地铁项目阶段工作

1、轨道交通客流时空相关性研究摘要为分析轨道交通客流，本文构建了一种轨道交通客流时空相关性的客流客流的模型，以历史的分时客流数据为基础，利用相关性分析方法分析历史，然后通过神经网络算法得到客流模型，最后对输入的测试数据进行未来客流量的。实验采用广州轨道交通分时客流数据和评价方法，实时地了成网条件下广州地铁二号线上的三元里车站的出站客流量结构表明时空相关性模型是有效的，对真实的客流情况有较好的效果。1 背景短期客流一般分为未来一周客流、未来一日客流和提前数小时等几种。与四阶段法（出行生成、交通方式划分、出行分布和交通分配）更侧重于数学模型及其求解算法。通过等长期客流方法相比，短期客流研究轨道交通客流

2、数据变化，可以对整个轨道交通建设和运营调度提出参考意见。目前，国内外学者对地铁的客流算法进行大量的研究。文献.基于出行目的链的轨道交通客流模型研究 D.交通大学学报, 2009对传统的客流模型四阶段法进行改进，提出了一种基于出现目的地的宏观模型，满足对长期的需求。文献，.一种基于灰色的大客流实时模型A.交通大学学报，2013，37(2):119-128考虑了大型活动对交通客流的影响，通过分析潜在的大客流时间点，对地铁车站的客流使用灰色进行分类。文献Tsung-Hsien Tsai. Neural network basedtemporal feature ms for short-term r

3、ailway passenger demandforecasting J. Expert Systems wipplications.2009 提出了多时序单位神经网络模型(MTUNN)和并行组合神经网络(PENN),并将其应用于铁路客运需求中。文献.灰色神经网络与支持向量机模型研究D.:方法,理工大学.2009构建了基于灰色系统、神经网络、支持向量机的组合虽然精度和性能比原始单一模型有所提高,但是在模型的可扩展性、高效性和智能性等方面有待完善和提高。目前，国内外研究学者已经对交通领域客流算法进行了深入的研究。郭永，.基于最小二乘向量机的站点短时客流J.:理工大学学报(交通科学与工程版).20

4、13,37(3):603-607考虑上下游站点、历史同期客流和相邻间隔输入因子，利用得到的参数作为向量机的输入得到相应的客流结果。，.基于时空依赖性的区域路网短时交通流模型J.:学报(自然科学版).2013,53(2):215-221利用了路网的空间信息，提出了一种基于时空依赖性的区域路网短时客流模型，并在这基础上利用时空自回归差分移动平均模型未来路网的客流数据。.城市轨道交通客流及运营调度方法研究D.:交通大学.2010考虑某时刻客流之间的相关关系，只是选择了前 n 个时间段的客流数据，将这些输入变量输入到BP 神经网络中得到结果。.基于改进交通大学.2013BP 神经网络的轨道交通短时客流

5、方法研究D.:通过相关性分析选择了前三个时间段的客流和前一个相关断面的客流进行，但是这样做忽略了客流的重要规律（周相关）。同时通过改进神经网络的传递函数模型，提高的准确率。没有考虑其它站点对某一站点的影响，如果考虑到不同车站之间的影响，需要考 虑等车和乘车时间，考虑车站出站客流时考虑上下游的进站客流与该车站的关系，考虑车站进站客流时也需要考虑上下游的出站客流的关系提出时空相关性的原因（对比其它人的研究，说明自己为什么考虑这个问题）(自己工作的特点，别人做的，针对他们我如何改进？)方法大部分仅针对客流的时间相关性进行分析当前轨道交通领域客流和，并没有考虑在成网条件下相关车站客流量对车站的影响。相

6、对于传统的时间相关性分析的客流，空间相关性分析可以给出车站与其它类似车站的客流相关性或相互影响。传统的时间相关性客流模型将车站视为一些孤立的点进行，而本文时空相关性客流模型从一个轨道交通网络化运营的角度考虑城轨线网的客流为分析轨道交通客流的时空相关性问题。问题，提高轨道交通管理部门的客流组织能力，本文作者提出一种时刻相关性的客流模型。在该模型中，使用时空相关性进行客流相关度的分析，并在分析结果的基础上，选择部分客流数据作为神经网络的输入向量进行客流本文介绍关于地铁短期客流，提高轨道交通客流结果的准确度。的研究，重点基于时空相关性的短期客流模型，并与现有的模型进行效果和适用性上的对比。第 1 节

7、介绍了模型产生的背景。第 2 节分析并阐述本文所用客流数据的特点。第 3 节介绍本方法中使用到的基本算法、实验数据的预处理及模型训练过程。第 4 节是相关作的比较。第 5 节给出本文得到的结论并对未来工作进行展望。工2 客流数据的特点轨道交通指用于城途或短途客运的只允许在预设的轨道上运行的列车。它涵盖了地铁、磁悬浮列车、轻轨、有轨电车等多种交通工具。地铁作为轨道交通中的一种，它具有以下共有特点：单次输送量大、行驶速率高、运行时间固定和安全环保节能，但是地铁也有自己的特征.地铁运营客流量计算模型研究,:电子科技大学,2012,23-24：图 轨道交通的交通特征本文考虑轨道交通的客流客流量的规律性

8、这三种特征。，重点关心候车空间封闭、客流量的随机性和候车空间封闭指乘客在封闭的候车室内候车，候车室能使乘客不受天气变化的影响，但是由于空间有限，导致在候车人数较多时降低候车乘客的舒适度；客流量随机性指地铁各个时段的客流具有随机性。首先，单一线路的客流量存在可变性，其次客流的变化受到节日和天气变化等的影响；客流量的规律性指在一定条件下，例如运营计划固定、城市稳步发展的前提下，单日、单周、和年均客流都呈现一定的规律性。2.1 轨道交通客流分布的影响图 影响地铁客流的轨道交通的客流具有一定的时序特征，即其客流量会随着时间的变化规律而变化，它会随着年、月、日的变化而变化，其中最明显的是客流量会以周期，

9、节假日活动举行运营方式线路分布居民分布城市发展天气变化票价影响轨道交通客流的客流量动态性客流量规律性客流量随机性列车进出站规律发车频率较高候车空间封闭线路结构简单轨道交通的交通特征在每一周中有相关的客流变化趋势。但是客流又会受到其它的影响，导致每个周期内的客流的变化不尽相同，使之具有一定的非平衡的趋势特征。因为票价、城市发展、居民分布、线路分布和运营方式影响的是轨道交通长期的客流，而天气变化、活动举行和节假日影响轨道交通的短期客流。1、天气变化天气变化影响了很多人的出行计划和出行方式，并导致一些潜在地铁乘客取消出行或使用其它交通工具出行，因而影响了地铁在短期内的客流量。2、活动举行一般大型活动

10、都会导致地铁在某几个举办活动的站点的客流上升，例如广交会期间，地铁琶洲站附近几个站点的客流相比平日有巨大的增长。3、节假日节假日对客流的影响是显著的。工作日的客流主要分布在居住区和商务区的地铁站点，而节假日的客流主要分布在各大购物地点沿线的地铁站。4、居民分布根据用地类型的不同，同一种服务类型的地铁站的客流变化规律类似。2.2 轨道交通分时客流特点城市轨道交通客流量指在时间内城轨线的旅客流向方向和人数的总和。车站客流是城轨车站的集散客流，即进出站的客流。例如，广州轨道2 号线的三元里站的客流如下图所示。300025002000150010005000三元里站15分钟入闸客流三元里站15分钟出闸

11、客流图 三元里站分时客流轨道交通的线路固定，并与其它交通方式相互分离，较少受到外界的干扰，且列车运行时间固定，这些都影响了轨道交流客流分布。客流是以历史客流数据为依据的,轨道交通随着城市交通压力的增大而越来越复杂,客流量也随着时间的不断变化而变化。为了反映历史客流的这种变化情况,得到较为准确的结果,在之前,首先应该掌握客流的时序特征及变化趋势,如:日规律、周规律、节假日规律等。对于轨道交通客流短期来说,2014/2/23 0:82014/2/23 11:112014/2/23 22:142014/2/24 9:162014/2/24 20:192014/2/25 7:212014/2/25 1

12、8:242014/2/26 5:272014/2/26 16:292014/2/27 3:322014/2/27 14:352014/2/28 1:372014/2/28 12:402014/2/28 23:422014/3/1 10:452014/3/1 21:482014/3/2 8:502014/3/2 19:532014/3/3 6:562014/3/3 17:582014/3/4 5:12014/3/4 16:42014/3/5 3:62014/3/5 14:92014/3/6 1:11历史客流量的数据统计及影响分析,是有针对性地提出方案、改进方法及得到较为准确结果的前提基础。通过对

13、历史数据的分析，可以从中发现客流具有的特征如下：（1）周间特征。在不考虑节假日客流的情况下，客流量以一个周期，每个周期内的客流变化规律相关。每周客流的变化趋势和客流量大体相同，每周同一天对应的客流相差不大。可见，轨道交通客流量的变化趋势期性变化特点。明显的周（2）特征。一般情况下，每周五的客流量最大，是一周客流的最，其它工作日的客流量相对较为平均，而周末的客流量最小，为该周的客流低谷。如前所述，每周的平均客流量变化不大，但具体到每周的各天其客流变化还是存在较大的波动。（3）日内特征。根据不同的用地类型，天内的变化特征各不相同。对于商业用地，工作日存在明显的早和晚。根据社会工作时间和一般存在下班

14、时间段内。的不同，早一般存在于上班时间段内，而晚3 数据的预处理和训练过程简要介绍一下中使用到的方法的算法模型（Elman 神经网络）。（考虑输入向量的组成，对于一个输入站点的某一个时刻，需要列入输入参数中的变量数目及变量的获取方法）图 客流模型训练及过程为较好地对成网条件下的客流进行分析和，本文以时空相关性理论和神经网络模型为基础，结合轨道交通客流的业务需要，提出一种客流时空相关性分析阶段训练阶段阶段构建训练向量结束时间相关性分析生成模型输出结果空间相关性分析计算相对误差客流数据的处理确定模型输入参数确定时间Elman 网络输入并进行训练开始相关性的模型。本文客流时空相关性的模型流程。其中时

15、空相关性理论分析轨道交通车站客流的时间及空间相关性并从中寻找对车站的客流影响较大的车站及时间点，而 Elman 神经网络模型结合客流时序变化的特点，比较适用于根据时间变化的问题。3.1 成网条件下的客流时空相关性分析（Pearson 系数的说明）3.1.1 空间相关性分析（分析车站之间的关系，通过得到的车站之间的关系在分析车站之间的客流的时间相关性）轨道交通线网由不同空间位置上的车站组成。每个车站的客流规律是不同的，但是部分车站的客流规律相关，例如广州南和广州火车站的客流。不同线路间的车站进出规律之间的关系。同一种类型的用地的客流规律类似，对这个方面进行考虑3.1.2 时间相关性分析通过对上述

16、的轨道交通分时客流特点进行分析，可以得到每个车站的全日客流随着日期类型的变化而发生有规律的变化，因此在车站客流时间相关性时，需要考虑两部分的客流量，第一部分客流量为 流，第二部分客流量为上一周相同日期类型的间段前后几个时间段的车站客流。采用 Pearson 相关系数分析方法，通过计算时间段的前几个时间段的车站客时间段的车站客流量及时时间段和前四个时间段的车时间段前后两个时间段站客流量、上一周时间段的车站客流量及上一周的车站客流量的相关系数，得到进出站客流相关性，周间进出站客流相关性。3.2 Elman 神经网络Elman 神经网络是一种典型的动态神经网络。相对于常见的静态神经网络 BP神经网络

17、，它基于 BP 网络并通过 从而克服了 BP 网络为静态空间建模状态使其具有动态特性的功能，。轨道交通客流是按照时间顺序排列的数字序列，这种关系难以用确定的函数或方程进行描述。Elman 神经网络馈网络的隐含层添加一个承接层以实现功能，从而使其能反映数据的动态特性。当时，为了识别动态特征，Elman 网络增加了输入向量的维数，从而导致了系统的结构复杂化，降低了收敛速度。Elman 神经网络一般分为输入层、隐含层、承接层和输出层，其一般结构姜平，陈无畏等. 基于 Elman 型回归神经网络的客流A. 合肥工业大学学报（自然科学版），2008。对比 BP 神经网络，Elman 网络有一个特别的隐含

18、层，称为承接层。该层从普通的隐含层接受到信息，并通过处理后前向输出到隐含层。网络在某一时刻的输入不仅包含当前的输入值，同时包含承接层的输入值，而承接层的输入值为前一时刻隐含层的输出值。因为它们有这样一种反馈连接，所以该网络被训练后能够识别基于时间变化的模式。承接层xc(k)W1输出为y(k)W3x(k)输入为u(k-1)W2输入单元隐含层单元输出单元图 Elman 神经网络模型假设 u(k)为 Elman 网络输入值，x(k)为隐含层的输出值，xc(k)为承接层的输出值，那么 Elman 神经网络的数学表达为：x(k) = f(W1xc(k) + W2(u(k 1)xc(k) = x(k 1) y(k) = g(W3x(k)(1)(2)(3)其中， W1、W2、W3分别为承接层神经单元到隐含层神经单元的连接权重矩阵、输入层神经单元到隐含层神经单元的连接 权重矩阵、隐含层神经单元到输出层神经单元的连接权重矩阵。函数 f()为隐含层神经单元的传递