基于时空特征的地铁客流预测

发布时间：2021-11-23 12:39

　　随着城市轨道交通的迅速发展,地铁短期断面客流的预测有利于运营部门观测客流的实时变化,从而调整调度策略。客流具有时空特征,在10 min粒度时间片下,客流变化存在周期性,在空间上客流波形存在差异性。使用凝聚层次聚类算法对不同站点在一周内的客流进行聚类分析,得到贴近站点特征的客流分类结果。根据分类结果,对不同类别客流时间片分别进行相关性分析,提出一种基于SVM的预测模型,将强相关性的时间片序列作为模型输入。同时,提出一种基于协同自适应调整的双种群萤火虫算法以寻优模型参数,算法中引入混沌吸引度来提高算法的全局搜索能力,避免由于初始值陷入局部最优;加入自适应搜索步长,以加快算法的收敛速度并提高求解精度。与其他模型和优化算法的对比表明,本模型具有较好的预测精度、稳定性和鲁棒性。 

【文章来源】：计算机科学. 2019,46(07)北大核心CSCD

【文章页数】：8 页

【部分图文】：

图１单峰型客流Ｆｉｇ．１Ｓｉｎｇｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ

的地区，站点容易出现单峰型的客流，该车站的进出站高峰客流在早晚将会错开，客流一般相对集中。一般情况下，可将该类客流分为两种类型：１）早高峰进站人数较多，而晚高峰出站人数较多；２）早高峰出站人数较多，晚高峰进站人数较多。单峰型客流示意图如图１所示。图１单峰型客流Ｆｉｇ．１Ｓｉｎｇｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（２）双峰型位于城市繁华商业区域、学校等地区的站点，其早、晚高峰客流明显。双峰型客流示意图如图２所示。图２双峰型客流Ｆｉｇ．２Ｄｏｕｂｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（３）平稳型一般在火车站、机场、高流量的地区，客流为一种平稳状态，不会出现明显的高峰客流。平稳型客流示意图如图３所示。图３平稳型客流Ｆｉｇ．３Ｓｍｏｏｔｈｐａｓｓｅｎｇｅｒｆｌｏｗ２．２客流聚类分析以南京三号线为例，在２０１６年９月，站点Ｓ１，Ｓ２进站客流的时间序列如图４所示。该线路的运营时间为６∶００－２３∶００，由于进站客流具有提前性和滞留性，将研究时间段设为５∶００－２４∶００，以１０ｍｉｎ为时间粒度，将运营时间段划分１１４个时间片。从图４中可以看出，除了中秋节１５号（周四）、１６号（周五）、１７号（周五）３天假期之外，地铁总体客流整体上表现为按一周时间呈现周期变化，且一周内的客流呈现不同特征，存在明显的双峰型客流、平稳型客流和单峰型客流，不同站点的客流特征也不尽相同。根据客流的周期性变化

人数较多，晚高峰进站人数较多。单峰型客流示意图如图１所示。图１单峰型客流Ｆｉｇ．１Ｓｉｎｇｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（２）双峰型位于城市繁华商业区域、学校等地区的站点，其早、晚高峰客流明显。双峰型客流示意图如图２所示。图２双峰型客流Ｆｉｇ．２Ｄｏｕｂｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（３）平稳型一般在火车站、机场、高流量的地区，客流为一种平稳状态，不会出现明显的高峰客流。平稳型客流示意图如图３所示。图３平稳型客流Ｆｉｇ．３Ｓｍｏｏｔｈｐａｓｓｅｎｇｅｒｆｌｏｗ２．２客流聚类分析以南京三号线为例，在２０１６年９月，站点Ｓ１，Ｓ２进站客流的时间序列如图４所示。该线路的运营时间为６∶００－２３∶００，由于进站客流具有提前性和滞留性，将研究时间段设为５∶００－２４∶００，以１０ｍｉｎ为时间粒度，将运营时间段划分１１４个时间片。从图４中可以看出，除了中秋节１５号（周四）、１６号（周五）、１７号（周五）３天假期之外，地铁总体客流整体上表现为按一周时间呈现周期变化，且一周内的客流呈现不同特征，存在明显的双峰型客流、平稳型客流和单峰型客流，不同站点的客流特征也不尽相同。根据客流的周期性变化，可使用聚类方法对客流进行聚类分析，以得出一周内客流的类别特征。第７期张和杰，等：基于时空特征的地铁客流预测３９２

【参考文献】：
期刊论文
[1]基于AP聚类的支持向量机公交站点短时客流预测[J]. 杨信丰,刘兰芬.  武汉理工大学学报(交通科学与工程版). 2016(01)
[2]保持个体活性的改进FA算法[J]. 陆克中,章哲庆,孙俊.  中国科学技术大学学报. 2016(02)
[3]基于BP神经网络的铁路客流量预测研究[J]. 杨伟静.  合作经济与科技. 2010(13)

硕士论文
[1]基于改进BP神经网络的轨道交通短时客流预测方法研究[D]. 董升伟.北京交通大学 2013



本文编号：3513903