10.19713/j.cnki.43-1423/u.T20211018
融合车站分类和数据降噪的城市轨道交通短时客流预测
准确掌握城市轨道交通客流的短时变化规律是制定应急措施和提高运营效率的关键依据.从影响客流预测精度因素的视角探索车站分类,建立小波变换-自回归移动平均(Wavelet transform-Auto regressive moving average,WT-ARMA)的短期客流预测方法.基于轨道交通客流属性和车站建筑属性9个聚类因子,运用K-means聚类方法将轨道车站分为4类.针对不同类别车站,研究客流数据降噪技术减少外部环境对原始客流数据的影响.构建基于小波变换的客流数据降噪技术和基于ARMA的客流预测方法组成的WT-ARMA组合预测模型对各类车站进行客流预测,并与单一ARMA模型、支持向量回归(SⅤR)模型和BP神经网络模型的预测结果进行对比.西安地铁2号线运营数据的分析结果表明,可将轨道车站有效分为商业、办公车站,密集型居住车站,轻型居住车站和旅游文化车站.通过构建组合模型揭示了4类车站的预测误差,相比于单一ARMA模型、SⅤR模型和BP神经网络模型,车站预测拟合优度提升了6.45％～9.45％,2.72％～5.69％,1.91％～3.48％,平均相对误差降低了17.00％～30.15％,14.64％～28.35％,4.49％～22.75％,均方根误差降低了8.79％～16.93％,7.16％～13.76％,4.77％～7.90％,运算时间降低了13.74％～29.20％,34.06％～45.39％,53.70％～58.79％.所建立的模型可精确、快速地对客流进行预测,可对各类型轨道车站建立相匹配的客流管控措施提供基础建议.
城市轨道交通、短时预测、聚类分析、小波变换、自回归移动平均模型
19
U491.1+4(交通工程与公路运输技术管理)
国家自然科学基金;陕西省自然科学基础研究计划项目
2022-09-29（万方平台首次上网日期，不代表论文的发表时间）
共11页
2182-2192
