基于深度学习的地铁短时客流预测方法研究

发布时间：2022-08-09 14:07

　　建设轨道交通系统是缓解城市交通压力的有效途径之一,对地铁短时客流的准确预测为解决城市的拥堵、线网的优化以及公共交通的安全防护具有重要的意义,从而为构建智慧城市具有一定的现实意义。现阶段对于地铁短时客流的预测主要是通过分析客流特征结合交通理论或者基于传统的时间序列的方法进行研究,在本文中主要采用基于深度学习的神经网络实现对短时客流的预测,主要工作有:（1）基于智能卡交易数据对地铁客流进行时空特征分析,提出一种线路客流清分算法用于计算地铁线路客流;同时基于智能卡交易数据和地铁站采集的乘客移动终端特征数据进行数据融合,提出移动终端特征数据处理算法,以及数据融合算法,并且通过融合算法得到站点区域客流;（2）利用聚类算法对客流进行日期和时间段的分类,并且通过对每一类客流分别建模,以此提高客流预测的准确性。通过构建循环神经网络结合长短时记忆网络的短时客流预测模型,分别对线路客流、站点进（出）站客流以及站内区域客流进行短时预测。最后通过不断地实验调参,确定得到一组最佳的超参数组合,使得客流预测的准确性更高;（3）最后介绍其他常见的短时客流预测方法,并且在相同数据集的前提下,比较了滑动平均模型、SVR... 

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 研究内容与创新点
        1.3.1 研究目标
        1.3.2 研究内容
        1.3.3 创新点
第2章 城市轨道交通客流分析
    2.1 客流概述
    2.2 技术路线
    2.3 客流的时空分析
        2.3.1 数据清洗与预处理
        2.3.2 地铁OD的计算
        2.3.3 轨道交通客流的特征分析
    2.4 本章小结
第3章 基于数据融合的清分算法与客流计算
    3.1 线路客流清分算法
        3.1.1 背景介绍
        3.1.2 算法介绍
        3.1.3 结果展示
    3.2 站内区域客流估计
        3.2.1 背景介绍
        3.2.2 算法介绍
        3.2.3 结果展示
    3.3 本章小结
第4章 基于深度学习的短时客流预测模型
    4.1 神经网络简介
    4.2 循环神经网络结合长短时记忆网络
        4.2.1 网络的介绍
        4.2.2 样本分析
        4.2.3 性能评价指标
        4.2.4 参数的调节
        4.2.5 结果展示
    4.3 本章小结
第5章 各类算法的结果对比
    5.1 滑动平均模型
    5.2 SVR模型
    5.3 PROPHET 模型
    5.4 结果比较与分析
    5.5 本章小结
第6章 总结与展望
    6.1 本文工作总结
    6.2 下一步研究方向
参考文献
致谢
作者简介



本文编号：3672695