基于深度学习的轨道交通断面客流短时预测

发布时间：2021-09-18 08:59

　　轨道交通的时效性、舒适性等优势,使轨道交通逐渐成为多数乘客的优选出行方式。断面客流短时预测能够反映实时变化规律,是管理部门制定决策、运营管理、合理配置资源的重要数据基础。论文对城市轨道交通自动售检票系统交易数据进行分析,对客流进行分配,计算断面客流,并提出基于循环神经网络的深度学习预测方法对断面客流进行短时预测。论文以南京市轨道交通为例,首先基于自动售检票系统所采集的交易数据,对乘客的出行特征进行了分析,并研究了客流的时间分布以及空间分布情况,并根据客流特征分为工作日和非工作日两类。其次,根据K短路径算法,论文计算轨道交通任意OD站之间的有效路径,并依据混合高斯模型,将客流分配至各条路径。在此基础上,结合乘客的出入站时间,将客流分配至各线路的各趟列车,计算统计时段内的断面客流量并分析其时间序列的平稳性。最后,以计算的断面客流为基础数据,建立以时间序列为输入的多个循环深度学习预测模型并进行参数调优,以MAE、RMSE以及MAPE作为评价指标,比较各模型的预测效果。鉴于AFC交易数据获取断面客流数据的滞后性,论文使用Mask R-CNN网络模型进行目标检测,论证监控画面实时获取断面客流数据... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：87 页

【学位级别】：硕士

【部分图文】：

深度学

东南大学硕士学位论文40图3-82017年9月19日珠江路站的列车断面客流量一日内珠江路站的列车断面客流量的趋势与该站当日的断面客流量大致相符，呈现双峰型分布，在早晚上下班时间断面客流变化明显，并在晚高峰时段达到列车断面客流量的最大值。综合一周工作日内的列车断面客流，首先对数据进行平稳性检验，通过观测移动平均和移动均方差随时间的变化图（如图3-9所示），计算得到的平稳性检验结果如表3.11所示图3-9原始数据、移动平均和移动均方差随时间的变化图表3.11原始数据平稳性检验结果统计量p-值滞后量观测值数临界值1%临界值5%临界值10%结果-6.880.0001412.001270.00-3.434-2.864-2.568从平稳性检验结果中发现数据的p-值小于0.01可拒绝原假设，认为该序列为平稳序列，（原假设为数据是非平稳序列），绘制自相关图以及偏相关图，如图3-10所示：020040060080010001200140018152229364350576471788592991061131201271341411481551621691761831901972042112182252322392462532017年9月19日珠江路站列车断面客流量

第三章城市轨道交通断面客流计算方法41图3-10平稳序列的ACF图和PACF图从自相关图中可发现数据存在自相关性，则说明前后数据之间存在相关性，可将前序数据作为后序数据预测的依据，为后文的建模预测提供依据。3.4本章小结本章首先对城市轨道交通乘客的出行过程进行分析，并采用K短路径算法获得同一OD之间的可选路径；提出采用混合高斯模型计算每个样本属于某个单一高斯模型的概率，即每个乘客选择某条有效路径的概率，继而将OD间的客流量合理分配至不同路径；再将乘客与列车进行匹配，即将乘客与列车一一对应，最终通过对车辆上客流量的统计，得到单位时间内断面客流量的计算结果，并提出列车断面客流量概念，进行简要统计分析，作为本研究所建立的预测模型的基础数据。


本文编号：3399854