隨著城市軌道交通的迅速發(fā)展,地鐵短期斷面客流的預(yù)測有利于運(yùn)營部門觀測客流的實(shí)時(shí)變化,從而調(diào)整調(diào)度策略。客流具有時(shí)空特征,在10 min粒度時(shí)間片下,客流變化存在周期性,在空間上客流波形存在差異性。使用凝聚層次聚類算法對不同站點(diǎn)在一周內(nèi)的客流進(jìn)行聚類分析,得到貼近站點(diǎn)特征的客流分類結(jié)果。根據(jù)分類結(jié)果,對不同類別客流時(shí)間片分別進(jìn)行相關(guān)性分析,提出一種基于SVM的預(yù)測模型,將強(qiáng)相關(guān)性的時(shí)間片序列作為模型輸入。同時(shí),提出一種基于協(xié)同自適應(yīng)調(diào)整的雙種群螢火蟲算法以尋優(yōu)模型參數(shù),算法中引入混沌吸引度來提高算法的全局搜索能力,避免由于初始值陷入局部最優(yōu);加入自適應(yīng)搜索步長,以加快算法的收斂速度并提高求解精度。與其他模型和優(yōu)化算法的對比表明,本模型具有較好的預(yù)測精度、穩(wěn)定性和魯棒性。 

【文章來源】：計(jì)算機(jī)科學(xué). 2019,46(07)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖１單峰型客流Ｆｉｇ．１Ｓｉｎｇｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ

的地區(qū)，站點(diǎn)容易出現(xiàn)單峰型的客流，該車站的進(jìn)出站高峰客流在早晚將會錯(cuò)開，客流一般相對集中。一般情況下，可將該類客流分為兩種類型：１）早高峰進(jìn)站人數(shù)較多，而晚高峰出站人數(shù)較多；２）早高峰出站人數(shù)較多，晚高峰進(jìn)站人數(shù)較多。單峰型客流示意圖如圖１所示。圖１單峰型客流Ｆｉｇ．１Ｓｉｎｇｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（２）雙峰型位于城市繁華商業(yè)區(qū)域、學(xué)校等地區(qū)的站點(diǎn)，其早、晚高峰客流明顯。雙峰型客流示意圖如圖２所示。圖２雙峰型客流Ｆｉｇ．２Ｄｏｕｂｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（３）平穩(wěn)型一般在火車站、機(jī)場、高流量的地區(qū)，客流為一種平穩(wěn)狀態(tài)，不會出現(xiàn)明顯的高峰客流。平穩(wěn)型客流示意圖如圖３所示。圖３平穩(wěn)型客流Ｆｉｇ．３Ｓｍｏｏｔｈｐａｓｓｅｎｇｅｒｆｌｏｗ２．２客流聚類分析以南京三號線為例，在２０１６年９月，站點(diǎn)Ｓ１，Ｓ２進(jìn)站客流的時(shí)間序列如圖４所示。該線路的運(yùn)營時(shí)間為６∶００－２３∶００，由于進(jìn)站客流具有提前性和滯留性，將研究時(shí)間段設(shè)為５∶００－２４∶００，以１０ｍｉｎ為時(shí)間粒度，將運(yùn)營時(shí)間段劃分１１４個(gè)時(shí)間片。從圖４中可以看出，除了中秋節(jié)１５號（周四）、１６號（周五）、１７號（周五）３天假期之外，地鐵總體客流整體上表現(xiàn)為按一周時(shí)間呈現(xiàn)周期變化，且一周內(nèi)的客流呈現(xiàn)不同特征，存在明顯的雙峰型客流、平穩(wěn)型客流和單峰型客流，不同站點(diǎn)的客流特征也不盡相同。根據(jù)客流的周期性變化

人數(shù)較多，晚高峰進(jìn)站人數(shù)較多。單峰型客流示意圖如圖１所示。圖１單峰型客流Ｆｉｇ．１Ｓｉｎｇｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（２）雙峰型位于城市繁華商業(yè)區(qū)域、學(xué)校等地區(qū)的站點(diǎn)，其早、晚高峰客流明顯。雙峰型客流示意圖如圖２所示。圖２雙峰型客流Ｆｉｇ．２Ｄｏｕｂｌｅｐｅａｋｐａｓｓｅｎｇｅｒｆｌｏｗ（３）平穩(wěn)型一般在火車站、機(jī)場、高流量的地區(qū)，客流為一種平穩(wěn)狀態(tài)，不會出現(xiàn)明顯的高峰客流。平穩(wěn)型客流示意圖如圖３所示。圖３平穩(wěn)型客流Ｆｉｇ．３Ｓｍｏｏｔｈｐａｓｓｅｎｇｅｒｆｌｏｗ２．２客流聚類分析以南京三號線為例，在２０１６年９月，站點(diǎn)Ｓ１，Ｓ２進(jìn)站客流的時(shí)間序列如圖４所示。該線路的運(yùn)營時(shí)間為６∶００－２３∶００，由于進(jìn)站客流具有提前性和滯留性，將研究時(shí)間段設(shè)為５∶００－２４∶００，以１０ｍｉｎ為時(shí)間粒度，將運(yùn)營時(shí)間段劃分１１４個(gè)時(shí)間片。從圖４中可以看出，除了中秋節(jié)１５號（周四）、１６號（周五）、１７號（周五）３天假期之外，地鐵總體客流整體上表現(xiàn)為按一周時(shí)間呈現(xiàn)周期變化，且一周內(nèi)的客流呈現(xiàn)不同特征，存在明顯的雙峰型客流、平穩(wěn)型客流和單峰型客流，不同站點(diǎn)的客流特征也不盡相同。根據(jù)客流的周期性變化，可使用聚類方法對客流進(jìn)行聚類分析，以得出一周內(nèi)客流的類別特征。第７期張和杰，等：基于時(shí)空特征的地鐵客流預(yù)測３９２

【參考文獻(xiàn)】：
期刊論文
[1]基于AP聚類的支持向量機(jī)公交站點(diǎn)短時(shí)客流預(yù)測[J]. 楊信豐,劉蘭芬.  武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版). 2016(01)
[2]保持個(gè)體活性的改進(jìn)FA算法[J]. 陸克中,章哲慶,孫俊.  中國科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2016(02)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客流量預(yù)測研究[J]. 楊偉靜.  合作經(jīng)濟(jì)與科技. 2010(13)

碩士論文
[1]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的軌道交通短時(shí)客流預(yù)測方法研究[D]. 董升偉.北京交通大學(xué) 2013



本文編號：3513903