论文部分内容阅读
建设轨道交通系统是缓解交通压力的有效途径之一,对地铁短时客流的准确预测可以为地铁车次的智能调度、站点限流与客流疏散方案的制定提供依据。本文针对短时客流具有非线性、时变性的特点,选择神经网络作为预测模型,并提出将通勤因素与短时客流预测结合。由于神经网络的性能很大程度上依赖于模型初始参数的设置,因此本文提出一种改进的萤火虫算法用于优化神经网络的初始参数。本文的主要工作如下:(1)基于上海市地铁一卡通数据对地铁客流进行特征分析:针对周内客流特征存在差异,使用层次聚类法对客流聚类,并借鉴上海市综合交通年度报告分析周五及长假前一日客流的特征,对聚类结果进一步细化;计算待预测时间片客流量和历史客流序列之间的Spearman相关系数;根据乘客出行链的相关理论设计了10种出行模式,在此基础上提出本文对“通勤”的定义,利用Hadoop平台编程计算各站点在各时间片内的通勤乘次,并说明本文从一卡通数据中分离出的通勤客流在一段时间内具有时空稳定性。(2)基于上海市气象局、环保局提供的相关数据分析降雨量和空气质量指数对短时客流的影响。(3)将时间相关性较高的客流序列作为输入,比较BP神经网络和Elman神经网络的预测性能,进一步缩小客流序列的最优输入维数所处区间,并选定更适应时变性的Elman神经网络作为预测模型;将通勤、天气因素与短时客流预测结合,验证本文提出的通勤因素能大幅提高预测精度,并选定性能最好的输入组合作为预测模型的输入。(4)介绍元启发式优化算法,详细分析了萤火虫算法(FA)的原理、流程和优缺点,并针对其存在的缺点提出改进:引入混沌机制和“鲶鱼效应”提高算法的全局搜索能力;引入Levy飞行提高算法的局部探索能力;对每只萤火虫个体采用自适应步长策略以提高算法的寻优精度。通过比较不同优化算法的收敛速度和寻优精度,验证了改进的FA算法的有效性;通过比较不同模型的预测性能,验证了基于改进的FA算法优化后的预测模型的有效性。