论文部分内容阅读
近年来,大城市的交通问题日益严重,为了缓解地面交通的巨大压力,城市轨道交通凭借其正点率高、安全性好、高效便捷等优点飞速发展。短时OD客流预测结果是城市轨道交通实现动态运营管理的重要基础输入,准确地预测短时OD客流对我国城市轨道交通实际运营管理水平的提高有着重要意义。本文针对城市轨道交通系统短时OD客流预测问题进行了研究。研究内容包括:(1)对城市轨道交通系统短时OD客流预测问题进行了描述,并确定了本文的研究思路;(2)定性分析了可能影响OD客流的因素,并通过对多源数据的采集和处理来提取到分析这些因素的相关数据,进一步定量分析了这些影响因素与OD客流分布的具体关系,从而选出合适的预测变量;(3)在输入仅为OD客流数据的情况下,构建了单因素条件下基于标准LSTM网络的短时OD预测模型,然后利用研究得到的多种影响因素改进模型的输入层,构建了多因素条件下基于标准LSTM模型的短时OD预测模型;(4)为了可以充分捕获OD客流分布时间序列中各OD自身的特征及各时段总体的特征,通过改进标准LSTM网络的隐藏层结构以及神经元结构,得到了改进时空LSTM模型,再结合前文通过多种影响因素改进的模型输入层，构建多因素条件下基于改进时空LSTM网络的短时OD预测模型;(5)选择北京市全网OD进行案例分析,对多因素条件下基于改进时空LSTM网络的短时OD预测模型进行性能评估,并与历史平均模型、ARIMA模型、单因素条件下基于标准LSTM网络的短时OD预测模型以及多因素条件下基于标准LSTM网络的短时OD预测模型进行了对比。结果表明:(1)通过增加多因素条件可以使模型提取到更多的特征,使得模型在各时间粒度下MAPE降低了 4%左右,说明引入基于多源数据的多因素对短时OD客流预测模型的预测精度提升十分有效。(2)对神经元结构和模型结构进行改进后,改进的模型可以充分捕获OD客流分布时间序列中各OD自身的特征及各时段总体的特征,MAPE降低了 6%左右,说明改进模型有效提高了预测精度。(3)与其他四个预测模型相比,多因素条件下基于改进时空LSTM网络的短时OD预测模型由于加入了多种影响因素,并建模了 OD客流分布时间序列的时间依赖特征与空间依赖特征,MAE值相比其他方法降低了 3%-13%左右,MAPE值相比其他方法降低了 5%-13%左右,说明了该模型的短时OD预测效果优于其他四种方法。