论文部分内容阅读
城市轨道交通作为公共交通系统的主骨架,承载着绝大多数居民的日常出行,它的迅猛发展为解决交通拥挤问题做出了巨大贡献,但同时也对其运营管理提出了更高要求。随着轨道交通建设步伐的加快以及轨道线网日益完善,站点客流量预测成为轨道交通合理规划建设和高效运营管理的前提。因此本文通过采集轨道站点周边的POI和建成环境信息,结合轨道交通AFC数据,建立基于多源数据的轨道站点客流量预测模型。主要研究内容如下:
首先,利用Python对轨道AFC原始数据进行清洗处理,提取不同时间粒度下的轨道站点客流数据。从时间维度总结不同时期客流时变特征和周期性变化规律,从空间角度挖掘站点地理区位差异对客流分布的影响,以此构建客流量、高峰时段、潮汐比三项客流指标。利用K-means聚类算法将轨道站点划分为7种客流模式,结合站点实际情况分析客流模式特征,发现轨道站点客流量与其周边建成环境有关。
其次,为了精细化研究轨道站点周边建成环境对站点客流量的影响,结合山地城市地形特征、站点区位以及站点接驳环境合理确定轨道站点吸引范围,并采用ArcGIS对轨道站点空间吸引范围进行提取。通过网络爬虫技术和多种数据获取方式相结合实现POI和建成环境等城市多源数据的采集,以此建立轨道站点客流量影响因素备选集。
最后,采用逐步回归法筛选出9个影响轨道站点客流量的关键变量,以此构建多元线性回归模型初步探究站点客流量与其建成环境的相关关系。在此基础上,将轨道站点地理空间位置信息纳入模型中,建立考虑空间异质性的GWR模型用于轨道站点客流量的预测。利用随机森林算法对影响站点客流量的多种特征变量重要度进行排序,并选取重要度累计前95%的特征变量用于构建随机森林预测模型。运用上述三种预测模型对重庆市轨道线网中不同客流模式的7类站点分别进行客流量预测,结果表明:考虑多特征变量的随机森林模型对各类轨道站点的预测结果更加接近实际值,且在MAE、MAPE以及RMSE三项评价指标上均优于OLS模型和GWR模型,在轨道站点客流量预测中表现出了较高的预测精度和良好的预测性能。预测结果可为推动城市轨道交通精细化运营管理提供科学依据和数据支撑。
首先,利用Python对轨道AFC原始数据进行清洗处理,提取不同时间粒度下的轨道站点客流数据。从时间维度总结不同时期客流时变特征和周期性变化规律,从空间角度挖掘站点地理区位差异对客流分布的影响,以此构建客流量、高峰时段、潮汐比三项客流指标。利用K-means聚类算法将轨道站点划分为7种客流模式,结合站点实际情况分析客流模式特征,发现轨道站点客流量与其周边建成环境有关。
其次,为了精细化研究轨道站点周边建成环境对站点客流量的影响,结合山地城市地形特征、站点区位以及站点接驳环境合理确定轨道站点吸引范围,并采用ArcGIS对轨道站点空间吸引范围进行提取。通过网络爬虫技术和多种数据获取方式相结合实现POI和建成环境等城市多源数据的采集,以此建立轨道站点客流量影响因素备选集。
最后,采用逐步回归法筛选出9个影响轨道站点客流量的关键变量,以此构建多元线性回归模型初步探究站点客流量与其建成环境的相关关系。在此基础上,将轨道站点地理空间位置信息纳入模型中,建立考虑空间异质性的GWR模型用于轨道站点客流量的预测。利用随机森林算法对影响站点客流量的多种特征变量重要度进行排序,并选取重要度累计前95%的特征变量用于构建随机森林预测模型。运用上述三种预测模型对重庆市轨道线网中不同客流模式的7类站点分别进行客流量预测,结果表明:考虑多特征变量的随机森林模型对各类轨道站点的预测结果更加接近实际值,且在MAE、MAPE以及RMSE三项评价指标上均优于OLS模型和GWR模型,在轨道站点客流量预测中表现出了较高的预测精度和良好的预测性能。预测结果可为推动城市轨道交通精细化运营管理提供科学依据和数据支撑。