基于深度学习的城市轨道交通短时客流量预测

摘要

随着我国城镇化速度的进一步加快和经济的持续发展，交通拥堵现象也日益严重。而城市轨道交通作为节约环保、安全高效的公共交通模式，被越来越多的市民作为首选交通方式。由于城市轨道交通客流量较大且具有周期性的特点，如何及时准确预测站点进出站客流，从而为其制定更加合理的运营方案，提高城市轨道交通服务质量具有十分重要的现实意义。本文从近年来研究城市轨道交通短时客流量的方法出发，回顾和整理了国内外关于短时预测的相关文献，归纳了相关的研究方法，发现目前的研究方法虽然各有所长，但大部分都忽略了天气，日期和站点的影响，也没有将进站人数和出站人数分开预测，虽然预测方法取得了不错的效果，但是还存在一些不足，在此基础上，本文提出了更为精确的基于深度学习的城市轨道交通交通短时客流量预测方法。　　主要研究内容如下：　　(1)多源数据采集与处理　　本文收集了杭州城市轨道交通各个站点AFC数据、天气数据等。首先运用Python语言对数据集进行预处理，将原始AFC数据以每10分钟为统计间隔整理出杭州城市轨道交通各个站点进出站的客流量数据。进而对客流量数据和天气数据按照时间进行数据集成，为后续客流时空特征分析提供了数据支撑。　　(2)城市轨道交通进出站客流时空特征分析　　基于客流量数据，首先从时间维度上统计不同站点的进出站客流量，分析在工作日与非工作日时，客流量的分布差异和周期性变化规律；之后从空间维度分析客流量数据，研究了不同站点的客流量空间分布差异。通过分析时空特性对站点短时客流预测的影响，为后续模型的预测打下了基础。　　(3)建立组合深度学习短时客流预测模型　　通过对国内外现有的短时客流预测方法进行总结归纳，探讨了不同预测方法的优缺点，以此将深度学习算法引入短时客流预测领域，阐明该方法在短时客流预测领域存在的优势。通过采用卷积神经网络CNN与长短期记忆神经网络LSTM相结合的方式，建立基于组合深度学习的城市轨道交通站点短时客流量预测，并采用网格搜索法寻找模型的最优参数。　　(4)短时客流量预测模型实例对比分析　　以杭州城市轨道交通一、二、四号线为实验对象，分为工作日和非工作日，对站点每10分钟进出站客流量分别进行预测。通过建立模型预测结果的评价指标体系，以传统LSTM与XGBoost为对比模型，验证本文所建立组合深度学习模型的有效性、适用性和准确性。

目录

声明

第1 章绪论

1.1 研究背景及意义

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 基于数理统计的预测方法

1.2.2 基于非线性理论的预测方法

1.2.3 基于智能算法的预测方法

1.2.4 基于组合模型的预测方法

1.2.5 研究现状总结

1.3 论文主要内容及技术路线

1.3.1 研究内容

1.3.2 论文结构

1.3.3 技术路线

第2 章 城市轨道交通数据预处理及分析

2.1 数据挖掘

2.2 原始数据说明

2.2.1 AFC数据

2.2.2 天气环境数据

2.3 数据预处理

2.3.1 数据清洗

2.3.2 数据集成

2.4 相关性分析

2.5 本章小结

第3 章 城市轨道交通客流时空特性分析

3.1 客流概述

3.2 站点客流时空分布特征

3.2.1 客流时间分布特征

3.2.2 客流空间分布特征

3.3本章小结

第4 章短时客流预测方法研究

4.1 传统短时客流预测方法

4.2 深度学习理论

4.2.1 浅层神经网络基本原理

4.2.2 深层神经网络基本原理

4.2.3 深度学习与神经网络的联系

4.3 深度学习常见模型分析

4.3.1 循环神经网络

4.3.2 长短期记忆神经网络

4.3.3 卷积神经网络

4.4 本章小结

第5 章深度学习预测模型搭建

5.1 实验数据说明和预测流程

5.2 构建预测精度评价指标

5.3 预测模型的调参

5.4 本章小结

第6 章实例分析与对比

6.1 进出站预测结果

6.1.1 工作日

6.1.2 非工作日

6.2 对比模型预测结果

6.2.1 对比模型说明

6.2.2 预测结果对比分析

6.3 本章小结

结论与展望

1、研究结论

2、研究展望

致谢

参考文献

附录

攻读硕士学位期间发表的论文及科研成果