论文部分内容阅读
随着我国城市化进程的推进,越来越多的人口向大城市流动,给大城市交通带来了巨大压力,城市轨道交通成为解决该问题的首要方式。而随着城市轨道交通建设发展以及人口的增加,其站点客流复杂化的态势越来越明显。在近年来计算机智能网络的发展,城市轨道交通的运营管理开始向智能化以及自动化转变。其中对站点进站短时客流预测成为城市轨道交通管理运营的重要一环,选用合理的高精度智能化预测模型,可以对站点客流变化情况有效实时把握,从而有助于城市轨道交通不同的站点、不同线路进行列车发车班次的调节以及客流有序组织,提高城市轨道交通运营效率。本文主要针对城市轨道交通站点短时复杂客流预测问题进行研究,主要研究内容包括:(1)北京市城市轨道交通网络客流时空特征分析。从空间角度对北京市城市轨道交通线路客流特征进行了分析;从时间角度对站点客流变化形态进行归类,划分所有站点类型;使用相似性系数和系统聚类的方式对不同类型站点客流进行时段相关性分析,为进站客流预测打下了客流数据分析基础。(2)城市轨道交通短时客流稳定化预处理。对于复杂进站客流采用固有时间尺度分解法进行初次稳定化处理,对处理结果获得的分解分量进行频谱分析来把握原始客流变化的频段信息,引用样本熵和白噪声对分量序列进行评价,对波动强烈的分量使用滑动平均处理,从而使得初始的复杂客流转化为较为平稳的分量,有助于下一步的预测。(3)城市轨道交通短时客流组合预测模型。选用对短时复杂客流具有良好适应性的LSTM预测模型作为预测的核心模型,将模拟退火算法和遗传算法进行组合建立了模拟退火-遗传组合寻优算法,使用组合寻优算法对LSTM预测模型进行优化建立了优化组合预测模型。选用北京西站进站客流作为本文方法的验证对象,使用本文建立的ITD-MA-GASA-LSTM预测模型进行短时客流预测。验证了本文提出的方法对城市轨道交通的运营管理有一定帮助。本文在对站点客流进行时空特征分析,使用相关性系数分析不同站点的时段客流变化相关特征,有助于把握不同站点客流内在规律。并引用信号分析领域的固有时间尺度分解模型对客流进行分解分析,为客流预测提供新的有效数据处理方式,并将多种数据处理分析方式进行结合,有助于预测模型精度的提高,为城市轨道交通的运营管理提供一定方法理论。