论文部分内容阅读
随着城市化进程的不断发展,城市开始面临各种各样的风险和挑战。交通拥堵、交通安全和环境污染已经成为了中国大多数城市面临的三大难点问题。大力发展城市有轨交通成为了解决这些难点问题的重要手段之一。实现城市有轨交通网络的智能化、集成化、高效化的管理也是智慧城市的重要组成部分。本课题基于上海市智能交通卡数据及有轨交通网络的空间信息,对城市有轨交通网络中的乘客移动行为以及站点客流进行了统计分析和建模预测。本文主要基于统计方法、机器学习、张量分析、模式识别等方法,对城市有轨交通网络进行分析、挖掘和预测,主要包括城市有轨交通网络的乘客出行模式挖掘和高峰流量预测、高峰时刻估计。首先,本文从统计角度研究了城市有轨交通网络乘客流量的数据基本特征以及时空相关性,在早晚高峰和非高峰时段分别分析了各个地铁站点的潮汐效应及人流更迭情况,统计了客流量的热门站点,并采用聚集抽样的方式研究了两类典型的乘客出行模式概况。针对城市有轨交通网络的乘客出行模式挖掘,首先基于历史交通流特征分析和验证,提取了交通流数据包含的先验特征,然后将交通流数据重构为5维交通张量,其考虑了交通流数据包含的时间序列基本趋势、多周期特征、空间信息和突变性,之后采用张量分解的方法对流量进行模式分解,对比了时空模式的差异,最后通过实验分析了交通流在多种模式影响下的变化,并挖掘出乘客的出行模式和证明了交通流先验知识的可靠性。针对城市有轨交通网络的高峰流量预测及高峰时刻估计,基于乘客模式挖掘工作中验证的交通流量先验知识,提出了结合“先验建模”和“后验分析“的高峰客流预测框架,并设计了高峰张量填充算法来预测未来高峰流量和估计高峰时刻,采用交替方向乘法器(ADMM)进行优化问题的求解,之后通过计算去除特定模式的张量模型在交通数据集上的预测性能来定量估计先验特征的重要性,最后设计了预测时间提前量和预测区间长度两种实验方案从多角度评估预测性能。实验结果表明,本文提出的方法在高峰时段和非高峰时段都表现出优异的性能,与基线模型相比,预测误差减少了25%-40%,并且我们的模型在预测时间提前量和区间长度方面是鲁棒的。