隨著我國城鎮(zhèn)化速度的加快和經(jīng)濟的快速發(fā)展,城市交通因受道路承載力等因素影響,城市交通擁堵現(xiàn)象日益嚴重。近年來,國內(nèi)城市為了緩解交通擁堵,并給市民帶來更好的出行體驗,越來越多城市選擇發(fā)展大運量的公共交通系統(tǒng)。而城市軌道交通因其運量大、速度快、綠色、節(jié)能等優(yōu)點,越來越多城市選擇發(fā)展城市軌道交通系統(tǒng)。因此,對于城市軌道交通運營公司而言如何準確預測站點進站客流,從而為其制定出更加合理的城市軌道交通運營方案,提高城市軌道交通服務質(zhì)量顯得尤為重要。本文通過歸納總結國內(nèi)外現(xiàn)有的短時客流預測方法,針對不同預測方法存在的不足,提出將深度學習方法應用在城市軌道交通短時客流預測領域,并構建兩種深度學習短時客流預測模型:PSO-LSTM模型和DBN-ELM模型。針對LSTM的神經(jīng)元數(shù)量、學習效率和迭代次數(shù)通常難以確定,在該模型使用過程中常常使用經(jīng)驗法和不斷試錯法來標定參數(shù),從而造成模型預測精度不高的問題,本文提出利用粒子群算法（PSO）來對模型參數(shù)進行尋優(yōu),以此來提高模型的預測精度,進而建立普適的長短期記憶神經(jīng)網(wǎng)絡用于城市軌道交通短時客流預測。本文基于深度置信網(wǎng)絡和極限學習機模型設計并實現(xiàn)了 DBN-ELM預... 

【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)】：88 頁

【學位級別】：碩士

【部分圖文】：

圖１－１北京市城市軌道交通線網(wǎng)圖??Ｆｉｇｕｒｅ?１－１?Ｂｅｉｊｉｎｇ?ｕｒｂａｎ?ｒａｉｌ?ｔｒａｎｓｉｔ?ｎｅｔｗｏｒｋ?ｍａｐ??

圖１－２技術路線??Ｆｉｇ．?１－２?Ｔｅｃｈｎｉｃａｌ?Ｒｏｕｔｅ??６?？??

居住類站點客流時間分布特征(天通苑)

【參考文獻】：
期刊論文
[1]基于循環(huán)神經(jīng)網(wǎng)絡的股指價格預測研究[J]. 王理同,薛騰騰,王惠敏,劉震.  浙江工業(yè)大學學報. 2019(02)
[2]基于深度學習的城市軌道交通短時客流量預測[J]. 龍小強,李捷,陳彥如.  控制與決策. 2019(08)
[3]基于深度學習的LSTM的交通流量預測[J]. 龐悅,趙威,張雅楠,許宏科.  單片機與嵌入式系統(tǒng)應用. 2019(03)
[4]基于神經(jīng)網(wǎng)絡的地鐵短時客流預測服務[J]. 侯晨煜,孫暉,周藝芳,曹斌,范菁.  小型微型計算機系統(tǒng). 2019(01)
[5]基于LSTM循環(huán)神經(jīng)網(wǎng)絡的PM2.5預測[J]. 白盛楠,申曉留.  計算機應用與軟件. 2019(01)
[6]改進粒子群算法優(yōu)化LSTM神經(jīng)網(wǎng)絡的鐵路客運量預測[J]. 李萬,馮芬玲,蔣琦瑋.  鐵道科學與工程學報. 2018(12)
[7]基于LSTM-Adaboost的多晶硅生產(chǎn)的能耗預測[J]. 郭久俊.  計算機應用與軟件. 2018(12)
[8]基于PWNN模型的軌道交通客流預測分析[J]. 趙珍祥.  黑龍江交通科技. 2018(11)
[9]基于DBN的企業(yè)業(yè)績預測模型研究[J]. 張少巍.  合肥學院學報(綜合版). 2018(05)
[10]基于GBRBM-DBN模型的短時交通流預測方法[J]. 馮微,陳紅,張兆津,邵海鵬.  交通信息與安全. 2018(05)

博士論文
[1]城市軌道交通乘客時空出行模式挖掘及動態(tài)客流分析[D]. 趙娟娟.中國科學院大學(中國科學院深圳先進技術研究院) 2017

碩士論文
[1]基于軌道交通路網(wǎng)的短時客流預測研究[D]. 李學源.長春理工大學 2018
[2]基于小波分析和神經(jīng)網(wǎng)絡的城市軌道交通客流時間序列預測[D]. 求森.北京交通大學 2017



本文編號：2962507