【摘 要】
：
为精准分析公交线路与站点不同客流的出行特征及时变差异性,结合深度学习理论,提出了一种基于卷积神经网络(CNN)与门控制循环单元(GRU)组合的公交客流分类预测模型;融合匹配公交一卡通刷卡、公交车GPS轨迹、线路和站点基础信息、气象等多源数据,实现公交客流数据重构;采用K-Medians算法将乘客分为通勤类和非通勤类;以乘客类型、历史客流量、时段、高/平峰、星期、降水量、重大活动等因素为输入向量,分别建立CNN与GRU单一模型,并利用均方误差、均方根误差、平均绝对误差为评价指标,开展预测;针对单一模型不适用
【机 构】
：
北京交通大学交通运输学院,北京100044;北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044;北京交通大学交通运输学院,北京100044
论文部分内容阅读
为精准分析公交线路与站点不同客流的出行特征及时变差异性,结合深度学习理论,提出了一种基于卷积神经网络(CNN)与门控制循环单元(GRU)组合的公交客流分类预测模型;融合匹配公交一卡通刷卡、公交车GPS轨迹、线路和站点基础信息、气象等多源数据,实现公交客流数据重构;采用K-Medians算法将乘客分为通勤类和非通勤类;以乘客类型、历史客流量、时段、高/平峰、星期、降水量、重大活动等因素为输入向量,分别建立CNN与GRU单一模型,并利用均方误差、均方根误差、平均绝对误差为评价指标,开展预测;针对单一模型不适用多特征时间序列预测等问题,分别构建了由CNN和GRU组合的线路客流和断面客流预测模型;以北京市特15路公交为例,预测工作日与非工作日场景下的线路及断面的分类客流.分析结果表明:对于通勤类和非通勤类线路及断面客流,组合模型的均方误差相比单一模型平均降低了57.932、13.106和33.987,均方根误差平均降低了1.862、1.058和1.538,平均绝对误差平均降低了1.399、0.487和0.613,可见,多源数据驱动下的CNN-GRU组合模型具有良好的预测性能.
其他文献
针对高速列车的轻量化设计需求,分析了内轴颈高铁车轴独特的内支承结构与承载特点,建立了内轴颈高铁车轴受力状态和结构强度理论分析模型,提出了内轴颈高铁车轴设计极限载荷和疲劳强度的解析计算方法;在此基础上,制定了基于理论分析、有限元方法和车辆系统动力学的内轴颈高铁车轴结构设计方法,并以17 t轴重的内轴颈高铁车轴为例开展了应用研究;基于内轴颈高铁车轴受力状态的理论分析结果,确定了车轴的临界安全截面和详细尺寸方案;建立了内轴颈高铁车轴的有限元模型,评估并校核了车轴的疲劳强度;建立了轴箱内置式高速动车的刚-柔耦合系
针对大规模城市道路交通路网分区的实际需求,基于可反映时间序列变化趋势的皮尔逊相关系数和度量空间关系的欧式距离,构建了一种衡量交通流时间序列相似性的综合指标;结合交通流时间序列的时空相似性特点,引入子区内的空间连通约束,利用归一化割(NCut)算法设计了一种改进的路网静态分区算法;为体现交通路网分区的时变特征,选取了合适的评价指标来确定每一时间段内合理的分区数量,提出了一种基于时间序列的NCut路网动态分区算法;利用北京市东北二环区域内采集的路段交通流速度数据,应用所设计的算法对7.23 km2的路网进行分