地鐵項目階段工作

1、軌道交通客流時空相關性研究摘要為分析軌道交通客流，本文構建了一種軌道交通客流時空相關性的客流客流的模型，以歷史的分時客流數(shù)據(jù)為基礎，利用相關性分析方法分析歷史，然后通過神經(jīng)網(wǎng)絡算法得到客流模型，最后對輸入的測試數(shù)據(jù)進行未來客流量的。實驗采用廣州軌道交通分時客流數(shù)據(jù)和評價方法，實時地了成網(wǎng)條件下廣州地鐵二號線上的三元里車站的出站客流量結構表明時空相關性模型是有效的，對真實的客流情況有較好的效果。1 背景短期客流一般分為未來一周客流、未來一日客流和提前數(shù)小時等幾種。與四階段法（出行生成、交通方式劃分、出行分布和交通分配）更側重于數(shù)學模型及其求解算法。通過等長期客流方法相比，短期客流研究軌道交通客流

2、數(shù)據(jù)變化，可以對整個軌道交通建設和運營調度提出參考意見。目前，國內外學者對地鐵的客流算法進行大量的研究。文獻.基于出行目的鏈的軌道交通客流模型研究 D.交通大學學報, 2009對傳統(tǒng)的客流模型四階段法進行改進，提出了一種基于出現(xiàn)目的地的宏觀模型，滿足對長期的需求。文獻，.一種基于灰色的大客流實時模型A.交通大學學報，2013，37(2):119-128考慮了大型活動對交通客流的影響，通過分析潛在的大客流時間點，對地鐵車站的客流使用灰色進行分類。文獻Tsung-Hsien Tsai. Neural network basedtemporal feature ms for short-term r

3、ailway passenger demandforecasting J. Expert Systems wipplications.2009 提出了多時序單位神經(jīng)網(wǎng)絡模型(MTUNN)和并行組合神經(jīng)網(wǎng)絡(PENN),并將其應用于鐵路客運需求中。文獻.灰色神經(jīng)網(wǎng)絡與支持向量機模型研究D.:方法,理工大學.2009構建了基于灰色系統(tǒng)、神經(jīng)網(wǎng)絡、支持向量機的組合雖然精度和性能比原始單一模型有所提高,但是在模型的可擴展性、高效性和智能性等方面有待完善和提高。目前，國內外研究學者已經(jīng)對交通領域客流算法進行了深入的研究。郭永，.基于最小二乘向量機的站點短時客流J.:理工大學學報(交通科學與工程版).20

4、13,37(3):603-607考慮上下游站點、歷史同期客流和相鄰間隔輸入因子，利用得到的參數(shù)作為向量機的輸入得到相應的客流結果。，.基于時空依賴性的區(qū)域路網(wǎng)短時交通流模型J.:學報(自然科學版).2013,53(2):215-221利用了路網(wǎng)的空間信息，提出了一種基于時空依賴性的區(qū)域路網(wǎng)短時客流模型，并在這基礎上利用時空自回歸差分移動平均模型未來路網(wǎng)的客流數(shù)據(jù)。.城市軌道交通客流及運營調度方法研究D.:交通大學.2010考慮某時刻客流之間的相關關系，只是選擇了前 n 個時間段的客流數(shù)據(jù)，將這些輸入變量輸入到BP 神經(jīng)網(wǎng)絡中得到結果。.基于改進交通大學.2013BP 神經(jīng)網(wǎng)絡的軌道交通短時客流

5、方法研究D.:通過相關性分析選擇了前三個時間段的客流和前一個相關斷面的客流進行，但是這樣做忽略了客流的重要規(guī)律（周相關）。同時通過改進神經(jīng)網(wǎng)絡的傳遞函數(shù)模型，提高的準確率。沒有考慮其它站點對某一站點的影響，如果考慮到不同車站之間的影響，需要考 慮等車和乘車時間，考慮車站出站客流時考慮上下游的進站客流與該車站的關系，考慮車站進站客流時也需要考慮上下游的出站客流的關系提出時空相關性的原因（對比其它人的研究，說明自己為什么考慮這個問題）(自己工作的特點，別人做的，針對他們我如何改進？)方法大部分僅針對客流的時間相關性進行分析當前軌道交通領域客流和，并沒有考慮在成網(wǎng)條件下相關車站客流量對車站的影響。相

6、對于傳統(tǒng)的時間相關性分析的客流，空間相關性分析可以給出車站與其它類似車站的客流相關性或相互影響。傳統(tǒng)的時間相關性客流模型將車站視為一些孤立的點進行，而本文時空相關性客流模型從一個軌道交通網(wǎng)絡化運營的角度考慮城軌線網(wǎng)的客流為分析軌道交通客流的時空相關性問題。問題，提高軌道交通管理部門的客流組織能力，本文作者提出一種時刻相關性的客流模型。在該模型中，使用時空相關性進行客流相關度的分析，并在分析結果的基礎上，選擇部分客流數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入向量進行客流本文介紹關于地鐵短期客流，提高軌道交通客流結果的準確度。的研究，重點基于時空相關性的短期客流模型，并與現(xiàn)有的模型進行效果和適用性上的對比。第 1 節(jié)

7、介紹了模型產(chǎn)生的背景。第 2 節(jié)分析并闡述本文所用客流數(shù)據(jù)的特點。第 3 節(jié)介紹本方法中使用到的基本算法、實驗數(shù)據(jù)的預處理及模型訓練過程。第 4 節(jié)是相關作的比較。第 5 節(jié)給出本文得到的結論并對未來工作進行展望。工2 客流數(shù)據(jù)的特點軌道交通指用于城途或短途客運的只允許在預設的軌道上運行的列車。它涵蓋了地鐵、磁懸浮列車、輕軌、有軌電車等多種交通工具。地鐵作為軌道交通中的一種，它具有以下共有特點：單次輸送量大、行駛速率高、運行時間固定和安全環(huán)保節(jié)能，但是地鐵也有自己的特征.地鐵運營客流量計算模型研究,:電子科技大學,2012,23-24：圖 軌道交通的交通特征本文考慮軌道交通的客流客流量的規(guī)律性

8、這三種特征。，重點關心候車空間封閉、客流量的隨機性和候車空間封閉指乘客在封閉的候車室內候車，候車室能使乘客不受天氣變化的影響，但是由于空間有限，導致在候車人數(shù)較多時降低候車乘客的舒適度；客流量隨機性指地鐵各個時段的客流具有隨機性。首先，單一線路的客流量存在可變性，其次客流的變化受到節(jié)日和天氣變化等的影響；客流量的規(guī)律性指在一定條件下，例如運營計劃固定、城市穩(wěn)步發(fā)展的前提下，單日、單周、和年均客流都呈現(xiàn)一定的規(guī)律性。2.1 軌道交通客流分布的影響圖 影響地鐵客流的軌道交通的客流具有一定的時序特征，即其客流量會隨著時間的變化規(guī)律而變化，它會隨著年、月、日的變化而變化，其中最明顯的是客流量會以周期，

9、節(jié)假日活動舉行運營方式線路分布居民分布城市發(fā)展天氣變化票價影響軌道交通客流的客流量動態(tài)性客流量規(guī)律性客流量隨機性列車進出站規(guī)律發(fā)車頻率較高候車空間封閉線路結構簡單軌道交通的交通特征在每一周中有相關的客流變化趨勢。但是客流又會受到其它的影響，導致每個周期內的客流的變化不盡相同，使之具有一定的非平衡的趨勢特征。因為票價、城市發(fā)展、居民分布、線路分布和運營方式影響的是軌道交通長期的客流，而天氣變化、活動舉行和節(jié)假日影響軌道交通的短期客流。1、天氣變化天氣變化影響了很多人的出行計劃和出行方式，并導致一些潛在地鐵乘客取消出行或使用其它交通工具出行，因而影響了地鐵在短期內的客流量。2、活動舉行一般大型活動

10、都會導致地鐵在某幾個舉辦活動的站點的客流上升，例如廣交會期間，地鐵琶洲站附近幾個站點的客流相比平日有巨大的增長。3、節(jié)假日節(jié)假日對客流的影響是顯著的。工作日的客流主要分布在居住區(qū)和商務區(qū)的地鐵站點，而節(jié)假日的客流主要分布在各大購物地點沿線的地鐵站。4、居民分布根據(jù)用地類型的不同，同一種服務類型的地鐵站的客流變化規(guī)律類似。2.2 軌道交通分時客流特點城市軌道交通客流量指在時間內城軌線的旅客流向方向和人數(shù)的總和。車站客流是城軌車站的集散客流，即進出站的客流。例如，廣州軌道2 號線的三元里站的客流如下圖所示。300025002000150010005000三元里站15分鐘入閘客流三元里站15分鐘出閘

11、客流圖 三元里站分時客流軌道交通的線路固定，并與其它交通方式相互分離，較少受到外界的干擾，且列車運行時間固定，這些都影響了軌道交流客流分布?？土魇且詺v史客流數(shù)據(jù)為依據(jù)的,軌道交通隨著城市交通壓力的增大而越來越復雜,客流量也隨著時間的不斷變化而變化。為了反映歷史客流的這種變化情況,得到較為準確的結果,在之前,首先應該掌握客流的時序特征及變化趨勢,如:日規(guī)律、周規(guī)律、節(jié)假日規(guī)律等。對于軌道交通客流短期來說,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歷史客流量的數(shù)據(jù)統(tǒng)計及影響分析,是有針對性地提出方案、改進方法及得到較為準確結果的前提基礎。通過對

13、歷史數(shù)據(jù)的分析，可以從中發(fā)現(xiàn)客流具有的特征如下：（1）周間特征。在不考慮節(jié)假日客流的情況下，客流量以一個周期，每個周期內的客流變化規(guī)律相關。每周客流的變化趨勢和客流量大體相同，每周同一天對應的客流相差不大。可見，軌道交通客流量的變化趨勢期性變化特點。明顯的周（2）特征。一般情況下，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對較為平均，而周末的客流量最小，為該周的客流低谷。如前所述，每周的平均客流量變化不大，但具體到每周的各天其客流變化還是存在較大的波動。（3）日內特征。根據(jù)不同的用地類型，天內的變化特征各不相同。對于商業(yè)用地，工作日存在明顯的早和晚。根據(jù)社會工作時間和一般存在下班

14、時間段內。的不同，早一般存在于上班時間段內，而晚3 數(shù)據(jù)的預處理和訓練過程簡要介紹一下中使用到的方法的算法模型（Elman 神經(jīng)網(wǎng)絡）。（考慮輸入向量的組成，對于一個輸入站點的某一個時刻，需要列入輸入?yún)?shù)中的變量數(shù)目及變量的獲取方法）圖 客流模型訓練及過程為較好地對成網(wǎng)條件下的客流進行分析和，本文以時空相關性理論和神經(jīng)網(wǎng)絡模型為基礎，結合軌道交通客流的業(yè)務需要，提出一種客流時空相關性分析階段訓練階段階段構建訓練向量結束時間相關性分析生成模型輸出結果空間相關性分析計算相對誤差客流數(shù)據(jù)的處理確定模型輸入?yún)?shù)確定時間Elman 網(wǎng)絡輸入并進行訓練開始相關性的模型。本文客流時空相關性的模型流程。其中時

15、空相關性理論分析軌道交通車站客流的時間及空間相關性并從中尋找對車站的客流影響較大的車站及時間點，而 Elman 神經(jīng)網(wǎng)絡模型結合客流時序變化的特點，比較適用于根據(jù)時間變化的問題。3.1 成網(wǎng)條件下的客流時空相關性分析（Pearson 系數(shù)的說明）3.1.1 空間相關性分析（分析車站之間的關系，通過得到的車站之間的關系在分析車站之間的客流的時間相關性）軌道交通線網(wǎng)由不同空間位置上的車站組成。每個車站的客流規(guī)律是不同的，但是部分車站的客流規(guī)律相關，例如廣州南和廣州火車站的客流。不同線路間的車站進出規(guī)律之間的關系。同一種類型的用地的客流規(guī)律類似，對這個方面進行考慮3.1.2 時間相關性分析通過對上述

16、的軌道交通分時客流特點進行分析，可以得到每個車站的全日客流隨著日期類型的變化而發(fā)生有規(guī)律的變化，因此在車站客流時間相關性時，需要考慮兩部分的客流量，第一部分客流量為 流，第二部分客流量為上一周相同日期類型的間段前后幾個時間段的車站客流。采用 Pearson 相關系數(shù)分析方法，通過計算時間段的前幾個時間段的車站客時間段的車站客流量及時時間段和前四個時間段的車時間段前后兩個時間段站客流量、上一周時間段的車站客流量及上一周的車站客流量的相關系數(shù)，得到進出站客流相關性，周間進出站客流相關性。3.2 Elman 神經(jīng)網(wǎng)絡Elman 神經(jīng)網(wǎng)絡是一種典型的動態(tài)神經(jīng)網(wǎng)絡。相對于常見的靜態(tài)神經(jīng)網(wǎng)絡 BP神經(jīng)網(wǎng)絡

17、，它基于 BP 網(wǎng)絡并通過 從而克服了 BP 網(wǎng)絡為靜態(tài)空間建模狀態(tài)使其具有動態(tài)特性的功能，。軌道交通客流是按照時間順序排列的數(shù)字序列，這種關系難以用確定的函數(shù)或方程進行描述。Elman 神經(jīng)網(wǎng)絡饋網(wǎng)絡的隱含層添加一個承接層以實現(xiàn)功能，從而使其能反映數(shù)據(jù)的動態(tài)特性。當時，為了識別動態(tài)特征，Elman 網(wǎng)絡增加了輸入向量的維數(shù)，從而導致了系統(tǒng)的結構復雜化，降低了收斂速度。Elman 神經(jīng)網(wǎng)絡一般分為輸入層、隱含層、承接層和輸出層，其一般結構姜平，陳無畏等. 基于 Elman 型回歸神經(jīng)網(wǎng)絡的客流A. 合肥工業(yè)大學學報（自然科學版），2008。對比 BP 神經(jīng)網(wǎng)絡，Elman 網(wǎng)絡有一個特別的隱含

18、層，稱為承接層。該層從普通的隱含層接受到信息，并通過處理后前向輸出到隱含層。網(wǎng)絡在某一時刻的輸入不僅包含當前的輸入值，同時包含承接層的輸入值，而承接層的輸入值為前一時刻隱含層的輸出值。因為它們有這樣一種反饋連接，所以該網(wǎng)絡被訓練后能夠識別基于時間變化的模式。承接層xc(k)W1輸出為y(k)W3x(k)輸入為u(k-1)W2輸入單元隱含層單元輸出單元圖 Elman 神經(jīng)網(wǎng)絡模型假設 u(k)為 Elman 網(wǎng)絡輸入值，x(k)為隱含層的輸出值，xc(k)為承接層的輸出值，那么 Elman 神經(jīng)網(wǎng)絡的數(shù)學表達為：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分別為承接層神經(jīng)單元到隱含層神經(jīng)單元的連接權重矩陣、輸入層神經(jīng)單元到隱含層神經(jīng)單元的連接 權重矩陣、隱含層神經(jīng)單元到輸出層神經(jīng)單元的連接權重矩陣。函數(shù) f()為隱含層神經(jīng)單元的傳遞