨天气条件下短时公交客流预测模型,旨在提高公交客流的准确性和可靠性。对公交IC卡数据和降雨数据进行预处理,充分挖掘利用公交IC卡信息,提取公交IC卡信息统计公交线路客流,并分析客流的时间变化规律;对公交客流的影响因素进行系统分析,并消除其他因素影响重点分析降雨天气因素与公交客流的相关性,从不同日类型、不同时段、不同线路三个方面分析降雨天气对公交客流量的影响程度,得出降雨天气对公交客流的影响规律。在分析降雨天气对公交客流的影响特性的基础上,提出了基于识别相似模式的短时公交客流预测模型,应用SVM-KNN算法识别相似模式,预测公交客流。SVM-KNN算法结合了支持向量机(SVM)和K最近邻(KNN)算法,弥补了KNN算法在大量数据样本下不能迅速识别相似模式的缺陷,提高了算法的预测效率。SVM-KNN算法主要是基于现有特征直接搜索与当前状态最为相似的历史状态,不受参数的影响,可适应多变的环境,提高了预测的可靠性。根据实际客流数据对SVM-KNN预测算法进行验证,并分别基于时间序列模型和神经网络模型预测客流,其中基于时间序列模型可分为未考虑降雨因素模型和考虑降雨因素模型。根据预测结果的平均绝对误差、平均相对误差、均方误差、均方相对误差等几方面对比评价预测模型,检验考虑降雨天气对客流预测的影响以及SVM-KNN算法的预测性能。
【关键词】：短时公交客流预测 降雨天气 时间序列模型 神经网路模型 SVM-KNN
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.17
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 绪论8-16
• 1.1 研究背景及意义8-9
• 1.1.1 研究背景8
• 1.1.2 研究意义8-9
• 1.2 国内外研究现状9-14
• 1.2.1 国外研究现状9-11
• 1.2.2 国内研究现状11-13
• 1.2.3 国内外研究现状评述13-14
• 1.3 主要研究内容14
• 1.4 研究技术路线14-16
• 第2章 数据的处理及分析16-32
• 2.1 数据的预处理16-17
• 2.1.1 公交IC卡数据的预处理16
• 2.1.2 天气数据的预处理16-17
• 2.2 公交客流时间变化规律17-22
• 2.2.1 公交客流的季度变化规律18
• 2.2.2 公交客流的月变化规律18-19
• 2.2.3 公交客流的周变化规律19-20
• 2.2.4 公交客流的星期变化规律20-21
• 2.2.5 公交客流的时变规律21-22
• 2.3 降雨天气对公交客流的影响的研究22-31
• 2.3.1 公交客流量的影响因素分析22-23
• 2.3.2 降雨天气因素与公交客流量的相关分析23-25
• 2.3.3 降雨天气因素对公交客流的影响分析25-31
• 2.4 本章小结31-32
• 第3章 短时公交客流预测算法32-45
• 3.1 短时公交客流预测方法的概述32-34
• 3.2 基于SVM-KNN的短时公交客流预测算法34-43
• 3.2.1 SVM-KNN算法的基本思想34
• 3.2.2 SVM与KNN算法的概述34-36
• 3.2.3 SVM-KNN算法的预测框架36-42
• 3.2.4 SVM-KNN算法的预测流程42-43
• 3.3 短时客流预测模型性能评价标准43-44
• 3.4 本章小结44-45
• 第4章 短时公交客流预测及评价45-57
• 4.1 基于SVM-KNN算法的预测45-48
• 4.1.1 基于SVM数据库的构建45-46
• 4.1.2 基于KNN相似模式的识别46
• 4.1.3 基于SVM-KNN算法的预测结果46-48
• 4.2 基于ARIMA模型和RBF模型的预测48-54
• 4.2.1 基于ARIMA模型的预测48-52
• 4.2.2 基于RBF模型的预测52-54
• 4.3 三种模型预测结果的对比评价54-56
• 4.4 本章小结56-57
• 结论57-58
• 参考文献58-63
• 致谢63

，

本文编号：758089