导读:本文包含了客流预测方法论文开题报告文献综述及选题提纲参考文献，主要关键词:短期客流预测,融合模型,智能交通,卡尔曼滤波算法
客流预测方法论文文献综述
马晓旦,武经纬,梁士栋,赵天羽[1]（2019）在《基于融合模型动态权值的短期客流预测方法》一文中研究指出针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻(K-Nearest Neighbor, ANN)算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。(本文来源于《交通运输研究》期刊2019年04期）
毛峰[2]（2019）在《中等城市现代有轨电车客流预测影响因素及预测方法》一文中研究指出通过对中等城市现代有轨电车客流预测影响因素进行整理,并对其预测方法进行探讨,以建立针对中等城市现代有轨电车客流预测的方法。以建立的方法对规划中的黄石市现代有轨电车的客流进行了实际预测,以待今后实践的验证。(本文来源于《城市轨道交通研究》期刊2019年S1期）
马延龙,杜晓华,李明臻[3]（2019）在《基于地铁历史数据的PCA-RF分时段客流预测方法》一文中研究指出地铁客流预测可以为轨道交通的相关决策提供辅助支持,在现代交通运输领域具有十分重要的现实意义。提出一种基于地铁历史数据的分时段客流预测方法(PCA-RF),通过对影响客流的因素进行抽取分析,从中提取有关客流的特征并用主成分分析法(PCA)赋予其不同的影响权值,随后用随机森林算法(RF)进行回归计算。通过实例对比说明PCA-RF相对于传统决策树方法具有较高的预测精度。(本文来源于《铁路技术创新》期刊2019年05期）
黄益绍,韩磊[4]（2019）在《基于改进极限学习机的公交站点短时客流预测方法》一文中研究指出以公交车IC卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC卡和GPS数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO算法找到ELM的最优隐含层节点参数;最后依托广州市19路公交车客流数据仓库进行了方法验证.结果表明:所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.(本文来源于《交通运输系统工程与信息》期刊2019年04期）
朱经纬[5]（2019）在《基于短时客流预测的轨道交通常态高峰线路协同限流方法研究》一文中研究指出城市轨道交通由于其绿色、准点率高等特点,已经成为了城市居民出行首选的方式。但是随着轨道交通客流量的增加,高峰期间涌入线路的客流规模也随之增加,其客流需求量已经远超过轨道交通供给的运输能力,导致了大量的客流拥堵情况,对于相对封闭的车站环境会造成很大的安全隐患。如何对轨道交通进站客流量进行高效的预测,同时考虑车站间的协同作用,建立合理的协同限流方案,对于提高轨道交通的运输效率以及减少高峰期间大客流导致的安全问题具有重要的意义。本文首先总结了轨道交通客流的特性以及形成机理。之后以北京地铁8号线为例,分析了其客流时空分布特征。据此确定了以高峰客流为研究对象,建立短时客流预测模型以及基于短时客流预测的动态协同限流模型。本文的工作内容如下:(1)对轨道交通客流影响因素进行了总结与分析,针对北京地铁8号线进行了详细的分析,总结了其客流的时空分布特性,对产生的原因进行了合理的解释。同时,对线路协同限流的理论进行了总结,定义了线路开始限流的阈值。(2)采用对于轨道交通进站客流量预测效果较好的小波神经网络(Wavelet Neural Network,WNN)作为预测模型,对8号线某站的进站客流数据进行预测分析。分析结果显示,小波神经网络虽然能够有效进行短时客流预测,但是单一模型的多次预测结果相差较大,精度也有待提高。由于初始权值和小波因子会在很大程度上影响到轨道交通进站客流量的预测结果,引入灰狼优化算法,在预测开始前先使用灰狼优化算法(Grey Wolf Optimizer,GWO)为其寻找到一组最优的初始权值,据此建立神经网络后再进行预测分析。预测结果显示,GWO-WNN模型能够显着地提升预测的精度和效果。(3)使用数学模型对乘客排队进站、站台候车、线路上传递的过程进行了描述。以各站每个时段的限流人数作为决策变量,出行总延误时间为目标函数,构建了基于短时客流预测的动态协同限流模型,以站台承载能力、列车承载能力作为模型的约束条件。随后,根据轨道交通客流动态变化的特点,制定了基于滚动时域优化的模型求解策略,通过在线计算的方式,持续滚动的求解局部最优解,最终得到整个计算时段总体的限流策略。(4)选择北京地铁8号线下行方向朱辛庄-霍营共五个车站的早高峰(7:30-8:30)作为本文的研究对象,首先使用GWO-WNN模型对这几个车站的进站客流数据进行了预测和分析,将预测结果导入动态协同限流模型中。采用滚动时域优化的方法,利用遗传算法通过不断的滚动计算得到了最终的限流策略。将最终得到的限流策略与不进行协同限流时进行对比,验证了通过此模型计算得到的协同限流方案可以减少客流的总延误时间,从而对模型的可行性和优化效果进行了验证。(本文来源于《北京建筑大学》期刊2019-06-01）
张伟林[6]（2019）在《基于深度学习的地铁短时客流预测方法研究》一文中研究指出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。(本文来源于《中国科学院大学(中国科学院深圳先进技术研究院)》期刊2019-06-01）
杨晓飞,尹成[7]（2019）在《关于城市轨道交通客流预测方法的文献综述》一文中研究指出客流预测是城市轨道交通建设研究的关键。本文简单梳理、总结和归纳了城市轨道交通客流预测方法,概述了城市轨道交通客流预测方法的演变,探讨了城市轨道交通客流预测方法在实践中的应用,给出了城市轨道交通客流预测方法发展的现实意义。(本文来源于《城市建筑》期刊2019年12期）
蒋燕,杨婧,雷莹[8]（2019）在《城市轨道交通环线试运营客流预测方法研究》一文中研究指出为解决目前城市轨道交通环线开通试运营期间,客流预测OD数据难以获取、"初设"客流预测结果偏差较大的问题,考虑相邻轨道车站客流分布及出行规律具有相似性,提出一种"既有网络+新开环线"出行需求生成方法。既有线网OD计算以不同线路客流自然增长规律为基础;新开环线客流OD分布,根据环线车站进、出站客流量,结合环线车站位置分布以及既有线网组团间客流分布规律计算所得。经过验证,通过"既有网络+新开环线"算法实施轨道环线试运营期间出行需求预测,并将其在新的线网中分配,可实现线网客流情况快速计算,为线网运营组织安排提供依据。(本文来源于《现代城市轨道交通》期刊2019年01期）
王茁[9]（2018）在《新开轨道交通城市的客流预测与方法分析》一文中研究指出以城市轨道交通的客流预测为研究对象,分析轨道交通客流时间分布与空间分布特征,研究影响轨道交通客流的主要因素.在对比现有预测方法的基础上,选用卡尔曼滤波和后向传播(BP)人工神经网络两种微观预测方法建立预测模型,分别对大连市轨道交通客流进行预测.通过对预测结果的精度比较,得出运用BP人工神经网络模型的预测结果更接近实际.研究方法和预测结果可为同类新开轨道交通城市的规划与发展提供一定的理论支持.(本文来源于《上海工程技术大学学报》期刊2018年04期）
赵耀,成毅,葛文,崔晓杰,马焜阳[10]（2018）在《一种用于公交客流预测的线段模型改进方法》一文中研究指出轴线分割是目前空间句法理论中常用的空间分割方式,能够用于分析城市道路结构与交通流量之间的关系,但在公交客流研究中忽略了空间尺度和公交站点的分布,未能从客流发生的角度揭示公交客流的分布特征。通过研究不同模型下道路集成度与公交客流的相关关系,针对两者相关性较低的问题,采用路口打断和站点数量加权的方法对线段模型进行改进。通过对郑州市主城区道路进行对比实验,结果表明改进模型的道路集成度与公交客流具有更高的相关性,为城市公交客流预测提供了理论依据。(本文来源于《测绘科学技术学报》期刊2018年03期）
客流预测方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
通过对中等城市现代有轨电车客流预测影响因素进行整理,并对其预测方法进行探讨,以建立针对中等城市现代有轨电车客流预测的方法。以建立的方法对规划中的黄石市现代有轨电车的客流进行了实际预测,以待今后实践的验证。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
客流预测方法论文参考文献
[1].马晓旦,武经纬,梁士栋,赵天羽.基于融合模型动态权值的短期客流预测方法[J].交通运输研究.2019
[2].毛峰.中等城市现代有轨电车客流预测影响因素及预测方法[J].城市轨道交通研究.2019
[3].马延龙,杜晓华,李明臻.基于地铁历史数据的PCA-RF分时段客流预测方法[J].铁路技术创新.2019
[4].黄益绍,韩磊.基于改进极限学习机的公交站点短时客流预测方法[J].交通运输系统工程与信息.2019
[5].朱经纬.基于短时客流预测的轨道交通常态高峰线路协同限流方法研究[D].北京建筑大学.2019
[6].张伟林.基于深度学习的地铁短时客流预测方法研究[D].中国科学院大学(中国科学院深圳先进技术研究院).2019
[7].杨晓飞,尹成.关于城市轨道交通客流预测方法的文献综述[J].城市建筑.2019
[8].蒋燕,杨婧,雷莹.城市轨道交通环线试运营客流预测方法研究[J].现代城市轨道交通.2019
[9].王茁.新开轨道交通城市的客流预测与方法分析[J].上海工程技术大学学报.2018
[10].赵耀,成毅,葛文,崔晓杰,马焜阳.一种用于公交客流预测的线段模型改进方法[J].测绘科学技术学报.2018