论文部分内容阅读
近年来,城市轨道交通行业发展迅速,成为人们出行的重要方式,同时随着经济社会的发展,大型活动的举办也越来越频繁,大型活动的举办会造成大量人群在较短时间和较小空间内的聚集,产生城市轨道交通突发大客流,对乘客安全和车站运营造成影响。做好大型活动所引发的突发客流的准确预测,是进行合理客流组织和安全运营的必要支撑,因此,对于大型活动下的城市轨道交通客流进行短时预测具有重要意义。本文通过对大型活动下城市轨道交通客流规律进行研究,提出了一种大型活动下城市轨道交通客流预测特征构建和提取方法,建立了组合预测模型,实现了大型活动下的城市轨道交通客流的进出站准确预测。本文的主要工作如下:(1)对大型活动城市轨道交通客流的变化规律进行研究分析。首先说明大型活动的概念、特性及分类,并进一步说明大型活动下城市轨道交通客流的概念和描述指标,其次归纳大型活动下城市轨道交通客流的影响因素,最后分析其变化过程和变化范围,归纳变化特性,并选取集中爆发型活动客流进行进一步的预测研究。(2)给出了大型活动客流预测机器学习框架下的特征构建和提取过程。首先建立了基于机器学习的大型活动下城市轨道交通客流预测框架,从常规特征和活动特征两方面进行特征构建;其次阐述了常规特征与活动特征的具体构建依据及方法,创新性的提出了活动特征的构建方法;最后采用Lasso算法对构建的全特征集合进行特征选择,从而得到所构建模型的输入特征。(3)构建了梯度提升回归树和随机森林相结合的RF-GBRT客流组合预测模型。首先分析了大型活动下城市轨道交通客流预测的难点,并在误差分析基础上提出解决思路,其次选用集成学习中的梯度提升回归树模型(GBRT)和随机森林(RF)作为预测基础模型,并分别结合改进的粒子群算法(PSO)进行了参数寻优,将预测模型进行组合,获得适应于大型活动的RF-GBRT组合预测模型,确定了用于模型验证评估的交叉验证法和评价指标。(4)以北京地铁东四十条站为例进行了实例研究。选取东四十条球赛时段的AFC数据,利用python工具进行了实验验证。对比了不同特征集下的预测结果,证明本文所提出的特征构建和提取方法的有效性;并与KNN、SVR、LR等常用客流预测方法对比,证明本文所提出的RF-GBRT模型预测方法具有更好的预测效果。