|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 城市轨道交通新站开通初期实时进出站客流量预测显示文摘针对城市轨道交通新站开通初期实时客流预测缺乏历史数据、客流波动大等问题,提出基于改进K近邻非参数回归的新站开通初期实时进出站客流量预测方法。考虑城市轨道交通客流生成机理,分析新站开通初期车站客流量变化规律及其与车站周边土地利用的相关性;基于该相关性,通过聚类分析构建新站与相似既有车站的映射关系,提出支撑新站客流预测的历史数据库构建方法;在此基础上,结合实时客流特征改进非参数回归算法,提出新站开通初期实时进出站客流量预测方法;利用广州地铁客流数据进行新线开通初期实时进站量预测的案例分析。结果表明:该方法具有良好的预测精度,新站开通初期实时进站客流量预测的平均绝对误差不大于16人次,可满足城市轨道交通精细化的运营管理需求。 | 姚恩建 周文华 张永生 | 2018 | 中国铁道科学2018，39，2： | 14 |
| 2 | 基于支持向量机的节假日进出站客流预测方法显示文摘节假日期间客流规律分析与预测是城市轨道交通运营企业做好节假日期间大客流组织工作的重要内容,可有效指导车站现场、OCC(运营控制中心)等提前做好预案,制定和实施合适的运营管理及客流组织计划。基于节假日期间车站进出站客流量特征分析结果,考虑按车站特点的分类情况,构建了基于支持向量机的城市轨道交通节假日进出站客流量预测模型。最后利用广州地铁客流数据对预测模型进行精度分析,验证了模型的预测精度。 | 谢俏 叶红霞 | 2018 | 城市轨道交通研究2018，21，8： | 13 |
| 3 | 基于K-means聚类组合模型的公交线路客流短时预测显示文摘预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效. | 陈维亚 潘鑫 方晓平 | 2019 | 华南理工大学学报(自然科学版)2019，47，4： | 12 |
| 4 | 基于小波分解的日径流支持向量机回归预测模型显示文摘【目的】将小波变换与支持向量机结合,构建小波支持向量机回归模型(WSVR),并用其对日径流进行预测,为水库调度提供参考依据。【方法】利用径流时间序列中包含的大量信息,通过小波变换将径流时间序列分解成不同分辨率水平的子序列和近似序列,通过相关性分析选取有效子序列与近似序列相加得到的新序列作为支持向量机回归模型的输入,建立小波支持向量机回归耦合模型,以泾河流域张家山站的日径流为研究对象,利用均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)、相关系数(R)及相对误差(RE)作为评价指标对模型预测精度进行评价。【结果】利用所建立的小波日径流支持向量机模型对张家山站日径流的预测结果显示,该模型在检验阶段的RMSE、MAE、DC、R及RE分别为26.05m3/s,8.26m3/s,0.826,0.910,-13.3%,与仅使用支持向量机回归模型(SVR)相比,耦合模型预测精度明显提高,且非汛期预测效果优于汛期。【结论】建立了小波支持向量机回归耦合模型,该模型可有效模拟和预测日径流,为日径流预测提供了新的途径。 | 黄巧玲 粟晓玲 杨家田 | 2016 | 西北农林科技大学学报(自然科学版)2016，44，4： | 12 |
| 5 | 基于数据替补修正的高速铁路日常客运量VMD-GA-BP预测方法显示文摘针对高速铁路日常客运量预测问题,提出消除节假日因素影响的数据替补修正法和融合变分模态分解(VMD)、遗传算法(GA)和BP神经网络的日常客运量VMD-GA-BP预测方法。数据替补修正法是根据日常客运量超常波动判定阈值识别节假日延续期,采用VMD-GA-BP预测方法得到预测值,用该预测值替换节假日延续期内的客运量。VMD-GA-BP预测方法首先采用VMD对被替换数据之前的数据序列进行分解,得到不同频率的模态分量;其次通过GA优化初始权值和阈值的BP神经网络对各模态分量分别预测;然后重构各模态分量的预测值,用预测值替换节假日延续期内的客运量,得到修正数据序列,据此预测得到高速铁路日常客运量。实例应用表明,VMD-GA-BP的预测误差远低于BP,EMD-GA-BP,SVR,EMD-BP等方法,且基于修正数据序列的预测误差明显低于基于原始数据序列。可见,VMD-GA-BP预测方法精度较高。 | 史峰 杨星琪 胡心磊 徐光明 武润发 | 2019 | 中国铁道科学2019，40，3： | 11 |
| 6 | 基于GWO-WNN模型的城市轨道交通短时进站客流预测显示文摘城市轨道交通短时进站客流具有较强的非线性与随机性。针对该问题,提出一种基于灰狼优化算法(Grey Wolf Optimizer, GWO)与小波神经网络(Wavelet NeuralNetwork,WNN)的城市轨道交通短时进站客流预测模型(GWO-WNN模型)。在构建小波神经网络的基础上,利用灰狼优化算法对初始权值和小波因子进行全局搜索寻优,有效避免了小波神经网络预测结果不稳定及极易陷入局部最小值的缺点。结合案例分析,将单纯WNN模型预测结果与GWO-WNN模型的预测结果比较分析,结果表明GWO-WNN模型相比单纯的WNN模型,在绝对误差和绝对误差百分比方面有极大的提升,均方根误差也可以佐证优化后的WNN模型预测精度更高。 | 冯诚 杨静 周浪雅 张红亮 | 2019 | 铁道运输与经济2019，41，8： | 11 |
| 7 | 基于AP聚类的支持向量机公交站点短时客流预测显示文摘公交站点短时客流预测是公交调度决策的基础,文中设计了一种基于AP聚类算法的支持向量机用于公交短时客流预测.该方法利用AP聚类算法将客流调查数据划分为若干个聚类子集,对每一子集建立支持向量机预测模型,并采用遗传算法对预测模型的参数进行优化选择.该方法在兰州市快速公交站点客流数据统计的基础上进行实例分析,结果表明:设计的遗传算法可以有效解决支持向量机模型中的参数优选问题,使用AP聚类算法对客流数据进行分类可以提高支持向量机的预测精度,该预测方法可有效的对公交车站客流进行短时预测. | 杨信丰 刘兰芬 | 2016 | 武汉理工大学学报(交通科学与工程版)2016，40，1： | 11 |
| 8 | 城轨新线客流成长期进出站量短时预测研究显示文摘为准确掌握城轨新线开通初期客流演化态势、提高运输组织合理性,针对新线客流变化不稳定、缺乏历史客流数据等问题,提出城轨新线客流成长期进出站量短时预测方法。通过对新线站点进出站量变化规律的分析,基于改进模糊C均值聚类算法,对考虑客流趋势相似性的城轨站点类型划分方法进行研究,并提出城轨新线站点历史数据库构建方法;基于趋势距离对近邻匹配机制进行优化,并根据多元统计回归对K近邻算法进行改进,提出新线站点客流成长期进出站量短时预测方法;结合广州地铁客流数据,对预测方法的有效性进行验证。研究结果显示:新线站点客流成长期内短时进、出站量平均预测效率较既有方法增加了35.68%、32.23%,预测精度较既有方法增加了38.32%、25.80%。 | 卢天伟 姚恩建 刘莎莎 周文华 | 2020 | 铁道学报2020，42，5： | 10 |
| 9 | 城市轨道交通短期客流OD预测模型研究与实现显示文摘轨道交通短期客流预测在保障运营安全、制定科学的客运计划和组织方案、提高效率等方面具有重要意义。目前我国对精细化短期客流预测,特别是OD级预测的研究不多,尚未见成熟的预测方法或大型信息系统报告。通过自下而上的研究方式,从路网客流构成单位OD入手,根据轨道交通AFC(自动售检票系统)历史数据,分析轨道交通路网客流OD时空分布规律与动态变化特征,并应用机器学习方法,建立基于OD分布规律与特征映射的路网客流OD精细化预测模型。从近3个月(2019年10月—2020年1月)的预测结果分析显示,该模型在精细化短期客流预测方面效果显著。 | 张宇 孙琦 高彦宇 | 2021 | 中国铁路2021，，8： | 8 |
| 10 | 考虑时空修正的轨道交通封站短时客流预测方法显示文摘为了实现封站情况下轨道交通短时客流的精准预测和探索客流的变化机理,提出了一种考虑时空修正的融合动态因子模型(DFM)和支持向量机(SVM)的短时客流预测方法(DFM-SVM);利用符号聚合近似方法(SAX)与动态时间规整(DTW)相结合的算法(SAX-DTW)识别受封站影响的时空范围,利用DFM预测常态下的短时客流,利用SVM提取和处理受封站影响车站与时段客流量的非线性特征,对受影响车站与时段的客流量进行修正;以北京地铁封站情景下车站的进站量预测为例,验证方法的有效性。研究结果表明:与既有SAX相比,提出的SAX-DTW不仅能全面考虑到客流数量和客流趋势的变化,还能更准确地识别出多个车站的异常时段;与传统DFM相比,DFM-SVM能显著降低各车站的预测残差,其中奥体中心车站的预测残差降低约60%;与基线模型霍尔特-温特(Holt-Winters)、SVM、门控循环单元(GRU)和长短期记忆(LSTM)相比,在整体客流量预测效果方面,提出的DFM-SVM在其均方根误差方面分别降低43.39%、70.00%、33.18%和70.83%,平均绝对误差分别降低43.72%、67.17%、28.98%和57.08%;在单个车站的客流量预测效果方面,提出的DFM-SVM在均方根误差和平均绝对误差方面有70%的车站均低于其他基准模型。可见,提出的DFM-SVM能够捕捉封站影响客流的非线性关系,极大提升了客流预测精度,能够为运营管理者提供可靠的客流预警信息与决策依据。 | 许心越 吴宇航 张英男 王雪琴 刘军 | 2021 | 交通运输工程学报2021，21，5： | 7 |
| 11 | 地铁客流量的灰色支持向量机组合预测显示文摘根据灰色理论所需原始数据少、建模简单、对模糊因素处理准确,结合支持向量机的小样本、非线性、预测精度高、泛化能力强等优点,建立基于灰色支持向量机的地铁客流量组合预测模型.研究结果表明:与单一的灰色预测、支持向量机预测结果相比较,该组合模型的预测结果与实际结果的相对误差只有3.61%,具有较强的实用性和推广性,适用于地铁客流量的预测. | 王洪德 刘岩 | 2016 | 大连交通大学学报2016，37，2： | 6 |
| 12 | 基于EMD-PSO-LSTM组合模型的城市轨道交通短时客流预测显示文摘准确的短时客流预测能够为城市轨道交通的良好运营提供保障,针对客流的非线性和强随机性特点以及LSTM神经网络参数较难确定的问题,提出一种基于EMD和PSO优化LSTM神经网络的组合预测模型。首先利用EMD降低数据噪声的干扰,将客流数据分解为多个IMF,然后利用PSO优化LSTM神经网络的学习率、迭代次数和隐含层的神经元个数,并对各IMF进行预测,将各IMF的预测结果加和得到最终的预测结果。以上海陆家嘴站的客流预测为例验证组合模型的有效性,并与LSTM,EMD-LSTM,PSOLSTM 3种短时客流预测模型做比较,结果显示EMD-PSO-LSTM组合模型的预测误差均小于其他3种模型,在针对工作日和非工作日的客流预测中,预测值和真实值的决定系数分别达到0.992和0.963,可以有效提高客流预测模型的预测精度。 | 赵明伟 张文胜 王克文 李红 | 2022 | 铁道运输与经济2022，44，7： | 6 |
| 13 | 基于IPSO-Capsule-NN模型的中欧班列出口需求量预测显示文摘为提高中欧班列出口需求量的预测精度,提出将改进粒子群算法(IPSO)与胶囊神经网络(Capsule-NN)相结合的预测模型(IPSO-Capsule-NN)。与全连接神经网络不同,胶囊神经网络通过动态路由算法增强了模型的拟合能力和泛化能力。利用改进粒子群算法优化胶囊神经网络的神经元数量、迭代次数以及学习率,以克服人为设定模型参数随机性较大导致模型精确度不高的不足之处。此外,针对标准粒子群算法存在的缺点,提出一种非线性递减惯性权重并引入Levy飞行对粒子群算法的全局寻优能力和收敛速度进行优化。将采用spearman秩相关性分析得到的11个因素作为中欧班列出口需求量的影响因素并对其进行预测,结果表明:胶囊神经网络具有2层隐含层时,IPSO-Capsule-NN模型预测精度更高。 | 冯芬玲 阎美好 刘承光 李万 | 2020 | 中国铁道科学2020，41，2： | 5 |
| 14 | 基于非参数回归的城轨实时进出站客流预测显示文摘为准确预测城轨实时进出站客流,构建基于非参数回归的实时进出站客流预测模型。首先,对不同特征日分时进出站客流量进行对比分析,据此构建历史数据库;其次,通过计算历史分时数据的相关系数,并设置阈值对分时客流数据间的相关性进行判断,从而确定合适的非参数模型状态向量;再次,根据K近邻样本与预测目标的客流量差异性,设计基于权重加权的预测算法;最后利用广州市城轨客流数据对预测模型进行精度分析,对全网站点多天的预测结果显示:全天平均绝对百分比误差均在2%以下,分时平均绝对百分比误差均在14%以下,表明模型具有较高的预测精度和良好的适用性。 | 谢俏 李斌斌 何建涛 姚恩建 | 2017 | 都市快轨交通2017，30，2： | 5 |
| 15 | 基于改进灰色组合模型的城市轨道交通客流预测——以西安地铁2号线为例显示文摘针对城市轨道客流培育发展大致呈S形曲线的特点,首先以灰色Verhulst模型对西安地铁2号线客流进行预测.为提高预测结果的精度,对原始数据形成的序列数据通过对数变换处理来减少其波动性.由于所研究轨道线路尚未到达客流饱和阶段,为了规避单一模型较大的风险性,针对不同模型的特点,从处理过的原数据列选取西安地铁1号线开通年度(2014年1月)之后的西安地铁2号线数列,此数据列数据量较少,波动性小,采用灰色GM(1,1)模型对处理过的西安市地铁2号线数列进行预测.通过将灰色GM(1,1)模型预测结果与改进Verhulst模型预测结果进行线性组合,之后将采用不同预测模型的预测结果与实际值进行对比分析,发现组合模型的预测精度更高。 | 贾云蒲 陈宽民 曹夏玲 | 2019 | 河南科学2019，37，5： | 5 |
| 16 | DEA视角下基于主成分分析的城市轨道交通建设水平研究显示文摘为解决日益严重的交通拥堵问题,轨道交通建设正在我国各大、中城市快速兴起.本文以北京市为例,在合理确定评价指标的同时,借用DEA(Data Envelopment Analysis)模型为各指标分配了权重,利用主成分分析法构建了轨道交通及经济社会发展评价指数,揭示了轨道交通建设与经济社会发展之间的关系,进而预测未来北京市轨道交通建设的合理水平.研究结果表明:目前北京轨道交通建设水平及轨道交通规划相对于经济社会发展而言处于合理超前的状态. | 郭建民 韩林飞 马莉莉 | 2015 | 北京交通大学学报2015，39，1： | 4 |
| 17 | 基于组合误差优化模型的城市轨道交通短期客流预测研究显示文摘为提高城市轨道交通短期客流预测的准确性,构建了一种基于组合误差优化的短期客流预测模型。采用预测误差值对预测值进行优化校正,弱化传统SVM模型在实际预测中误差对预测结果的影响,以提高模型的预测精度。数据选取样本周期内郑州市地铁1号线每小时客流量组成的样本序列并进行了仿真验证。结果显示,经误差优化后的预测模型的预测精度有了明显提高,且优化后的预测值与误差预测值的趋势具有较高的一致性。 | 高杨 唐燕 | 2016 | 城市轨道交通研究2016，19，10： | 4 |
| 18 | 基于改进WNN的城市轨道交通客流量预测显示文摘针对城市轨道交通短时客流量预测问题,提出了一种基于自适应t分布变异的蝙蝠算法(ATM-BA)优化的小波神经网络(WNN)预测模型(ATM-BA-WNN)。在基本蝙蝠算法(BA)中引入带有线性递减控制因子的自适应t分布变异,使其具有变异机制,能够跳出早熟收敛。并将ATM-BA与WNN两者相互耦合,利用ATM-BA优化WNN的参数配置,进而提高WNN的预测精度。运用ATM-BA-WNN模型对郑州地铁1号线短时客流量进行预测,并与传统的WNN预测模型、BA优化的WNN(BA-WNN)预测模型以及支持向量机(SVM)预测模型进行比较。仿真结果表明,相较于其他3种模型,所建预测模型预测精度最高,拟合能力更强,误差最小,从而证明了该模型在短时客流量预测领域的可行性及优越性。 | 岳小雪 郑云水 林俊亭 | 2016 | 计算机工程与应用2016，52，11： | 4 |
| 19 | FSVR在铁路趟车客运量预测中的应用显示文摘提出一种基于模糊支持向量回归机(fuzzy support vector regression,FSVR)的趟车客运量预测方法。以客票历史数据为依据,利用列车的实际客运量数据进行实验,结果表明,该方法能有效的简化计算复杂度,能够快速准确的对铁路趟车客运量进行预测。 | 孟歌 伍忠东 Muhammad Waqas Ahmad | 2015 | 济南大学学报(自然科学版)2015，29，5： | 3 |
| 20 | 基于DLP-WNN的高速铁路日客流量中期预测显示文摘分析高铁日客流量历史数据特征,设计日期和节假日2类标签,并给出其取值范围;结合高铁日客流量的自回归特征,构建适用于高铁日客流量中期(120 d左右)预测的双层平行小波神经网络(Double Layer Parallel Wavelet Neural Network,DLP-WNN)模型。模型中,子网络1以预测所得到的连续若干天日客流量为输入,预测接下来1 d的日客流量;子网络2对子网络1的输出结果进行修正,以每1 d的日期标签和节假日标签等确定型数据为输入,分别预测各天的日客流量。DLP-WNN模型通过对2个子网络每天输出值加权求和得到各天预测结果,其中,子网络1体现近期日客流量的总体趋势,子网络2体现日客流量的逐日波动情况,以此保证中期预测的精度。实例应用表明:利用DLP-WNN模型分别对4种不同距离下的典型O-D对进行120 d的日客流量中期预测,平均绝对百分比误差为7%~12%,明显低于BP神经网络、ELM极限学习机、ELMAN神经网络、GRNN广义回归神经网络和VMD-GA-BP等方法所测结果,验证了DLP-WNN模型适合于开展高铁日客流量中期预测。 | 魏堂建 杨星琪 徐光明 史峰 | 2021 | 中国铁道科学2021，42，6： | 3 |
您所在的机构暂未开通此部分的功能，请联系管理员