论文部分内容阅读
城市轨道交通技术的迅猛发展给不断增加的城市人口提供了一个合理的出行方案,然而由于客运需求与客运供给能力的不均衡性,常常会在城市轨道交通网络上造成难以预见的客流拥塞状况。并且客流的动态流动性会造成各种急剧突发的客运安全问题,给安全运营带来极大的挑战,严重困扰居民出行。目前对于城市轨道交通客流拥塞状况主要以经验判断为主,缺少对于拥塞条件下的客流分布状态的准确把握和分析,缺少对于客流量演化的精确认知和评估,缺少对客流量拥塞的有效疏导和控制。现有的客流量预测和车辆调度多集中于道路交通,对于城市轨道交通的研究还处于起步阶段,且提出的模型效果表现一般。针对上述问题,本文进行了如下研究:1.针对客流量分布状态难以准确把握的情况,提出一种结合LSTM(Long Short-Term Memory)网络和层次聚类算法(Hierarchical Clustering)的城市轨道交通客流量预测模型:LSTM-HC。首先,研究上海市轨道交通特征及客流量数据,分析提取轨道交通客流量的时间及空间特征。然后,采用层次聚类的方法对星期特征进行聚类,有效划分样本类型,进一步提高预测精度。最后,结合层次聚类的结果,利用LSTM网络实现了信息长期记忆的优点,预测城市轨道交通进出站客流量,同时对比已有的模型,分析实验结果。2.针对当前普遍存在的客流量增长但城市轨道交通资源有限所造成的客流拥塞问题,提出了一种基于遗传算法的城市轨道交通双层调度模型。该调度模型充分考虑乘客乘坐地铁的出行时间和地铁运营成本,设计合理的城市轨道交通列车调度计划,优化列车运行时刻表,有效控制客流拥塞。由于出行时间和运营成本通常相互冲突,当在合理的范围内最大化车距时,列车的服务数量可能随之减小,在这种情况下,乘客的出行时间将增加,运营成本可能会减少。另一方面,当最小化车距时,这两个目标可能会以相反的趋势发生变化。因此,在模型中提出平衡乘客出行时间和运营成本的方案。为了寻找接近最优的解决方案,设计基于遗传算法(Genetic Algorithm,GA)的多目标优化方案,以找到合适的列车运行时刻表。