导　　师： 张帆; 尹凌

授予学位： 硕士

作　　者： (）;

机构地区： 中国科学院深圳先进技术研究院

摘　　要： 建设轨道交通系统是缓解城市交通压力的有效途径之一,对地铁短时客流的准确预测为解决城市的拥堵、线网的优化以及公共交通的安全防护具有重要的意义,从而为构建智慧城市具有一定的现实意义。现阶段对于地铁短时客流的预测主要是通过分析客流特征结合交通理论或者基于传统的时间序列的方法进行研究,在本文中主要采用基于深度学习的神经网络实现对短时客流的预测,主要工作有:(1)基于智能卡交易数据对地铁客流进行时空特征分析,提出一种线路客流清分算法用于计算地铁线路客流;同时基于智能卡交易数据和地铁站采集的乘客移动终端特征数据进行数据融合,提出移动终端特征数据处理算法,以及数据融合算法,并且通过融合算法得到站点区域客流;(2)利用聚类算法对客流进行日期和时间段的分类,并且通过对每一类客流分别建模,以此提高客流预测的准确性。通过构建循环神经网络结合长短时记忆网络的短时客流预测模型,分别对线路客流、站点进(出)站客流以及站内区域客流进行短时预测。最后通过不断地实验调参,确定得到一组最佳的超参数组合,使得客流预测的准确性更高;(3)最后介绍其他常见的短时客流预测方法,并且在相同数据集的前提下,比较了滑动平均模型、SVR模型和PROPHET模型对客流的预测能力,并且结合神经网络的预测结果进行综合对比。通过比较不同模型的预测性能,验证了基于深度学习的地铁短时客流预测模型的有效性。本文针对地铁短时客流具有非线性、时变性的特点,通过对客流的特征分析着手,选择基于深度学习的神经网络作为预测模型。为了对地铁线路客流和站内区域客流进行预测,分别提出清分算法和数据融合算法计算线路和站内区域客流。最后构建基于循环神经网络和长短时记忆网络的短时客流预测模型。更多还原

关 键 词： 短时客流预测 [753775]循环神经网络 长短时记忆网络 深度学习

分 类 号： [U293.6;TP181]

领　　域： [] []