基于AFC数据的城市轨道交通站点短时客流预测

发布时间：2021-01-07 11:47

　　随着我国城镇化速度的加快和经济的快速发展,城市交通因受道路承载力等因素影响,城市交通拥堵现象日益严重。近年来,国内城市为了缓解交通拥堵,并给市民带来更好的出行体验,越来越多城市选择发展大运量的公共交通系统。而城市轨道交通因其运量大、速度快、绿色、节能等优点,越来越多城市选择发展城市轨道交通系统。因此,对于城市轨道交通运营公司而言如何准确预测站点进站客流,从而为其制定出更加合理的城市轨道交通运营方案,提高城市轨道交通服务质量显得尤为重要。本文通过归纳总结国内外现有的短时客流预测方法,针对不同预测方法存在的不足,提出将深度学习方法应用在城市轨道交通短时客流预测领域,并构建两种深度学习短时客流预测模型:PSO-LSTM模型和DBN-ELM模型。针对LSTM的神经元数量、学习效率和迭代次数通常难以确定,在该模型使用过程中常常使用经验法和不断试错法来标定参数,从而造成模型预测精度不高的问题,本文提出利用粒子群算法（PSO）来对模型参数进行寻优,以此来提高模型的预测精度,进而建立普适的长短期记忆神经网络用于城市轨道交通短时客流预测。本文基于深度置信网络和极限学习机模型设计并实现了 DBN-ELM预... 

【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】：88 页

【学位级别】：硕士

【部分图文】：

图１－１北京市城市轨道交通线网图??Ｆｉｇｕｒｅ?１－１?Ｂｅｉｊｉｎｇ?ｕｒｂａｎ?ｒａｉｌ?ｔｒａｎｓｉｔ?ｎｅｔｗｏｒｋ?ｍａｐ??

图１－２技术路线??Ｆｉｇ．?１－２?Ｔｅｃｈｎｉｃａｌ?Ｒｏｕｔｅ??６?？??

居住类站点客流时间分布特征(天通苑)

【参考文献】：
期刊论文
[1]基于循环神经网络的股指价格预测研究[J]. 王理同,薛腾腾,王惠敏,刘震.  浙江工业大学学报. 2019(02)
[2]基于深度学习的城市轨道交通短时客流量预测[J]. 龙小强,李捷,陈彦如.  控制与决策. 2019(08)
[3]基于深度学习的LSTM的交通流量预测[J]. 庞悦,赵威,张雅楠,许宏科.  单片机与嵌入式系统应用. 2019(03)
[4]基于神经网络的地铁短时客流预测服务[J]. 侯晨煜,孙晖,周艺芳,曹斌,范菁.  小型微型计算机系统. 2019(01)
[5]基于LSTM循环神经网络的PM2.5预测[J]. 白盛楠,申晓留.  计算机应用与软件. 2019(01)
[6]改进粒子群算法优化LSTM神经网络的铁路客运量预测[J]. 李万,冯芬玲,蒋琦玮.  铁道科学与工程学报. 2018(12)
[7]基于LSTM-Adaboost的多晶硅生产的能耗预测[J]. 郭久俊.  计算机应用与软件. 2018(12)
[8]基于PWNN模型的轨道交通客流预测分析[J]. 赵珍祥.  黑龙江交通科技. 2018(11)
[9]基于DBN的企业业绩预测模型研究[J]. 张少巍.  合肥学院学报(综合版). 2018(05)
[10]基于GBRBM-DBN模型的短时交通流预测方法[J]. 冯微,陈红,张兆津,邵海鹏.  交通信息与安全. 2018(05)

博士论文
[1]城市轨道交通乘客时空出行模式挖掘及动态客流分析[D]. 赵娟娟.中国科学院大学(中国科学院深圳先进技术研究院) 2017

硕士论文
[1]基于轨道交通路网的短时客流预测研究[D]. 李学源.长春理工大学 2018
[2]基于小波分析和神经网络的城市轨道交通客流时间序列预测[D]. 求森.北京交通大学 2017



本文编号：2962507