亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        蘇州軌道交通節(jié)假日客流預(yù)測研究

        2021-11-24 02:52:20劉維源戈悅淳
        都市快軌交通 2021年5期
        關(guān)鍵詞:客流量客流基準(zhǔn)

        劉維源,戈悅淳,李 磊,殷 艷

        (1. 蘇州市軌道交通集團有限公司,江蘇蘇州 215004;2. 蘇州規(guī)劃設(shè)計研究院股份有限公司,江蘇蘇州 215004)

        1 研究背景

        近年來,隨著我國城市軌道交通的快速發(fā)展,城市軌道交通在節(jié)假日期間承擔(dān)的客流運輸比重逐漸提高,為城市軌道交通運營帶來了巨大的壓力。節(jié)假日客流預(yù)測受大型活動、惡劣天氣等因素影響,使得現(xiàn)有的客流預(yù)測方法難以獲得較高的預(yù)測精度。因此,本文對節(jié)假日客流進行專門研究,建立相應(yīng)的預(yù)測模型,對城市交通管理和運營部門制定節(jié)假日特定的交通管制措施、編制車輛開行方案,具有重要的理論和實際意義。

        四階段法是傳統(tǒng)的交通客流預(yù)測方法,一些學(xué)者采用該方法并在此基礎(chǔ)上進行改進,從而對軌道交通客流進行預(yù)測。例如,林本江等采用四階段法,對濟南市的各個軌道交通線網(wǎng)方案進行客流預(yù)測[1];陳大偉等對傳統(tǒng)四階段模型進行了改進,增加了機動車車流分配模型[2];裴劍平等在傳統(tǒng)四階段法的基礎(chǔ)上,增加了“時段劃分”和“反饋”兩部分內(nèi)容[3]。由于城市軌道交通的自動售檢票系統(tǒng)(automatic fare collection system,AFC)可以實時記錄乘客進出站刷卡信息,因此以 AFC數(shù)據(jù)為基礎(chǔ)進行客流分析的研究也成為主流。周瑋騰等采用自底向上的網(wǎng)絡(luò)建模技術(shù),構(gòu)建了城市軌道交通客流動態(tài)分布仿真模型,并通過實際AFC刷卡數(shù)據(jù)進行二元校驗[4];馬超群等基于綜合交通網(wǎng)絡(luò),提出了方式劃分與分配組合模型,以西安地鐵3號線為例進行了應(yīng)用[5]。

        刷卡數(shù)據(jù)為學(xué)者提供了充足的時序客流,也進一步推動了軌道交通短時預(yù)測的相關(guān)研究。呂利民等從實時判斷和實時預(yù)測兩個維度,在分析近幾年典型的研究算法和思路的基礎(chǔ)上,對未來短期客流預(yù)測提出了合理化建議[6];四兵鋒等建立了基于客流時序特征的并行加權(quán)神經(jīng)網(wǎng)絡(luò)模型[7];郭曠等基于周期性差分自動平滑回歸模型和支持向量機理論,構(gòu)建了短時客流預(yù)測組合模型,并引入廣義自回歸條件異方差模型來構(gòu)建短時客流不確定性預(yù)測模型[8];李偉等將 SARIMA 模型和SVM 模型相融合,建立一種短時客流量預(yù)測模型[9];袁堅等提出基于貝葉斯網(wǎng)絡(luò)的客流量預(yù)測方法,從而實現(xiàn)了對特定站點的客流量預(yù)測[10]。

        軌道交通作為城市公共交通的骨干,當(dāng)遇到節(jié)假日或大型活動時,往往需要承受較大的客流壓力,因此也有部分學(xué)者對此進行了進一步預(yù)測:王興川等構(gòu)建基于小波分解與重構(gòu)的GM-ARIMA客流預(yù)測模型,并根據(jù)廣州地鐵在 2011—2014年廣交會期間的歷史AFC客流數(shù)據(jù),對所提出的方法進行驗證[11]。光志瑞采用模糊C均值聚類法和一元線性回歸模型,構(gòu)建了適用于線網(wǎng)結(jié)構(gòu)發(fā)生改變的車站進、出站量預(yù)測模型,并結(jié)合北京市軌道交通的歷史客流數(shù)據(jù),對2015年清明節(jié)前一日車站的進出站客流量進行了預(yù)測,但該模型需要確定站點周邊土地利用性質(zhì),并對歷史數(shù)據(jù)進行人工篩選[12]。

        綜合以上研究可以發(fā)現(xiàn),城市軌道交通短時客流預(yù)測有著較為成熟的方法體系,通常包括線性與非線性模型以及神經(jīng)網(wǎng)絡(luò)模型,但針對節(jié)假日期間軌道交通客流預(yù)測的研究相對較少,導(dǎo)致已有的短期預(yù)測模型適用性較差。此外,已有的節(jié)假日客流預(yù)測方法需要基于歷史數(shù)據(jù)、站點性質(zhì)等多種因素的考慮,忽略城市軌道交通對節(jié)假日客流常規(guī)性快速預(yù)測的需求以及軌道客流的動態(tài)增長。因此,筆者在考慮歷史節(jié)假日客流變化特征的基礎(chǔ)上,構(gòu)建以現(xiàn)階段客流為基礎(chǔ)的節(jié)假日客流預(yù)測模型,在ARIMA模型對短時客流量均值進行擬合的基礎(chǔ)上,進一步建立GARCH模型對短時客流量的方差進行擬合,構(gòu)造ARIMA-GARCH預(yù)測模型,以實現(xiàn)對節(jié)假日期間城市軌道交通客流的預(yù)測,并通過案例進行驗證。

        2 節(jié)假日客流趨勢

        2.1 歷史節(jié)假日客流的對比分析

        節(jié)假日期間的出行大多具有類似的時間分布特性,如在節(jié)日的第一天回鄉(xiāng)探親或出門旅游,在節(jié)日的最后一天返程,因此首先對節(jié)假日期間的客流時間分布特性進行分析。以中秋節(jié)為例,選用以15 min為一個時間窗進行集計的數(shù)據(jù),比較2018年中秋節(jié)假期(2018年9月22日—2018年9月24日)和2019年中秋節(jié)假期(2019年9月13日—2019年9月15日)的客流的時間分布特性,以客流量較大的木瀆站、樂橋站、臨頓路站、鐘南街站、石路站和察院場站為例,比較2018年和2019年上述站點15 min客流量的變化趨勢,如圖1所示??梢钥闯?,雖2019年客流量明顯高于2018年客流量,但各站點在兩年間同一節(jié)假日的客流變化趨勢具有明顯的相似性,因此考慮可利用往年節(jié)假日的客流變化趨勢和當(dāng)年節(jié)假日的客流總量來對當(dāng)年節(jié)假日的客流量進行預(yù)測。

        圖1 2018年與2019年中秋節(jié)假期部分站點15 min客流量比較Figure 1 Comparison of passenger flow of some stations on the first day of the Mid-Autumn Festival in 2018 and 2019

        2.2 節(jié)假日基準(zhǔn)客流與趨勢誤差

        考慮到同一節(jié)假日在不同年份所在星期的不同,同時為了消除總體客流量變化帶來的節(jié)假日單日的客流量變化,計算2018年中秋節(jié)的客流量與2018年中秋節(jié)前一周(2018年9月15日—2018年9月21日)的平均客流量的比值,得到該站點在中秋節(jié)的客流變化趨勢,并以 2019年中秋節(jié)前一周的平均客流量為基準(zhǔn),利用該變化系數(shù),獲得2019年中秋節(jié)的基準(zhǔn)客流量。同樣以上述6個站點為例,對實際值與基準(zhǔn)值進行比較,結(jié)果如圖2所示。

        圖2 2019年中秋節(jié)部分站點客流量變化系數(shù)法15 min預(yù)測客流量與實際客流量對比Figure 2 Forecast and actual passenger flow of some stations during Mid-Autumn Festival in 2019

        各站在一天中的預(yù)測誤差如表1所示。所有站點全天客流量的平均百分比誤差為35.26%,多數(shù)站點的誤差可維持20%~40%,但其中部分站點的誤差也較大,各站點的誤差如圖 3所示??梢钥闯觯糠诸A(yù)測站點的百分比誤差較大,如流虹路(63.90%)和蘇州灣北(102.39%),但兩站點的客流量均較小,分別為377人次/d和169人次/d。而客流量較高的站點誤差均較小,達到了可接受的預(yù)測精度。

        圖3 2019年中秋節(jié)全站點客流量變化系數(shù)法預(yù)測誤差與實際客流量的關(guān)系Figure 3 Relationship between percentage error of the entire station and passenger flow during Mid-Autumn Festival in 2019

        表1 2019年中秋節(jié)部分站點變化系數(shù)法全天客流量的預(yù)測誤差Table 1 Forecast trend error of an entire day of passenger flow in some stations during the Mid-Autumn Festival in 2019

        3 節(jié)假日客流預(yù)測

        3.1 節(jié)假日短時客流預(yù)測模型構(gòu)建

        不同節(jié)假日期間各站點的客流均具有不同的特點,且同類節(jié)假日每年只會出現(xiàn)一次。若采用各類回歸模型,雖能夠考慮天氣等多種因素,但同時也需要較大量的訓(xùn)練數(shù)據(jù)對模型進行訓(xùn)練,因此選用較為直接簡單的時間序列模型對短時客流進行預(yù)測。

        筆者在時間序列模型的基礎(chǔ)上,以前面得到的基準(zhǔn)客流量以及現(xiàn)階段客流為基礎(chǔ),對每一時段實際客流量和基準(zhǔn)客流量的誤差進行預(yù)測,用來代替直接對每一時段客流量預(yù)測的方式。換言之,并非用時間序列模型直接預(yù)測短時客流量,而是對上述的預(yù)測誤差進行預(yù)測,在通過客流變化系數(shù)得到的基準(zhǔn)客流量基礎(chǔ)上,結(jié)合時間序列模型,使預(yù)測精準(zhǔn)度得到進一步提高。

        ARIMA 模型(差分整合移動平均自回歸模型)是一種線性時間序列模型,常用來對時間序列進行短期預(yù)測。該模型假設(shè)每一時段的方差為常數(shù),即僅對均值進行預(yù)測。而節(jié)假日期間的客流常波動較大,其波動率多不為常數(shù),具有時變性,即統(tǒng)計意義上的異方差性。為了對客流量的均值和方差信息進行完整預(yù)測,構(gòu)造ARIMA-GARCH模型。此模型不僅要擬合均值,而且要對方差進行擬合,即在ARIMA模型對短時客流量均值進行擬合的基礎(chǔ)上,進一步建立GARCH對短時客流量的方差進行擬合,以便反映在該時段的預(yù)測精度。構(gòu)造的ARIMA(p,d,q)-GARCH(m,s)模型表達式如下:

        由于各個站點的客流性質(zhì)不同,經(jīng)過 ADF(augmented dickey fuller)單位根檢驗發(fā)現(xiàn),在0.01的顯著性水平下,變化系數(shù)法得到的各站點客流誤差經(jīng)過一階差分后,均拒絕了數(shù)據(jù)序列存在單位根的原假設(shè),認(rèn)為一階差分可滿足平穩(wěn)性要求。以樂橋站為例,一階差分后的客流誤差時序如圖4所示。結(jié)合自相關(guān)與偏自相關(guān)圖,考慮到模型的簡潔性和統(tǒng)一性,設(shè)置自相關(guān)階數(shù)和滯后階數(shù)為 1,即建立 ARIMA(1,1,1)模型。

        圖4 樂橋站一階差分客流誤差序列Figure 4 The first difference between residentials of Leqiao Station

        對ARIMA得到的15 min客流預(yù)測值和實際客流的殘差,采用Engle的拉格朗日乘子法對其ARCH效應(yīng)進行檢驗,各站點的p檢驗值結(jié)果如圖5所示。在總共93個地鐵站點中,75個地鐵站點能夠在0.1的顯著性水平下,拒絕殘差無異方差性的原假設(shè),即認(rèn)為該 75個地鐵站點具有顯著的 ARCH效應(yīng),可對其建立GARCH模型,預(yù)測得到每15 min客流量及其可靠性和一定置信區(qū)間的客流量范圍。

        圖5 ACRH效應(yīng)檢驗P值結(jié)果Figure 5 The p test values of ARCH effect

        GARCH模型的定階較為困難,多數(shù)研究認(rèn)為可直接選用 GARCH(1,1)模型。因此,筆者對 ARCH效應(yīng)顯著的站點建立ARIMA(1,1,1)-GARCH(1,1)模型,對節(jié)假日短時客流量進行預(yù)測,對ARCH效應(yīng)不顯著的站點僅建立ARIMA(1,1,1)均值模型。

        3.2 節(jié)假日短時客流預(yù)測結(jié)果分析

        根據(jù)上面ARCH效應(yīng)檢驗的結(jié)果,6個客流量較大的案例站點中,僅木瀆站的ARCH效應(yīng)不顯著,其余站點均可認(rèn)為具有顯著的ARCH效應(yīng)。6個站點的殘差時序如圖6所示。

        圖6 部分站點殘差時序Figure 6 Squared residential of predicted volume

        結(jié)合已獲得的2019年9月13日—9月15日中秋節(jié)基準(zhǔn)客流,對每一個站點構(gòu)建ARIMA或ARIMAGARCH模型,并假設(shè)其中εt符合高斯分布,將前兩天合計138個時間序列作為訓(xùn)練集,第三天69個時間序列作為測試集,通過建立模型對蘇州軌道網(wǎng)絡(luò)全站點進行預(yù)測。以客流量較大的樂橋站為例,該站點具有顯著的ARCH效應(yīng),因此建立的ARIMA-GARCH模型如下:

        式中:Xt為當(dāng)前預(yù)測值,在此模型中即為基于變化系數(shù)法得到的客流誤差的一階差分;at為殘差;為條件異方差。以部分站點為例,15 min客流量的結(jié)果如圖7所示。

        圖7 2019年中秋節(jié)結(jié)合基準(zhǔn)客流量的時間序列模型15 min預(yù)測與實際客流量的對比Figure 7 Short-term passenger flow forecast and actual passenger flow of some stations during Mid-Autumn Festival in 2019

        各站在一天中的預(yù)測誤差如表2所示。對比表1的客流量變化系數(shù)法的預(yù)測誤差可發(fā)現(xiàn),6個站點的預(yù)測精度得到了明顯提高。所有站點的平均百分比誤差為18.64%,大多數(shù)站點的短時客流量預(yù)測誤差可保持在15%~25%范圍內(nèi),各站點的變化系數(shù)法客流量預(yù)測誤差與結(jié)合基準(zhǔn)客流量的 ARIMA-GARCH模型客流量預(yù)測誤差的對比如圖8所示??梢园l(fā)現(xiàn),結(jié)合基準(zhǔn)客流量的 ARIMA-GARCH模型能夠在客流變化系數(shù)法的基礎(chǔ)上,對預(yù)測精度做進一步提升,且精度提升明顯。部分變化系數(shù)法預(yù)測誤差較大的站點的預(yù)測精度也提升顯著,如測試集的流虹路由63.90%提升至37.13%,蘇州灣北由102.39%提升至65.43%,說明筆者提出的節(jié)假日短時客流量預(yù)測模型達到了可接受的精度。

        圖8 2019年中秋節(jié)變化系數(shù)法與結(jié)合基準(zhǔn)客流量的時間序列模型的全天預(yù)測誤差對比Figure 8 Forecast error in the entire day of passenger flow and short-term passenger flow during Mid- Autumn Festival in 2019

        表2 2019年中秋節(jié)結(jié)合基準(zhǔn)客流量的時間序列模型全天客流量的預(yù)測誤差Table 2 Prediction errors of time series model combined with reference passenger flow during Mid-Autumn Festival in 2019

        4 結(jié)語

        筆者以城市軌道交通節(jié)假日客流預(yù)測為對象,構(gòu)建了 ARIMA-GARCH預(yù)測模型;以歷史客流量為基礎(chǔ),通過計算歷史客流量變化系數(shù),獲得當(dāng)前節(jié)假日預(yù)測基準(zhǔn)客流量;進一步采用ARIMA-GARCH模型,對每一時段實際客流量和基準(zhǔn)客流量的誤差進行預(yù)測,用來代替直接對每一時段客流量預(yù)測的方式,實現(xiàn)了以當(dāng)前客流為基礎(chǔ)對未來一定時期內(nèi)的節(jié)假日客流進行預(yù)測。采用蘇州軌道交通2018年中秋節(jié)及前后的客流量數(shù)據(jù)與2019年中秋節(jié)前一周的客流量數(shù)據(jù),對2019年中秋節(jié)進行短時客流量預(yù)測。結(jié)果表明,變化系數(shù)法得到的基準(zhǔn)客流量全站點平均預(yù)測誤差為35.26%,結(jié)合基準(zhǔn)客流量通過 ARIMA-GARCH模型能夠?qū)y試集的預(yù)測精度提升至18.64%,充分驗證了筆者提出的短時客流量預(yù)測方法能夠充分結(jié)合歷史客流量和現(xiàn)狀客流量,通過 ARIMA-GARCH模型,對變化系數(shù)法得到的基準(zhǔn)客流量預(yù)測精度做進一步提升,且精度提升明顯。該方法可以避免對軌道站點大范圍定性調(diào)查以及對歷史客流的識別分析,降低城市軌道交通節(jié)假日客流預(yù)測的工作量,具有一定的實踐意義和應(yīng)用價值。

        猜你喜歡
        客流量客流基準(zhǔn)
        客流增多
        基于嵌入式系統(tǒng)的商場客流量統(tǒng)計算法
        明基準(zhǔn)講方法??待R
        基于自學(xué)習(xí)補償?shù)氖覂?nèi)定位及在客流分析中的應(yīng)用
        基于AFC數(shù)據(jù)的城軌站間客流量分布預(yù)測
        人工免疫算法在電梯客流時段劃分的應(yīng)用
        滑落還是攀爬
        巧用基準(zhǔn)變換實現(xiàn)裝配檢測
        河南科技(2014年15期)2014-02-27 14:12:35
        Imagination率先展示全新Futuremark 3DMark OpenGL ES3.0基準(zhǔn)測試
        城市軌道交通運營客流數(shù)據(jù)分析缺陷及應(yīng)對
        无码夜色一区二区三区| 国产亚洲av另类一区二区三区| 中文字幕人妻熟女人妻| 国产成人精品av| 最新国产女主播福利在线观看| 精品国产污黄网站在线观看| 蜜桃av噜噜一区二区三区策驰| 国产男女猛烈无遮挡免费网站| 911国产精品| 国产后入内射在线观看| 国产乱精品女同自线免费| 无码国产69精品久久久久孕妇| 亚洲一二三区在线观看| 亚洲精品中文字幕尤物综合 | 国产免费人成视频在线播放播 | 国产精品亚洲专区在线播放| 国产精品丝袜美腿诱惑| 人禽杂交18禁网站免费| 国产乱色精品成人免费视频| 香蕉视频免费在线| 日本少妇又色又紧又爽又刺激 | 亚洲人成网址在线播放| 欧美国产高清| 国产三级精品三级在专区中文 | 久99久热只有精品国产男同| 丰满少妇高潮在线观看| 亚洲国产精品国自产拍久久蜜av| 亚洲国产精品综合久久网各| 欧美日韩亚洲成色二本道三区| 国产成人av一区二区三| 久久精品人人做人人爱爱| 国产肉体ⅹxxx137大胆| 超级少妇一区二区三区| 19款日产奇骏车怎么样| 国产一区二区波多野结衣| 亚洲色欲大片AAA无码| 亚洲av网一区二区三区成人| 国产专区一线二线三线码| 欧美亚州乳在线观看| 亚洲国产黄色在线观看| 伊人久久精品无码av一区|