论文部分内容阅读
随着我国城市化进程的不断加快,城市人口的不断增加,城市的交通拥堵、环境污染等问题也日益严峻。城市轨道交通以运量大、耗能低、准点率高、绿色环保等特点,成为了城市居民出行的首选交通工具。近年来,城市轨道交通的建设步伐不断的加快,截至2019年12月31日,我国内地累计有40个城市开通城轨交通运营线路6730.27公里,客运量超240亿人次,创历史新高。客流量的不断增加,给运营组织部门带来了极大的考验,为了提升运营效率,保障行车安全,短时客流预测已成为一个亟需解决的关键课题。城市轨道交通短时客流具有随机性,周期性,相关性的特征,而短时客流预测作为城市轨道交通运营组织优化的关键技术,其预测结果的准确性将直接影响城市轨道交通运营组织的合理性。故此,本文以杭州地铁的历史客流数据为基础,对城市轨道交通短时客流进行预测,主要研究工作如下:(1)根据实验数据,本文从时间和空间的维度对城市轨道交通客流分布特征进行了详细的统计分析,并对样本数据进行预处理,然后以一个周期的进站客流为例,运用皮尔逊相关系数和K-Means聚类算法进行相关性分析和分类,为后续的研究做了重要的铺垫。(2)本文构建了基于XGBoost、LightGBM和LSTM的短时客流预测模型,以MAE、RMSE和MAPE作为模型的性能评价指标,通过网格搜索和交叉验证等方法,对各模型的参数进行调优,输出各模型的最优预测结果,通过对比分析发现,LSTM模型的各项误差最小,预测精度更高,而LightGBM模型预测精度略低于LSTM模型,但是训练速度最快,预测效果也较好。(3)针对单模型在预测过程中存在的不足,本文又以XGBoost、LightGBM和LSTM模型为基础,分别建立了基于线性加权融合和Stacking融合的短时客流预测模型,并将融合模型的预测结果与单模型进行对比,结果表明:线性加权融合与Stacking融合模型的平均绝对百分比误差分别为12.92%和10.43%,与单模型相比,准确性有了显著的提升,同时也验证了融合模型的有效性和优越性。