论文部分内容阅读
客流预测是城市轨道交通规划设计和运营管理的基本依据,已成为城市轨道交通建设过程中的重要环节。随着我国城市轨道交通路网的不断完善,城市轨道交通客流预测的重要性也越来越明显。本文对城市轨道交通客流的统计特征及客流组合预测方法进行了研究,主要研究成果包括以下几个方面:(1)通过对城市轨道交通客流历史数据进行统计分析,得出轨道交通客流的基本统计特征。主要表现为:节假日客流的统计特征与平常日客流明显不同且不同节假日客流具有不同的统计特征;平常日客流具有一定的非线性和非平稳性,并且以周为时间单位不断波动;通过对轨道交通客流进行聚类分析,可以将平常日客流分为工作日客流和周末客流两大类。(2)针对平常日客流的非线性统计特征,采用ARIMA-RBF组合模型对平常日客流进行预测。首先,通过ARIMA模型对历史客流数据进行线性拟合;然后,用RBF神经网络模型估计描述客流非线性特征的ARIMA模型的预测误差,从而弥补了只用ARIMA模型预测无法充分考虑客流序列非线性特征的不足。最后,采用实例验证,得到ARIMA-RBF组合模型、RBF模型和ARIMA模型预测平常日的日进站客流量的平均绝对百分误差分别为2.98%、4.74%和4.52%。由此说明,所构建的ARIMA-RBF组合模型能够提高平常日客流预测的精确度。(3)针对平常日客流变化的非平稳性统计特征,构建EMD-RBF组合预测模型对城市轨道交通平常日客流进行预测。首先,利用EMD模型将具有非平稳性的客流历史数据序列分解为七个具有不同振荡周期的本征模式分量(IMF分量),并筛选出与原始客流历史数据序列相关的有效IMF分量;最后,利用有效IMF分量和RBF模型设计了四种预测方案对平常日客流进行预测。实例验证中,EMD-RBF组合模型的四种预测方案和RBF模型对平常日的日进站客流量进行预测的平均绝对百分误差分别为5.25%、3.82%、6.36%、4.39%和4.74%。该结果表明,利用有效IMF分量进行预测的EMD-RBF组合模型方案二和方案四可以有效地提高客流预测的精确度。该组合模型将平常日客流数据分解为不同的IMF分量的数据处理方式可以减小客流序列的非平稳性对预测结果的干扰。(4)针对平常日客流的聚类特征,构建了并行加权神经网络模型。将具有不同统计特征的客流作为并行加权神经网络模型不同的输入模块,并采用该模型对平常日客流和节假日客流进行实例预测。并行加权神经网络模型和RBF神经网络模型预测平常日的日进站客流量的平均绝对百分误差分别为3.82%和4.74%,预测清明节假期日客流量的平均绝对百分误差分别为7.64%和11.95%。该预测结果表明:并行加权神经网络模型预测能够减小预测平常日客流和节假日客流的误差,并且,并行加权神经网络模型对平常日客流的预测效果比节假日客流的预测效果好。(5)本文所构建的三种组合预测模型的预测误差均比单个预测模型的预测误差小。其中,ARMA-RBF组合模型的预测误差最小,其次为并行加权神经网络模型,EMD-RBF组合模型的预测误差较大一些。ARMA-RBF组合模型和EMD-RBF组合模型适用于城市轨道交通平常日客流预测;并行加权神经网络模型不仅适用于城市轨道交通平常日客流的预测还适用于节假日客流预测。