论文部分内容阅读
客流是城市轨道交通系统中的重要组成部分,客流特征的分析与预测往往是城市轨道交通规划、建设和运营的基础,随着我国城市化步伐的加快,一些城市的轨道交通已形成网络化结构。作为现代化城市公共交通的重要组成部分,城市轨道以其准时、高效、运量大、清洁环保、节能等特点受到越来越多城市和乘客的青睐。分析城市轨道交通历史客流数据,探索其特征规律,建立合适的预测模型,对运营管理部门提高服务质量具有十分重要的参考价值。本文基于时间序列分析中的ARMA模型,分析探索城市轨道交通的客流特征,建立合适的客流预测模型,并以上海地铁4号线历史客流数据验证此客流预测模型的科学性和可行性。为方便后续客流预测模型的建立,本文首先分析了城市轨道交通的客流特征。基于历史数据分析城市轨道交通客流特征,包括年、月、日、节假日和平常日客流特征,得出城市轨道交通客流的周期性、增长性、相似性等特征,结合实际情况分析阐述特征产生的原因,了解城市轨道交通客流变化规律。随后,根据平常日客流所表现出来的相似性特征,对平常日客流进行聚类分析。分析发现,城市轨道交通客流数据在相同的星期几具有较大的相似性,包括客流量的相似性和客流变化规律的相似性,特别是周末和工作日这两类客流类内的相似性和内间的差异性表现明显。将客流进行聚类分析,进一步分析城市轨道交通平常日客流特征,同时能够提高数据间的关联性,便于更好的拟合ARMA预测模型。根据聚类结果,对客流数据进行分簇预测,得出预测结果,与未进行聚类的预测结果对比,结果表明,经过聚类后的客流预测精度高于未进行聚类的客流预测精度。最后,考虑到平常日客流数据的非线性部分影响ARMA模型预测的精度,将ARIMA模型与RBF模型进行组合对平常日客流进行预测。先利用ARIMA模型对历史数据进行建模并预测,得到一个预测结果和预测预测误差;之后用RBF神经网络模型拟合ARIMA预测的误差,充分考虑了客流的线性特征和非线性特征;最后将两者预测结果组合得到最终的预测结果。同时进行实例验证,对比分析单一的ARIMA模型预测预测结果和RBF模型预测结果,结果表明,本文提出的组合模型能更全面的拟合客流数据,预测精度优于单一模型的预测精度。