城轨线网客流时空相关性预测研究

1、2目前多数客模型。模型输入由两部分组成，其一，当前车的客流量。利用Pearson 算法，分1利用ason2目前多数客模型。模型输入由两部分组成，其一，当前车的客流量。利用Pearson 算法，分1利用ason时Spatial-temporalcorrelationpredictionresearchurbanrailtransitnetworkpassengerZOUDong1，HUANGZi-rong2，LIU（1. 广州ofTechnologySchoolof SoftwareEngineering，GuangdongGuangzhou At present, most passenger

2、 flow prediction method only use the historical data s ion and ignore correlation of other s ion. This r ed a spatio-temporal correlation prediction based on network. The input is ed by two parts, one, the current s ion historical data, the other, relevant s ions spatio-temporal data; output is pred

3、icted passenger flow. algorithm yze the current s ion datas time correlation, extract the big correlation time data as the historical data. layers of spatio-temporal onstruct method: 1) using Pearson yzed the current s ions correlation with other s ion on current line ersecting lines; 2) extracted t

4、he s ion which have spatial correlation with current s ion, computing time correlation; 3) extracted higher time correlation data spatio-temporal data. The experimental results t the ed spatial-temporal prediction is nthetimeprediction.KeyWords:urbanrailtransitnetwork;ysis; passengerflowpredication;

5、neural线铁道总公司建设事业总部 州 理论，得。Chen 等人5理论，得。Chen 等人5，1的1和22.11和22.1常见的相关系数有 Pearson 相关系数(积差相关系数)、Gamma 相关系数、量xi和yir = Nxiyixi Nx2(xi)2Ny2(ii客流量/人第八周周日第八周周第八周周第九周周一第九周周一第九周周一第九周周二第九周周二第九周周二第九周周三第九周周三第九周周第九周周四第九周周四第九周周四第九周周五第九周周五第九周周五第九周周六第九周周六第九周周第九周周第九周周日第九周周日第十周周一第十周周一第十周周一第十周周二第十周周二第十周周三第十周周第十周周三第十周周四三

6、元里站分钟入站流三元里站分钟出站流0时间段（时间粒度：15分钟2.2 Elman动Elman92BPElman承接层输出为输入为 2.2 Elman动Elman92BPElman承接层输出为输入为 u(k-输入单隐含层单输出单2Elmanu(kElman，x(k)为隐含层的输出值，xc(k)为承接层的输出值，那Elmanx(k) = f(W1xc(k) + W2(u(k xc(k) = x(k 1) y(k) = g(W3x(k)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3确时确模型输入向生模输结相关性分析训练阶阶3车3.14a 4b确时确模型输入向生模输

7、结相关性分析训练阶阶3车3.14a 4b4：15客流量/人次（当前时间段客流量/人次（当前时间段0客流量/人次（前一时间段0客流量/人次（上周同一时间段构建训练向结时间相关性空间相关性计算相对误客流数据的Elman 网络训开10.9305：1510.9305：156中大站客流量/人0三元里客流量/人根据图 6 的站间相关系数，选择相关系数大于 0.89 的站点作为相关站点。故选择越秀2223.2对于 Elman 神经网络，隐藏层节点数本文采用如下式来确定，h = in + out + 010h、in、out44.1根据图 6 的站间相关系数，选择相关系数大于 0.89 的站点作为相关站点。故选

8、择越秀2223.2对于 Elman 神经网络，隐藏层节点数本文采用如下式来确定，h = in + out + 010h、in、out44.11 MSE i=1 n = = 12n相关新港东昌海珠广场白云公白云文化广越秀公园(15(15(15(15(15相关 1车4.2元里分时客及结果分379804.2元里分时客及结果分3798078835MSE结结的。的，YuanJian,FanBingquan.SynthesisofShort-TermTrafficFlowResearchProgressJ.UrbanTransportofChina,2012,10(6):73-35(11)：1-for t

9、he Metro in Networking ConditionsJ. Journal of the China RailwayGrowthJ.的。的，YuanJian,FanBingquan.SynthesisofShort-TermTrafficFlowResearchProgressJ.UrbanTransportofChina,2012,10(6):73-35(11)：1-for the Metro in Networking ConditionsJ. Journal of the China RailwayGrowthJ.JournaloftheAmericanPlanningKEE

10、MINS,HYUNJINS.FactorsGeneratingBoardingatMetroMetropolitanAreaJ.Cities,2010,27(5):358-heCHENMC,WEIY.Exploringtimevariantsforshort-termpassengerflowJournalofTransportGeograph,2011,19(4):488-，模型prediction，模型学roadnetworkbasedonspatial-temporaldependencyJ.J&Tech),2013,53(2):215-LIXiaojun,LVXiaoyan,LIUjun.ForecastofRailwayShort-termPasseng