公交客流短時變化規(guī)律是一切公交運營規(guī)劃的基礎(chǔ)和前提,而目前公交企業(yè)普遍存在短時客流預測能力不足的問題。由于地面公交自身特性,使得公交客流更容易受到天氣等外部條件的制約,具有很大的隨機性和復雜性。隨著城市信息化水平的發(fā)展,積累了海量的公交IC卡數(shù)據(jù)資產(chǎn),同時深度學習預測方法在大規(guī)模數(shù)據(jù)分析方面,展現(xiàn)出高效、處理能力強等優(yōu)勢,這為公交客流規(guī)律分析與短時公交客流精準預測提供了數(shù)據(jù)和技術(shù)支撐。本文利用數(shù)據(jù)挖掘分析和深度學習預測方法,建立了公交客流分析體系和短時公交客流預測模型。首先,對公交IC卡數(shù)據(jù)、天氣數(shù)據(jù)、線路數(shù)據(jù)、站點數(shù)據(jù)等單數(shù)據(jù)集進行數(shù)據(jù)的清洗、變換,將其融合成統(tǒng)一的多維數(shù)據(jù)集,作為后續(xù)客流規(guī)律分析的數(shù)據(jù)來源。其次,利用數(shù)據(jù)挖掘的方法構(gòu)建公交客流分析體系,從不同維度來分析公交客流關(guān)鍵影響因素和公交客流分布特征,為短時公交客流預測模型的建立提供參數(shù)選擇依據(jù)。接著,以西單區(qū)域站點客流和300路快內(nèi)環(huán)公交線路客流為預測對象,5分鐘、10分鐘、15分鐘為預測時間粒度,利用深度學習的時間序列預測方法——DBN、LSTM、GRU,構(gòu)建短時公交客流預測模型,比較三種預測模型針對不同預測對象、不同時間... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：94 頁

【學位級別】：碩士

【部分圖文】：

圖２－１深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇｕｒｅ?２－１?Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??

輸出層??Ｏｕｔｐｕｔ?ｌａｙｅｒ??圖２－１深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇｕｒｅ?２－１?Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??［?）?Ｏｕｔｐｕｔ?ｌａｙｅｒ??圖２－２淺層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇｕｒｅ?２－２?Ｓｈａｌｌｏｗ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ?Ｓｔｒｕｃｔｕｒｅ??進一步，在淺層學習中，樣本特征是靠著人工經(jīng)驗來獲取的，這些特征通過網(wǎng)??絡(luò)模型學習后，所得到的是不具有層次結(jié)構(gòu)的單層特征。而深度學習將原始的特征??信號做逐層特征變換，其目的是把原空間的樣本特征變換到另一個新的特征空間，??從而自動得到一個具有層次性的特征表示，從而更有助于進行分類或者進行特征??的可視化。??綜上所述，無論是結(jié)構(gòu)特性，還是對特征的學習，與傳統(tǒng)的淺層學習方法相比，??深度學習的方法更適合于大規(guī)模數(shù)據(jù)建模，且模型學習能力和泛化能力更強。??深度學習是一個快速發(fā)展的領(lǐng)域，在大批研究者以及大型互聯(lián)網(wǎng)公司（如：微??軟、Ｇｏｏｇｌｅ、百度等）努力下

下次再次刷卡，所以，公交１Ｃ卡數(shù)據(jù)中，既包含了乘客的上車記錄（上車時??間、上車站點等），又包含了乘客的下車記錄（下車時間、下車站點等）。公交１Ｃ??卡數(shù)據(jù)結(jié)構(gòu)及包含的基本字段、公交１Ｃ卡數(shù)據(jù)集示例，分別如表３－３、圖３－１所??不。??表３－３公交１Ｃ數(shù)據(jù)的結(jié)構(gòu)及包含的基本字段??Ｔａｂｌｅ?３－３?Ｔｈｅ?Ｓｔｒｕｃｔｕｒｅ?ａｎｄ?Ｂａｓｉｃ?Ｆｉｅｌｄｓ?ｏｆ?Ｂｕｓ?ＩＣ?Ｃａｒｄ?Ｄａｔａ???＾?字段名稱?字段描述????ＣＡＲＤＩＤ??公交１Ｃ卡編號，該編號是唯一的??公交１Ｃ卡的類型：普通卡、學生??ＣＡＲＤＴＹＰＥ?卡類型???卡、老年卡???ＴＲＡＤＥＴＹＰＥ?交易類型?優(yōu)惠、非優(yōu)惠????ＴＲＡＤＥＴＩＭＥ?交易時間?下車刷卡時間????ＭＡＲＫＴＩＭＥ?刷卡時間?上車刷卡時間???２０??

【參考文獻】：
期刊論文
[1]基于深度學習長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)的地鐵站短時客流量預測[J]. 李梅,李靜,魏子健,王思達,陳賴謹.  城市軌道交通研究. 2018(11)
[2]城市軌道交通客流特征分析在可研階段的應(yīng)用[J]. 鄧吉,趙亮,鄭曉薇.  都市快軌交通. 2016(01)
[3]基于SARIMA模型的北京地鐵進站客流量預測[J]. 王瑩,韓寶明,張琦,李得偉.  交通運輸系統(tǒng)工程與信息. 2015(06)
[4]深度學習研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學學報. 2015(01)
[5]城市公共交通走廊動態(tài)客流分析模型[J]. 狄迪,楊東援.  同濟大學學報(自然科學版). 2014(10)
[6]深度學習研究進展[J]. 劉建偉,劉媛,羅雄麟.  計算機應(yīng)用研究. 2014(07)
[7]基于乘積ARIMA模型的城市軌道交通進出站客流量預測[J]. 蔡昌俊,姚恩建,王梅英,張永生.  北京交通大學學報. 2014(02)
[8]短時公交客流小波預測方法研究[J]. 劉凱,李文權(quán),趙錦煥.  交通運輸工程與信息學報. 2010(02)
[9]公交票制票價多樣性及客流效應(yīng)分析[J]. 金鍵,楊德明.  交通運輸系統(tǒng)工程與信息. 2010(03)
[10]基于解釋結(jié)構(gòu)模型的公交客流量影響因素分析[J]. 孫慧,周穎,范志清.  北京理工大學學報(社會科學版). 2010(01)

碩士論文
[1]大數(shù)據(jù)環(huán)境下的公交客流OD矩陣推導與應(yīng)用研究[D]. 張宇洋.西南石油大學 2017
[2]面向軌道交通站點的需求響應(yīng)型接駁公交系統(tǒng)調(diào)度方法[D]. 芒烈.吉林大學 2017
[3]基于深度學習的室內(nèi)時空客流預測[D]. 李邦鵬.浙江大學 2017
[4]降雨天氣條件下短時公交客流預測研究[D]. 劉欣彤.哈爾濱工業(yè)大學 2016
[5]基于大數(shù)據(jù)挖掘的城市公共交通客流特征分析及預警系統(tǒng)設(shè)計[D]. 余創(chuàng)龍.華中科技大學 2016
[6]公交站點短時客流預測模型的研究[D]. 野佳美.大連海事大學 2016
[7]地鐵行人微觀行為參數(shù)量化研究[D]. 常丹.北京交通大學 2010
[8]基于數(shù)據(jù)挖掘的公交客流規(guī)律研究[D]. 舒國輝.北京交通大學 2009



本文編號：3255810