歡迎來到第一物流網

                              關注掌鏈公眾號

                              洞悉物流供應鏈

                              當前位置: 首頁 > 人才培訓 > 院校 >
                              城市軌道交通短時交通流預測研究
                              來源:北京聯合大學城市軌道交通與物流學院,北京,100101    作者: 閱讀:220732 日期:2020-12-23
                              摘要:在分析城市軌道交通客流運載情況的基礎上,提出了一種基于深度學習的短時交通流預測方法,對北京地鐵不同時段的客流量進行了預測,以期根據預測結果對應急救援站點資源配置方案進行有效設計與優化。
                              1.引言
                              近年來,我國人口與經濟不斷增長,城市化進程也快速發展,隨著城市規模的不斷擴大,社會經濟活動的日益頻繁,居民交通出行量由此被帶動并大幅擴增。對此,優先發展公共交通成為有效緩解一系列城市交通問題的關鍵措施之一,城市軌道交通作為一種資源節約型和環境友好型的綠色交通工具得到大幅發展。以其容量大、速度快、安全可靠、準點舒適、節能環保等特點和優點成為城市居民出行時的首選公共交通方式。
                              目前,隨著城市交通的日益擁擠,全國很多城市都在建設城市軌道交通。進入新世紀,尤其是2008年以后,我國通過擴大內需,促進經濟平穩增長的一攬子計劃,帶動了國內基礎設施建設的發展,加快了城市軌道交通建設。上海、北京、廣州等城市的軌道交通路線已經形成了初步的網絡,并且在逐步擴大。
                              在充分借鑒國內外先進經驗的基礎上,通過理論分析、現場調研,詳細分析城市軌道交通客流的運載情況,有效把握客流規律,對短時交通客流進行預測,從而可以分析歸納應急救援站設置與應急資源配備的影響因素。在保障地鐵突發事件應急救援有效性的基礎上,有效減少地鐵突發事件的財產損失和人員傷亡,大大提高地鐵突發事件發生后的應急救援效率,進一步提高城市軌道交通預防和處理各種突發事件的能力,提升城市軌道交通應急救援與管理水平。
                              2.研究現狀
                              國內關于應急資源配備的研究可以分為需求點配備和服務設施點配備兩類。關于需求點的應急資源配備,主要是向突發事件發生地點輸送和配置其需要的應急物資。針對多受災點應急資源配置過程中出現的分配不均和資源競爭問題,王蘇生和王巖[1]給出了一種以雙層決策方法為基礎的多受災點應急資源配置模型。該資源配備理論依據應急出救就近原則,運用多受災點多出救點動態優選策略,從而快速求取雙層應急資源配置模型的全局最優解。對應急服務設施點進行資源配備,就是決策其應急資源存儲量、補給量及管理標準等,從而能夠滿足其服務范圍內應急服務需求點所需要的資源數量和配送要求。陳樹群等人[2]建構了應急系統模型,該模型以GIS為核心,主要應用于城市的突發性地質災害等事件的應急輔助決策,模型通過對災害現場以及救助機構的實時動態監視與控制進行救災資源實時的調度和配置,進而來提高應急救援效率以及響應速度。
                              由以上分析可以看出,國內應急資源配備的研究針對需求點資源配送的較多,而關于應急服務設施點應急資源儲備與管理的很少,尤其是應急服務設施點選址后,對各服務點應急資源配備、存儲、補給的統一標準與分級標準至今幾乎沒有明確規定和要求。
                              在國外,Shetty等人[3]在博弈論的基礎上建立了多應急點的資源配置模型,運用Nash均衡對模型中每種事故對應的資源配置方案進行優化求解,其中約束條件包括資源的可得到性、突發事件的嚴重程度和所需資源的數量等因素,該模型旨在縮短應急事故的應急響應時間,以最大程度的減少事故所帶來的損失,但它僅適用與在同時發生多個中低級事故的情況,并且它要求應急救援資源必須安置在相同且固定的區域。
                              3短時地鐵客流預測
                              地鐵客流預測是指在t時刻對下一決策時刻t+△t甚至以后更長時間段的地鐵客流進行預測,通常認為,t到t+△t之間的預測時間跨度不超過30min(甚至小于5min)的地鐵客流預測為短時地鐵客流預測。
                              3.1基于LSTM的短時交通流預測模型
                              LSTM(Long Short-Term Memory)屬于循環神經網絡RNN的一種,其加入了時間序列屬性,對于短時交通流量隨時間的變化能進行深層次的訓練及特征提取,屬于機器學習中的深度學習范疇。為了更好的構建基于LSTM的短時交通流預測模型,在此之前先進行神經網絡模型基礎介紹及模型構建。
                              基于LSTM的短時交通流預測模型,其具體處理步驟如下:
                              (1)首先對短時交通流數據進行預處理,對錯誤數據或缺失數據進行修正,得到有效的短時交通流量歷史序列數據。
                              (2)對原始的短時交通流量歷史數據進行歸一化操作,得到范圍在[0,1]之間的新數據。根據歸一化數據,確定t時刻的前4個時刻的短時交通流量數據作為輸入特征,形成4維的輸入向量。
                              (3)確定模型結構及參數,設置超參數,主要包括每層的節點數、激勵函數、學習率、目標函數、優化函數、批處理數量、迭代次數等。
                              (4)初始化權值矩陣,本文采用隨機數設置。
                              (5)將短時交通流量數據輸入到輸入層,根據激活函數,得到輸入層輸出結果。
                              (6)將步驟(5)的結果與上一時刻隱含層輸出結果及上一時刻Cell狀態值一起輸入到此時刻的隱含層,經過三個控制門后,輸出第一個隱含層結果。
                              (7)將第二個隱含層最終結果經輸出層后,得到最終此時刻的短時交通流量預測值。
                              (8)根據預測值與實際值計算MSE,作為誤差目標函數。
                              (9)根據誤差信號更新各層連接權值,直到達到期望誤差或最大迭代次數后,停止訓練。
                              (10)根據訓練所得的誤差最小的模型,得到此時刻的短時交通流量預測值。該值為歸一化數據,再使用反歸一化得到與原始數據量級相同的預測值,其為最終預測值。
                              3.2短時交通流量數據分析
                              針對應急物資的多資源調度問題,建立應急時間和運輸成本最低的多目標優化模型,并采用鄰域重疊和慣性因子線性變化等方法,提出全局和局部混合模式的改進的粒子群算法對其進行了求解,并取得較好的運算結果。
                              原始數據是2019年7月北京地鐵AFC數據,首先以五分鐘為時間間隔,統計0:0:00到23:00:00的進站客流量數據,然后將客流量數據轉變成以時間為橫坐標、車站客流為縱坐標的二維數據。篩選05:00:00到23:00:00時間段內客流量數據,以五分鐘為間隔統計13號線不同站的客流量數據,對原始數據進行歸一化處理,劃分訓練集和測試集。應用LSTM對數據進行處理后,工作日和雙休日各站客流量分布如圖1和圖2。

                              由圖1和圖2可知,雙休日由于進站客流較分散,工作日存在進站客流早晚高峰期。
                              4.結論
                              在方案設計和優化的過程中,通過建立基于LSTM的短時交通流預測模型,對北京地鐵不同時段的客流量進行了預測,后續會根據預測結果對應急救援站點資源配置方案進行有效設計與優化。
                              (本文得到北京聯合大學2020年“啟明星”大學生科技創新創業項目(202011417SJ032)、北京聯合大學2019年度校級科研項目(ZK50201908)資助)
                              參考文獻
                              [1]王蘇生與王巖.基于公平優先原則的多受火點應急資源配置算法[J],運籌與管理.2008(3):第16-21頁.
                              [2]陳樹群,陳聯光,張錦家,等,臺灣土石流危險區疏散避難規劃[A].第三屆海峽兩岸山地災害與環境保育學術研討會,2002.
                              [3]Rashmi S.Shetty.An event environment[D].Tampa Bay:single game solution for resource allocation in a multi—crisis University of South Florida.2004.

                              国产成人影院一区二区三区 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>

                              ? 2021 CN156.com Interactive. All rights reserved. 北京掌鏈傳媒科技有限公司 版權所有.
                              郵箱:cn156@188.com 《第一物流網》版權所有,未經合法授權禁止復制、不得轉載或建立鏡像。
                              中華人民共和國工業和信息化部備案:京ICP備18029850號-3

                              <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>