城市轨道交通进站客流量短时预测模型研究.pdfVIP

黥誊≯曩≯≯≯薹≤曩≮

城市轨道交通进站客流量短B寸预测摸型研究*

刘美琪焦朋朋孙拓

(北京建筑大学土木与交通工程学院，100044，北京∥第一作者，硕士研究生)

摘要利用数学方法可以改善城市轨道交通进站客流量efficientisnolongerapplicable．

的短时预测效果，促进轨道交通车站客流管理智能化水平。Keywordsurdanrailtransit；short—termpassengerflow

首先建立K近邻非参数回归模型，然后在传统卡尔曼滤波forecasting；Knearestneighbornonparametricregression；

模型的观测方程中引入偏差修正系数以提高其预测精度；再Bayesiancombinationmodel

采用贝叶斯方法将以上两模型进行组合；最后利用2013年AuthorsaddressSchoolofCivilandTransportationEngi—

11月北京市地铁13号线的进站客流数据，研究对比这三类neering，BeijingUniversityofCivilEngineeringandArchi—

模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明：tecture，100044，Beijing，China

K近邻非参数回9-3的总体预测精度最高；贝叶斯组合预测

模型次之，但平峰时段效果最好；基于偏差修正系数的卡尔

随着城市轨道交通实时交通信息系统的日益完

曼滤波模型晚高峰时适用性较差。

善，管理者需要掌握未来短时间内客流量的变化趋

关键词城市轨道交通；短时客流量预测；K近邻非参数回

9-j；贝叶斯组合模型势，以制定和实施交通管理计划，这不仅可以使交通

中图分类号U293．13：U231管理逐步走向智能化、动态化和信息化，还能提高运

DOI：10．16037／j．1007—869X．2015．11．003营效率，同时为出行者提供高效方便的服务。

在城市轨道交通日客流预测方面，文献-[1]gJ用

OnShort-termForecastingModelofPassengerFlowinUrban马尔科夫链改进了灰色模型；文献[2]将神经网络和

RailTransit支持向量机两种方法融合在一起，得到了组合预测

LiuMeiqi，JiaoPengpeng，SunTuo模型；文献[3]则在前人研究的基础上，建立了基于

AbstractMathematicaltechniquescouldimprovethe

客流时序特征的神经网络模型。在城市轨道交通短

short--termforecastingofpassengerflowatrailtransitsta-·

时客流预测方面，BP神经网络[4I5与小波神经网

tionsandenhancetheintelligentmanagementleve1．Firstly，

络_6被引入组合模型。

aKnearestneighbors(KNN)nonparametricregression

modelisestablished；secondly，themodificationcoefficient非参数回归模型(NonparametricRegres