基于深度学习的城市轨道交通短期客流预测

摘要

信息技术和通信技术的发展变革了传统方法，给各个领域带来了全新的视角。通过深入了解消费者和供应者的需求，可以减少供需不平衡，优化服务。随着ITS（智能交通系统）的出现，交通领域的研究也有了飞速发展。广泛部署的交通数据采集器产生了大量数据。同时，计算技术的发展使得挖掘海量数据背后的规律成为可能。TDM（运输需求管理）、ATIS（先进交通信息系统）和APTS（先进公共交通系统）等可以帮助交通规划运营者和出行者作出更明智的决策。 城市轨道交通因为其快速、可靠、环境友好等众多优势，获得了越来越多的关注，是大城市居民出行的首选。然而，近年来，出行需求的快速增长导致了轨道交通线网出现拥挤和安全隐患等一系列问题。ITS技术在数据驱动的现代化交通管理中优势明显，在管理和改善城市交通运输服务方面发挥了巨大的作用。基于历史数据构建模型，动态预测交通网络运行状态，并据此制定相应的交通管理策略，可以更高效地部署轨道交通设施设备运作方案和管控方法。 本文研究了机器学习方法在交通领域的应用，通过SARIMA、SVR、RF和LSTM四种模型预测城市轨道交通短时交通量。模型的数据集包含完整的周末和平时数据，为了保证结果的可比较性，四种模型均基于同样的数据集进行开发和测试。本文认为，不同轨道站点、场景（进站或出站）、站点位置（城市或郊区）、可用设施（常规站点或中转站）等因素共同导致了站点客流特征的异构性。为了够评估不同条件下的模型预测效果和评估各特征对模型性能的影响，本文通过对不同特征进行组合为每个轨道站点提供多个数据集。最后，本文对包括周末和工作日在内的三天数据进行预测，并据此评估了模型性能。

目录

第一个书签之前