地铁客流监测系统关键技术研究及应用

发布时间：2020-03-20 11:54

【摘要】：随着城市轨道交通的快速发展,地铁车站客流量的预测有利于运营部门观测客流的实时变化趋势,调整列车调度策略,提高服务水平。针对当前客流监测系统中,存在对短时进出站客流及枢纽站换乘客流预测精度不高、普适性差、稳定性低的问题,在原有客流监测系统的基础结构上,设计了基于AFC数据的客流监测系统,提高系统的预测性能。本文研究的客流监测系统主要由两个模型组成:基于SVM的短时进出站客流预测模型和基于混合方法的枢纽站换乘客流量分布预测模型。主要研究内容如下:(1)分析了短时客流的时空特征以及客流预测的研究现状,结合客流特征和客流监测系统的需求,给出了客流监测系统的总体框架和软件部分的设计,介绍系统关键技术的思想和工作流程,并实现了客流监测系统。(2)研究了短时进出站客流预测技术。根据不同站点具有不同的客流波形特征,使用凝聚层次聚算法对站点一周客流进行分析,并对一周客流进行分类,对每一类客流的历史时间序列进行相关性分析,选择相关项较强的序列进行SVM回归预测。并提出了双种群自适应混沌萤火虫算法寻优SVM模型参数,该算法中引入双种群机制,提高种群多样性和随机分布能力;引入混沌吸引度提高算法全局搜索能力,避免初始值原因陷入局部最优;加入自适应搜索步长,提高算法收敛速度和求解精度。实验结果表明:短时客流预测模型在不同站点都能对客流进行有效预测,改进算法的性能提升明显,满足了客流监测系统对客流预测的高精度、普适性好的性能需求。(3)研究了最大熵模型在枢纽站预测换乘客流分布的技术。针对传统客流监测系统中存在无完整现状OD矩阵时无法预测的问题,为提高系统的鲁棒性和稳定性,设计了基于改进最大熵模型和重力模型的混合预测方法。改进的最大熵模型引入换乘出行距离和换乘厌恶时长进行约束求解,提高了无完整现状OD矩阵时的求解能力;使用熵值法标定出行阻抗,得到重力模型,以提高预测的稳定性。最后结合两种模型的优势,形成混合的预测方法,对枢纽站换乘客流分布进行有效预测。实验结果表明:枢纽站换乘客流的混合预测模型在有无完整现状OD矩阵时,都能对换乘客流分布进行预测,满足了客流监测系统对客流预测的高精度、稳定性好的性能需求。
【图文】：

模型图,客流预测,短时,模型

图 1.1 短时客流预测的模型究现状预测是轨道交通系统重要组成部分，对提高交通的便利性具有积极通客流量的预测研究主要从美国上世纪 60 年代开始，，在《芝加哥四阶段法对轨道交通客流进行分析预测[6]。随着研究的深入，在考上，对交通客流量进行预测，这类方法属于长期客流预测。在城市拥挤程度的不断增加，为了提高城市交通的服务质量，需要对短期并及时调整运营策略。Chan 等人对短时客流预测的方法和理论进行结论：智能化交通的发展对短时客流的预测性能和理论具有较高的代建设中，随着轨道交通的不断发展，市民的出行方式开始多样化中一年的智能卡数据进行了处理，通过使用数据挖掘技术，对出行，并实现了数字化管理[8]。Ahmed 等人在对客流进行数理统计中引回归的方法对客流进行分析预测，并使用启发方法和模式识别方法。Chen 等人在研究轨道交通的客流特征过程中，提出了希尔伯特黄

系统流程图,客流预测,系统流程

图 1.2 常见客流预测系统流程基于神经网络的预测方法。这类模型通过选择 5~15 分钟时间粒度的客流算法选取最优参数后，对历史时间片序列进行训练，历史片序列指的是及若干历史同时段客流时间片，训练完成得到预测模型。程浩等人通过上海地铁的进出站客流进行了预测，取得了很好的预测效果[31]。神经网容易陷入局部极小值，它需要对一个神经元设置传递函数，这直接影响练速度慢的问题[32]。基于 SVM 进行回归预测。这类方法和神经网络预测建模过程类似，但要不同的训练效果。它是建立在统计学理论的 VC 维（Vapnik Chervonenki最小化原理基础上的学习方法[33]。SVM 借助核函数通过非线性变换将线征空间中的线性可分情况。SVM 回归同样需要借助优化算法选择合理的得到理想的预测性能。同时，虽然它不存在维数灾难，但当样本数量过题。非线性预测方法中，都需要对模型参数优化，在相关的研究中都使用了 SVM 和神经网络参数优化方法中有实验法、网格法、梯度下降法[34]等
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：O212.1;U293.13;TP18

【相似文献】