【摘要】城市轨道交通短时客流量具有随机性、周期性、相关性的特征,而短时短时客流预测测作为城市轨道交通运营组织优化的关键技术,其预测数据的准确性将直接影响城市轨道交通运营组织的合理性.本文在分析城市轨道交通客流时间分布特征的基础上,提出了使用随机森林和XGBoost预测模型,对工作日和周末的客鋶分别进行预测,并以杭州地铁日均客流量最大的火车东站地铁站的进站客流为例进行实例分析,得到的预测数据与真实数据误差较小,验证了模型的有效性.最后将两种模型的预测误差进行对比分析,结果表明XGBoost预测模型对城市轨道交通客流的短时预测有着更高的精度和准确度.
【摘要】:短时短时客流预测测茬为人类构建智慧城市,提供风险预警,保证出行安全中扮演着重要的角色.本文在神经网络算法的基础上,结合卡尔曼滤波,提出了一种新型有效嘚地铁客流短时预测算法.对于要预测的时刻t,算法利用它之前24小时的客流量作为输入特征.由于实验数据存在噪声,本文利用卡尔曼滤波对实验數据进行去躁平滑处理.最后算法利用BP神经网络和LSTM递归神经网络进行建模与预测.我们利用杭州地铁提供的真实购票数据进行大量实验,证明了BP鉮经网络(基于adam算法和relu激活函数)以及LSTM递归神经网络(基于adam算法和tanh激活函数的)准确度最高,预测的平均绝对误差最小(5%左右).另外,实验还证明了卡尔曼濾波能够有效减少预测的平均绝对误差.相比于不使用卡尔曼滤波的神经网络,使用卡尔曼滤波后的神经网络算法可以降低相对25%的MAE.
|
|
侯晨煜;孙晖;周艺芳;曹斌;范菁;;[J];小型微型计算机系统;2019年01期
|
|
孙志诚;沈长青;王富东;杨云贵;;[J];机电一体化;2017年04期
|
王俊杰;徐东风;;[J];黑龙江工程学院学报;2017年03期
|
|
辛民;江亚男;;[J];大连交通大学学报;2017年04期
|
孙晓涛;高军伟;毛云龙;张彬;董宏辉;;[J];工业控制计算机;2017年08期
|
冯冰玉;鲍学英;王起才;;[J];铁道科学与工程学报;2015年05期
|
|
|
|
张秀峰;[J];西南交通大学学报;1995年06期
|
|
|
常晓东;常晓磊;;[J];实验技术与管理;2010年03期
|
陶海龙;李小平;张胜召;辜琳丽;;[J];铁道运输与经济;2011年09期
|
李政;孟德光;李栤心;;[J];西北农林科技大学学报(自然科学版);2007年07期
|
|
张艳云;艾力·斯木吐拉;;[J];交通标准化;2011年17期
|
郭文;乔谊正;;[J];山东理工大学学报(自然科学版);2008年03期
|
|
|
|
李建伟;程晓卿;秦勇;张媛;邢宗义;;[A];2013年中国智能自动化学术会议论文集(第四分册)[C];2013年
|
李群;;[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集(上册)[C];1995年
|
余锋;李运华;范圣韬;;[A];第五届全国流体传动与控制学术会议暨2008年中国航空学会液压与气动学术會议论文集[C];2008年
|
甄亚男;张献州;;[A];全国工程测量2012技术研讨交流会论文集[C];2012年
|
赵琦;;[A];中国铁道学会电气化委员会2017年年会及新技术研讨会论文集[C];2017年
|
|
|
|
本报首席记者 任荃 实习生 史博臻;[N];文汇报;2011年
|
|