科学合理的车站分类对于客流特征研究预测、车站设施布局优化以及周边土地开发建设具有重要意义。针对新线开通前新建车站客流数据未知而导致车站分类不准的问题,提出一种基于地铁客流与建成环境映射关系的新线车站分类方法。首先,从客...科学合理的车站分类对于客流特征研究预测、车站设施布局优化以及周边土地开发建设具有重要意义。针对新线开通前新建车站客流数据未知而导致车站分类不准的问题,提出一种基于地铁客流与建成环境映射关系的新线车站分类方法。首先,从客流角度选取组合聚类指标对既有车站进行聚类,形成各类车站的客流特征区间。其次,从建成环境角度计算既有车站的土地混合熵、不同POI(Point of interest)数量、度和介数等特征,利用随机森林(Random forest,RF)重要度指标筛选和对数变换拟合确定建成环境特征与地铁客流特征的映射关系表达式。最后,输入新线车站的建成环境特征,依据上述映射关系计算新线车站的客流特征值,结合既有车站的客流特征区间进行新线车站客流特征归类,实现客流数据缺失条件下的新线车站分类。为验证方法有效性,采用北京地铁数据进行案例验证。研究结果表明:基于地铁客流与建成环境映射关系的分类方法能够实现新线车站开通前的车站类型提前划分,具有较好的分类结果;进一步分析发现工作日车站与周末车站分类存在的差异与通勤行为特性、土地开发程度有关;研究方法在不同线路数据集上都表现出较好的分类效果,具有较强的适用性。研究结果可为缺失数据条件下的车站分类和新线开通期地铁运营组织提供新的思路和方法。展开更多
消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函...消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。展开更多
文摘科学合理的车站分类对于客流特征研究预测、车站设施布局优化以及周边土地开发建设具有重要意义。针对新线开通前新建车站客流数据未知而导致车站分类不准的问题,提出一种基于地铁客流与建成环境映射关系的新线车站分类方法。首先,从客流角度选取组合聚类指标对既有车站进行聚类,形成各类车站的客流特征区间。其次,从建成环境角度计算既有车站的土地混合熵、不同POI(Point of interest)数量、度和介数等特征,利用随机森林(Random forest,RF)重要度指标筛选和对数变换拟合确定建成环境特征与地铁客流特征的映射关系表达式。最后,输入新线车站的建成环境特征,依据上述映射关系计算新线车站的客流特征值,结合既有车站的客流特征区间进行新线车站客流特征归类,实现客流数据缺失条件下的新线车站分类。为验证方法有效性,采用北京地铁数据进行案例验证。研究结果表明:基于地铁客流与建成环境映射关系的分类方法能够实现新线车站开通前的车站类型提前划分,具有较好的分类结果;进一步分析发现工作日车站与周末车站分类存在的差异与通勤行为特性、土地开发程度有关;研究方法在不同线路数据集上都表现出较好的分类效果,具有较强的适用性。研究结果可为缺失数据条件下的车站分类和新线开通期地铁运营组织提供新的思路和方法。
文摘消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明:IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12~40人次(13~35人次)、13~44人次(12~35人次)、6~37人次(12~31人次)和5.08%~46.89%(6.5%~35.1%),R和R2分别提高了0.07%~2.32%(0.86%~3.63%)和0.13%~2.19%(0.67%~1.67%),同时在工作日不同时段和非工作日全日的预测性能均达到最优效果。IPSO算法的收敛速度和参数寻优精度均优于PSO算法,且CEEMDAN-IPSO-LSTM模型可应用于城市轨道交通短时客流量的精确预测,同时可为设计规划线网路线、缓解交通压力、提高乘客出行服务质量等提供基础数据支撑。
