论文部分内容阅读
目前,随着国家城镇化进程的加快,城市人口不断的增多,与之带来的城市居民的出行需求不断增加。然而,部分城市公共交通的发展不能满足人们快速增长的出行需求,城市中存在交通堵塞、交通拥挤等状况。公共交通作为城市中大部分居民出行的首选交通方式,大力发展公共交通是解决城市交通拥堵的有效措施之一。在大数据时代的到来,一款能够为公共交通管理者所用的乘客出行特征分析与客流预测系统是非常有意义的。它可以让公共交通管理者掌握乘客出行规律和实时客流状况,有助于其及时调整其运营策略和管理策略,满足乘客出行需求的同时提高城市公共交通的运营效率,进而缓解城市交通拥堵现象。针对公共交通中如何刻画乘客出行特征和预测客流变化,本文基于公交IC卡数据记录,一方面,从时空维度定性分析乘客的出行聚集特征和出行网络中存在的社区结构特性,利用Pearson相关系数量化乘客出行模式的动态变化。另一方面,基于时序序列预测方法和回归预测方法,建立组合预测模型实现对站点客流量的预测。本文的主要贡献如下:(1)针对如何揭示乘客出行特征的时空变化规律,本文利用Pearson相关系数量化乘客出行模式在时空维度的变化特征,构建不同时段的乘客出行网络,并利用网络社区结构揭示乘客出行路线在城市不同区域的聚集特征。首先,从时空维度定性分析乘客出行行为特征,发现乘客出行存在早晚高峰聚集现象,且不同站点的乘客出行聚集模式存在差异;利用Pearson相关系数量化一周不同天或不同站点之间的乘客出行模式变化,发现工作日之间的乘客出行模式较为相似,工作日与休息日之间的乘客出行模式存在着较大差异,且地理位置相邻站点的乘客出行聚集模式具有更高的相似度。然后,利用Louvain算法挖掘乘客出行网络中的社区,分析不同时段的出行网络中社区结构特征,发现不同时段出行网络中的社区结构是不断变化的,但有些站点总是处于相同的社区。(2)针对地铁站点客流量预测问题,本文构建了一个基于时序序列和线性回归的组合预测模型ARIMA_LASSO(Autoregressive Integrated Moving Average_Least Absolute Shrinkage and Selection Operator),通过优化单个模型所占组合模型中预测结果的权重,提高客流预测精度。基于重庆地铁IC卡数据,首先分析ARIMA_LASSO模型和其包含的两个单个模型的预测结果,选择单个模型的最优预测参数作为组合预测模型的参数,结果表明组合预测模型的预测准确率高于单个的预测模型。然后分析不同时间粒度下ARIMA_LASSO模型的预测结果,将ARIMA_LASSO模型用于预测未来15分钟、30分钟、1小时客流,结果表明ARIMA_LASSO模型在稍长时间间隔下具有更好的预测准确率。本文认为稍长时间间隔下的客流预测对轨道交通管理部门更有意义,这意味着有更多的时间制定合理的运营策略。最后,为了进一步验证ARIMA_LASSO模型的预测准确率,将相关研究的预测模型与本文构建的模型进行对比分析,分析结果表明ARIMA_LASSO模型的预测准确率优于本文提及的其他相关模型。通过预测各个站点的进站客流,使得公共交通管理者可以提前掌握站点的客流状况,有助于其合理分配列车资源与安保安检等人力资源。综上,基于公交IC卡数据,分析乘客出行特征、出行模式及其动态变化,预测站点的客流,可以让公共交通管理者更好的掌握乘客的出行规律及其动态变化,为其及时调整调度策略与管理策略提供科学依据,对公共交通的发展具有重大意义。