基于机器学习的城市轨道交通客流需求预测

目录

声明

致谢

1 绪论

1.1 研究背景与研究意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 客流短时预测研究现状

1.2.2 OD动态预测研究现状

1.2.3 出行目的地预测研究现状

1.2.4 国内外研究现状总结

1.3 研究内容与论文结构

2 城市轨道交通乘客出行特征分析

2.1 数据来源和预处理

2.2 宏观客流量特征分析

2.2.1 基于客流特征的城市轨道交通车站聚类

2.2.2 考虑车站类型的客流时空特性分析

2.3 微观乘客个体出行特征分析

2.3.1 乘客出行时间分布特征

2.3.2 乘客出行距离分布特征

2.3 本章小结

3 基于多特征 Wavelet-LSTM的进站客流量短时预测

3.1 模型概述

3.2 多特征 Wavelet-LSTM预测模型构建

3.2.1 相关车站选取

3.2.2 进站客流序列的小波变换

3.2.3 长短时记忆网络

3.3 实例分析

3.3.1 数据基础

3.3.2 预测结果分析

3.4 本章小结

4 基于 Kalman-Wavelet-LSTM的宏观 OD分布预测模型

4.1 模型概述

4.2 Kalman-Wavelet-LSTM预测模型构建

4.2.1 客流状态空间模型构建

4.2.2 Kalman-Wavelet-LSTM预测算法

4.3 实例分析

4.3.1 数据基础

4.3.2 预测结果分析

4.4 本章小结

5 基于 RF-LightGBM的乘客出行目的地预测

5.1 基于机器学习单模型的乘客出行目的地预测

5.1.1 基于决策树的乘客出行目的地预测

5.1.2 基于随机森林的乘客出行目的地预测

5.1.3 基于梯度提升树的乘客出行目的地预测

5.1.4 基于 LightGBM 的乘客出行目的地预测

5.2 基于 RF-LightGBM组合模型的乘客出行目的地预测

5.3 实例分析

5.3.1 数据基础

5.3.2 预测结果分析

5.4 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集