论文部分内容阅读
随着城市经济的发展,城市化进程不断加快,城市经济的繁荣促进了城市人口的增长。城市固有的交通载客量已经不能满足城市居民日益增长的出行需求。近年来,为了满足居民出行需求,城市轨道交通线网规模不断扩大,实现线网的科学合理化运营成为交通事业发展的重中之重。因此,本文建立并训练了多空间尺度的客流预测模型,分别针对进出站客流,站点OD客流,以及区域OD客流进行预测。客流预测为线网进行发车班次的调整、运能运量匹配以及区域线路网规划提供数据支撑,进而实现整个线网的合理化运营。本文的主要工作如下:(1)分析了城市轨道交通的发展状况,阐述了多空间尺度客流预测的重要意义,并对目前客流预测理论和技术进行研究。(2)选取重庆市轨道交通历史真实客流数据作为研究对象,分析客流时空特征。(3)构建了四种不同空间尺度的神经网络模型,分别是基于时空影响流矩阵的进出站客流预测LSTM模型、基于残差神经网络的进出站客流预测模型、基于历史同期及顺序时间序列的站点OD客流预测LSTM模型以及基于区域划分与旅客出行模式的客流预测LSTM模型。(4)为了构建基于区域划分与出行模式客流预测模型,首先进行了区域的划分,然后进行了出行模式的识别。(5)本文以在2017年到2018年之间的轨道客流数据为基础,对数据进行预处理,提取旅程时间、顺序时间序列、历史同期序列和时空影响矩阵,代入建立的四种不同的客流预测模型进行实验。分析不同空间尺度模型预测结果并与SVR、RNN等常用模型进行对比。实验结果表明,每一种尺度的客流预测都优于SVR、RNN等常用客流预测算法,RMSE以及MRE误差都小于常用客流预测算法。并且通过对比不同尺度的客流预测结果,发现随着尺度的扩大,乘客出行更具规律性,预测结果误差更小。