基于AFC数据的大型活动期间城市轨道交通客流预测

王兴川; 姚恩建; 刘莎莎

doi:10.11860/j.issn.1673-0291.2018.01.013

PDF(1289 KB)

北京交通大学学报 ›› 2018, Vol. 42 ›› Issue (1) : 87. DOI: 10.11860/j.issn.1673-0291.2018.01.013

交通运输工程

基于AFC数据的大型活动期间城市轨道交通客流预测

作者信息 +

Urban rail transit passenger flow forecasting for large special event based on AFC data

Author information +

History +

摘要

准确预测大型活动期间城市轨道交通客流,是城市轨道交通管理与运营部门制定运输组织计划的重要依据,也是实现活动期间交通保障的关键.在分析大型活动期间城市轨道交通历史客流特征的基础上,针对活动期间的客流成分,分别构建活动客流与背景客流预测模型,以实现对未来大型活动期间城市轨道交通客流的预测.基于城市轨道交通自动检票系统(AFC)采集到的客流数据,分析大型活动期间的历史客流数据的变化规律,并依据其客流特征进行成分分解. 针对活动客流,构建基于小波分解与重构的GM-ARIMA客流预测模型,针对背景客流则采用ARIMA模型与底特律法进行预测. 基于广州地铁在2011—2014年广交会期间的历史AFC客流数据,对提出的方法进行验证.结果表明: 该方法能够捕捉大型活动期间的客流特征,并可实现对大型活动期间城市轨道交通客流的预测.

Abstract

Accurately forecasting the urban rail transit (URT) passenger flow during the large special event is the foundation of preparing transport organization plan for the URT management and operation department, and also the key to guarantee the passenger transportation during the event. Based on the analyses of the URT history passenger flow during the event,two forecasting models for the two passenger flow components (event-related and background passenger flow) are respectively proposed to realize the passenger flow forecasting. The characteristics of passenger flow is analyzed based on the data collected by Automated Fare Collection(AFC) system, and is decomposed into two components.A wavelet decomposed and reconstructed based GM-ARIMA forecasting model is proposed to forecast event-related passnger flow,and ARIMA model and Detroit method is used to forecast the background passenger flow. The proposed models are testified with the AFC data collected from Guangzhou Metro system from 2011 to 2014’s China Canton Fair. The results show that the proposed models could capture the characteristics of the passenger flow during the event, which has good forecasting performances.

导出引用

王兴川 , 姚恩建 , 刘莎莎. 基于AFC数据的大型活动期间城市轨道交通客流预测. 北京交通大学学报. 2018, 42(1): 87 https://doi.org/10.11860/j.issn.1673-0291.2018.01.013

Xingchuan WANG , Enjian YAO , Shasha LIU. Urban rail transit passenger flow forecasting for large special event based on AFC data. Journal of Beijing Jiaotong University. 2018, 42(1): 87 https://doi.org/10.11860/j.issn.1673-0291.2018.01.013

近年来,随着我国城市轨道交通的快速发展及大型活动举办的次数逐渐增加,城市轨道交通在大型活动期间承担的客流运输比重逐渐提高,大型活动的举办导致客流急剧增长,为城市轨道交通运营带来了巨大的压力.准确预测大型活动期间城市轨道交通客流的生成与分布规律,既是城市交通管理和运营部门制定交通管制措施、编制车辆开行方案的重要依据,也是大型活动安全顺利举办的重要保障.

目前,大多数研究均未对大型活动期间的城市轨道交通客流成分进行区分.文献[1]利用重力模型,结合各个交通小区经济状况、人口总量与活动场馆距离等因素,对“十运会”开幕式期间的客流进行了预测.文献[2]在历史社会经济调查数据和旅游统计数据的基础上,利用趋势外推法与重力模型预测了2010年世博会总人数与客流分布.文献[3]通过调查问卷收集了有关大型活动的社会经济与出行者特征数据,利用恩格尔系数法和改进的重力模型法分别得到了大型活动期间的交通分布预测.文献[4]对比了用于大型活动期间客流预测的经验确定法、基于经济指标的预测方法、重力模型法和非集计模型预测方法,并分别指出了各个模型的特点.文献[5]利用活动场馆分布、日程安排及上座率推导出了突发客流的计算方法,并结合消减后的日常客流计算出了活动期间的总客流.文献[6,7]参照历届奥运会客流分析的经验,采用类比分析的方法分别将2004年雅典奥运会与2008年北京奥运会的交通需求预测分为基本需求与奥运需求两部分进行研究.

综上所述,现有关于大型活动期间的客流预测,主要针对某种特定类型的活动调查数据构建统计模型,且多数基于趋势外推法、类比分析法等统计方法进行预测,缺少针对大型活动历史客流数据规律的深度挖掘与解析,导致模型适用性较差;很多方法针对总体客流进行分析而忽视不同客流成分之间的区别^[8],从而导致预测精度难以满足要求;此外,也有方法尝试对不同活动类别的客流成分进行分类计算,但该类方法需对活动场馆周边的土地利用性质、活动场馆容量及上座率等数据进行详细的调查^[9],耗费大量的人力物力,极大地提高了大型活动期间客流预测的难度并严重降低了预测结果的时效性.

因此,本文作者依托我国大部分城市轨道交通为自动检票系统采集得到的全网进出站及OD历史客流数据(即AFC数据),在分析大型活动期间城市轨道交通历史客流特征的基础上,提出活动期间不同客流成分的分解方法,并针对活动客流与背景客流分别构建预测模型,以实现对未来大型活动期间城市轨道交通客流的预测,并通过案例进行了验证.

1 活动客流与背景客流分析

受大型活动的影响,活动举办期间的客流变化规律往往与日常客流的变化规律存在一定的区别,为了准确分析大型活动期间不同类型客流的变化规律,本研究将大型活动期间的城市轨道交通客流分为与活动相关的客流(简称活动客流)及背景客流.活动客流是指在大型活动期间受到活动吸引(或排斥)而增加(或减少)的地铁客流,该部分客流只与大型活动相关,受大型活动的活动形式、场所及持续时间等因素的影响.背景客流则指大型活动期间城市轨道交通原有的常规客流,该部分客流没有受到大型活动的影响,其分布规律即为日常的城市轨道交通客流分布规律.

以广交会为例,作为我国规模最大的综合性国际贸易展会,广交会每年分春秋两季在广州举行,每届广交会历时21 d并分为3个各持续5 d的展期,且每个展期之间有3 d的换展期.图1为会展场馆邻近的新港东与琶洲两个城市轨道交通站点在活动期间的进站客流量、背景进站客流量(不受活动影响,可按照日常客流变化规律获得)及活动客流量(根据活动期间的进站客流量减去背景进站客流量计算得到)的变化情况.不同于背景客流,活动客流与活动安排、活动规模等因素的关系较为紧密,从而导致活动客流量不再呈现明显的以7 d为周期的周期性变化,而是出现了以5 d为周期的客流涨落规律,并且其最大活动客流量可以达到背景客流量的2~3倍.

图1 2014年日常客流与春季广交会活动期间进站客流量对比

Fig.1 Entrance passenger flow comparisons during normal and the event period in 2014

Full size|PPT slide

基于以上客流特征分析,大型活动期间的城市轨道交通客流与活动、背景客流间的关系如下

T = B + A (1)

式中:

T

为交通客流;

B

为背景客流;

A

为活动客流.

A 、 B

均可分解为进出站客流及OD客流两部分,活动进出站客流

A^{in / out}

与背景进出站客流

B^{in / out}

之和即为活动期间的进出站总客流,活动OD客流

A_{od}

与背景OD客流

B_{od}

之和为活动期间OD总客流.

2 背景客流预测模型

针对未来大型活动期间的背景客流量的预测可以转化成参考月份的月均进出站量与OD量的预测.通过查阅活动场馆的活动安排,选取活动前后没有大型活动举办、未发生其他重大事件且与日常客流规律较为相近的月份作为参考月份,并将参考月份中与大型活动第

k

天相同周天次序的月均日客流量作为历史背景客流量.本文分别选取春季与秋季广交会举办后一个月(6月与12月)作为参考月份,并将其每周7天各天的月均日客流量分别作为春秋两季广交会期间每天的历史背景客流量.

图2为杨箕站2011年1月至2014年6月剔除节假日及广交会等其他活动影响后的日均进站量,可以看出,该站进站量不仅具有长期趋势(进站量从2011年至2014年逐年增加),而且还有明显的周期性变化规律,2011年至2013年每年4月、7月及9月(2014年客流数据截至6月份)的进站客流均高于其前后月份的进站量.因此,大型活动期间的背景进出站客流是具有明显趋势性与周期性的时间序列数据,可选用ARIMA时间序列模型对未来大型活动期间的进出站客流进行预测.

图2 杨箕站2011年至2014年单月日均进站量

Fig.2 Monthly average entrance passengers of Yangji Station from 2011 to 2014

Full size|PPT slide

求和自回归移动平均(Autoregressive Integrated Moving Average,ARIMA)模型,多用于平稳序列或差分平稳序列,简记为ARIMA

(p, d, q)

,其中,

p

为自回归项,

d

为差分阶数,

q

为移动平均项数^[10].利用广州地铁2011年1月至2014年6月月均日进站客流对模型进行标定,则第

l

月的月均日进站客流

{x^{o}}_{l}

可依据其前一个月进站客流

{x^{o}}_{l - 1}

、一年前进站客流

{x^{o}}_{l - 12}

及前13个月的进站客流

{x^{o}}_{l - 13}

进行预测,即

\begin{array}{l} {x^{o}}_{l} = {x^{o}}_{l - 12} - 0.85 {x^{o}}_{l - 1} + 0.85 {x^{o}}_{l - 13} + \\ ε_{l} + 0.189 ε_{l} + 2430 (2) \end{array}

式中:

{ε_{l}}

为零均值白噪声序列.

另外,从图1还可以看出,活动期间背景进出站客流存在着以7天为周期的变化规律,故不能直接采用月均日进出站客流作为背景进出站客流.因此利用背景进站客流周变化系数

η_{t} (t = 1, \dots, 7),

即周一至周日7天每日日均进站客流与该月月均日进站客流的比值,乘以预测得到的第

l

月的月均日进站客流

{x^{o}}_{l}

作为大型活动期间每天的背景进站客流

{x^{o}}_{l, t}

,如下

B^{in} = {x^{o}}_{l, t} = η_{t} \cdot {x^{o}}_{l} (3)

以杨箕站为例,基于历史数据计算得到不同天数对应的

η_{t}

如下: 周一为0.998 8,周二为0.988 2,周三为0.994 6,周四为0.987 4,周五为1.065 8, 周六为0.794 3, 周日为0.719 4.

基于相同的预测方法,可以得到线网所有站点

{B^{i}}_{s}

的预测值.针对活动期间的背景OD客流量,可采用底特律法进行预测.假定站点间OD量增长系数与O站进站客流增长系数和D站出站客流量增长系数之积成正比,与出行生成量的增长系数成反比,并通过反复迭代使出行生成系数与出行吸引系数满足给定的误差要求(一般取3%),从而对各OD对间的背景客流

{\bar{od}}_{m, j}

(即

B_{od}

)进行预测.

3 活动客流预测模型

广交会的举办地点邻近的城市轨道交通站点有八号线新港东站、琶洲站、磨碟沙站和万盛围站,站点1 km吸引范围内与活动场馆有重叠区域的站点只有新港东与琶洲两个站点^[11,12,13].另外,从历史AFC数据来看,新港东站与琶洲站广交会举办前后客流变化也比另外两个站点大(图3).因此,将这两个站点作为受活动直接影响的站点,线网其他站点作为未受活动直接影响站点.

图3 活动场馆周边站点总客流变化

Fig.3 Passenger flow variations of stations around the event venues

Full size|PPT slide

大型活动期间第

k

天从站点m到站点

j (j \neq m)

的历史活动OD客流量Δ

o d_{m, j}^{k}

,可用大型活动期间第

k

天从站点

m

到站点

j

的OD客流总量

o d_{m, j}^{k}

减去站点m到站点j的背景OD客流量

{\bar{od}}_{m, j}

计算得出

Δ o d_{m, j}^{k} = o d_{m, j}^{k} - {\bar{od}}_{m, j} (4)

将求得的活动OD客流量相加,即可得到大型活动第k天站点m的进(出)站活动客流量为

\begin{array}{l} O_{m}^{k} = \sum_{j \in n} Δ o d_{m, j}^{k} (5) \\ D_{m}^{k} = \sum_{j \in n} Δ o d_{j, m}^{k} (6) \end{array}

如图4所示,2011年至2014年每届广交会(共8次)期间活动客流都呈现出前期客流量大后期客流逐渐减少的特点.考虑到大型活动期间的客流既有一般的趋势性规律又存在难以预见的随机因素.因此,本研究引入小波变换,将大型活动期间的城市轨道交通活动客流时间序列数据在不同的尺度上进行分解,得到低频近似信号和高频细节信号,并将分解得到的信号在各尺度上分别进行单支重构.对于重构后的低频近似信号,由于其更接近于原始数据的基本变化趋势,故选用GM(1,1)模型进行预测;对于重构后的各尺度细节信号,其中包含了历年大型活动期间各种不确定性随机因素,利用ARIMA模型进行预测.最后将所有单支重构数据的预测值在同一尺度下进行叠加,即为大型活动期间活动客流量的预测值.

图4 2011—2014年广交会期间新港东站与琶洲站进站活动客流

Fig.4 Entrance passenger flows of Xingangdong and Pazhou station during the event from 2011 to 2014

Full size|PPT slide

3.1 进出站客流

3.1.1 小波分解与重构

当利用小波变换对大型活动期间活动客流数据进行分解时,其实质是将一个包括多组信息的综合活动客流信号分解到不同的信息子空间上,得到不同分辨率下不相关的多个时间序列客流信号.对分解得到的近似信号和细节信号利用Mallat塔式算法进行重构,即可得到原始信号的重构近似信号与各尺度下的重构细节信号^[14,15].

通过对2011年至2014年前7次广交会期间历史AFC数据的整理与分析,选用db10作为小波基函数对活动客流数据进行2层分解与重构,分别得到其近似信号与细节信号.图5为2011年春季广交会至2014年秋季广交会第3天的小波分解与重构结果,其中,图5(a)为分解后的第2层近似信号系数和第1、2层细节信号系数,图5(b)为对应的各层近似信号与细节信号单支重构后的曲线.根据图5(b)中第2层近似信号的重构结果均为正值且具有较为平稳的趋势,可以采用GM(1,1)模型进行预测;第1层与第2层细节信号的重构结果可以看成平稳时间序列,因此分别采用ARIMA模型进行预测,其预测方法与背景进出站客流的预测方法相同.

图5 广交会第3日新港东站进站客流量小波分解与重构结果

Fig.5 Wavelet decomposition and reconstruction results of entrance passengers flow on the 3rd day of the event in Xingangdong station

Full size|PPT slide

3.1.2 GM(1,1)灰色预测模型

灰色预测模型能够充分利用已知数据的信息规律,具有预测精度较高的特点^[16].对2011年至2014年历次广交会第

k

天的活动客流序列

{\tilde{O}}_{m, GM}^{k}^{(0)}

做一次累加得到序列为

{\tilde{O}}_{m, GM}^{k}^{(1)}

,并将GM(1,1)模型微分方程离散化,得到

Δ^{(1)} {\tilde{(O}}_{m, GM}^{k}^{(1)} (i + 1)) + a Z^{(1)} (i + 1) = u (7)

式中:

Δ^{(1)} ({\tilde{O}}_{m, GM}^{k}^{(1)} (i + 1))

为

{\tilde{O}}_{m, GM}^{k}^{(1)}

在

(i + 1)

次活动的累减生成数列;

a, u

为待定参数,

a

称作发展系数,

u

称作灰作用量;

Z^{(1)} (i + 1)

为

(i + 1)

次活动的背景值,将其带入离散化方程,求出其离散解并得出活动客流预测值,即

\begin{array}{l} {\overset{\land}{O}}_{m, GM}^{k}^{(0)} (i + 1) = \\ {\overset{\land}{O}}_{m, GM}^{k}^{(1)} (i + 1) - {\overset{\land}{O}}_{m, GM}^{k}^{(1)} (i) = \\ (1 - e^{- \overset{\land}{a}}) [{\dot{O}}_{m, GM}^{k}^{(1)} (1) - \frac{\dot{u}}{\overset{\land}{a}}] e^{- \overset{\land}{a} i} (8) \end{array}

将基于GM(1,1)模型预测得出的活动客流数据

{\overset{\land}{O}}_{m, GM}^{k}

以及ARIMA模型预测得出的活动客流数据

{\overset{\land}{O}}_{m, A}^{k}

进行叠加,即为大型活动期间站点

m

第

k

天的活动进站客流预测值

{\overset{\land}{O}}_{m}^{k}

,如下

{\overset{\land}{O}}_{m}^{k} = {\overset{\land}{O}}_{m, GM}^{k} + {\overset{\land}{O}}_{m, A}^{k} (9)

考虑预测年份活动规模可能会受人为因素影响而减少,故用预测到的进站活动客流乘以活动第

k

天的折减系数

θ_{k}

来表征活动进站客流

O_{m}^{k}

的变化,即

A^{in} = O_{m}^{k} = θ_{k} {\overset{\land}{O}}_{m}^{k} (10)

3.2 OD客流

通过分析历史AFC数据,可以看出2011年春季至2014年春季前7次的广交会期间的各个站点与受活动直接影响的站点间的活动OD客流量占进出站量的比例较为稳定,如图6所示.

图6 广交会期间的OD量变化系数

Fig.6 OD variation coefficients during Canton Fair

Full size|PPT slide

则历年活动期间活动OD客流量变化系数为各OD对间的活动OD客流量与活动OD客流量总量的比值的均值,具体计算方法为

\begin{array}{l} φ_{i, j}^{k} = \frac{Δ o d_{i, j}^{k}}{msubsup Δ o d_{i, j}^{k}} (11) \\ {\bar{φ}}_{j}^{k} = \frac{1}{q} \overset{q}{\sum_{i = 1}} φ_{i, j}^{k} (12) \end{array}

式中:

φ_{i, j}^{k}

为第

i 次活动期间第 k 天第 j

个D站的活动OD客流量变化系数;

{\overset{̅}{φ}}_{j}^{k}

为活动期间第

k 天第 j

个D站的每日活动客流量变化系数均值;

Δ o d_{i, j}^{k}

为第i次活动第k天以受活动直接影响站点为O站、

j

站为D站的活动期间活动客流量;i=1,2,…,7;q=7;

k = 1,2, \dots, 15

;

j = 1,2, \dots, 136

未来大型活动期间第

k

天以受活动直接影响站点为O站、

j

站为D站的活动OD客流量

o d_{j}^{k}

可用下式进行计算

A_{od} = o d_{j}^{k} = {\overset{̅}{φ}}_{j}^{k} O_{m}^{k} (13)

4 模型验证

本研究采用2011年春季至2014年春季广交会AFC客流数据,对2014年秋季广交会期间的实际客流数据进行预测.由于春季广交会第3期与五一假期重合,因此本文中对历年春秋季广交会前十天(不包括换展期)的进出站活动客流量进行预测.将各个分支预测得到的背景进(出)站客流

{x^{o}}_{i, l, t}

(

{x^{d}}_{j, l, t}

)、背景OD客流、活动进出站量客流

O_{m}^{k}

、活动OD客流

o d_{j}^{k}

利用式(1)进行叠加,即可求出大型活动期间的进出站客流量与OD客流量.

针对受活动直接影响的站点,选取活动期间每天的预测值与实际值之间的绝对百分比误差(Absolute Percentage Error,APE)对两种模型的预测精度进行对比,误差计算方法如下

AP E_{} = |\frac{O_{m}^{k} - O'_{m}^{k}}{O'_{m}^{k}}| \times 100 % (14)

式中:

O'_{m}^{k}

是大型活动期间站点m第k天进站客流实际值,计算结果如表1与图7所示.

表1 广交会期间进站客流量预测误差

Tab.1 Forecasting errors of entrance passenger flow during canton fair %

天数	新港东站		琶洲站
天数	活动客流	总客流	活动客流	总客流
1	1.42	2.63	2.19	3.56
2	2.71	1.27	3.80	1.10
3	0.03	3.26	0.46	0.69
4	8.68	7.48	—	—
5	0.16	0.02	6.89	6.09
6	2.78	6.39	2.86	0.33
7	4.05	1.72	0.96	1.48
8	9.94	8.16	—	—
9	7.64	5.98	6.87	6.95
10	6.27	0.12	1.99	0.08
平均值	4.37	3.70	3.25	2.53

图7 大型活动期间OD活动客流量对比

Fig.7 Comparisons of OD passenger flow during large special event

Full size|PPT slide

基于小波分解与重构的GM-ARIMA模型活动客流平均预测误差分别为4.37%与3.25%,其中新港东站第1、2、3、5天与琶洲站第3、7、10天活动客流的预测误差均小于3%.活动期间总客流方面,活动客流与背景客流叠加后,新港东站与琶洲站客流预测误差进一步减少为3.70%与2.53%,且新港东站与琶洲站活动期间每天的预测误差也有所降低,验证基于小波分解与重构的GM-ARIMA模型预测效果较好.

以新港东站到广州地铁5号线各个站点为例,基于式(11)~式(13)计算得出的受活动直接影响站点与5号线各站间的OD活动客流.由于广州地铁网络中存在站点之间的OD量较小的情况,采用APE方法检验模型精度会导致OD量较小的站点之间的预测值误差较大,无法验证真正的预测效果.因此,针对OD客流采用平均绝对误差值(Mean Absolute Error,MAE)检验模型精度.结果表明,5号线全线的OD客流预测误差为16.8人次.从图7(b)的散点图中可以看出,新港东站至全网各个站点的OD客流预测值与实际值均分布在45度线附近,验证了大型活动期间的OD活动客流预测模型也具有较高的预测精度.

5 结论

1)基于客流分析提出了大型活动期间活动客流与背景客流的分解方法.针对活动客流本文采用了基于小波分解与重构的GM-ARIMA预测模型,以捕捉大型活动期间既有一般的趋势性规律又有难以预见的随机性因素的特点.

2)构建了ARIMA时间序列预测模型及增长系数法模型,以拟合背景客流的趋势性与周期性变化特征.

3)结合2011年至2014年共8次广交会期间及前后的AFC客流数据对所提出的方法进行了验证,结果表明:本文提出的基于小波分解与重构的GM-ARIMA模型对新港东与琶洲两个站点的平均预测误差均小于5%,说明本文方法能够有效地对大型活动期间城市轨道交通客流进行预测,并能够兼顾不同客流成分的基本变化趋势及大型活动期间随机性因素带来的影响.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	崔洪军. 大型活动交通组织管理关键技术研究[D].南京:东南大学,2006. CUI Hongjun.Study on the key technology of traffic management under large special events[D]. Nanjing: Southeast University, 2006. (in Chinese) 本文引用 [1]

[2]	孙剑,李克平,杨晓光. 2010年上海世博会交通需求预测研究[J]. 交通与运输,2005(2): 1-3. SUN Jian,LI Keping,YANG Xiaoguang. Shanghai transportation demand forecast of the EXPO 2010[J].Traffic &Transportation, 2005(2): 1-3. (in Chinese) 本文引用 [1]

[3]	赵跃萍. 大型活动事件下的城市交通需求预测方法研究[D].武汉:武汉理工大学,2008. ZHAO Yueping.Urban traffic demand forecast research during large special event[D]. Wuhan: Wuhan University of Technology, 2008. (in Chinese) 本文引用 [1]

[4]	陈茜. 大型活动交通流时空消散模型研究[D]. 南京:东南大学, 2005. CHEN Qian.Research of traffic dissipation model during special events[D]. Nanjing: Southeast University, 2005. (in Chinese) 本文引用 [1]

[5]	王祎南. 突发特大客流城市轨道交通运营组织研究[D].北京:北京交通大学,2008. WANG Yinan.Study onoperation organization of urban rail transit system under outburst mass passenger flow[D]. Beijing: Beijing Jiaotong University, 2008. (in Chinese) 本文引用 [1]

[6]	FRANTZESKAKIS J M, FRANTZESKAKIS M J.Athens 2004 Olympic Games: transportation planning, simulation and traffic management[J]. ITE Journal, 2006, 76(10):26-32. 本文引用 [1]

[7]	LI C Y,SUN S Y,GUO J F.Travel demand model for Beijing 2008 Olympic Games[J]. Journal of Transportation Engineering,2010,136(6):537-544. 本文引用 [1]

[8]	CURRIE G, DELBOSC A.Assessing travel demand management for the Summer Olympic Games[J]. Transportation Research Record: Journal of the Transportation Research Board, 2011, 2: 36-48. 本文引用 [1]

[9]	KUPPAM A, COPPERMAN R, ROSSI T, et al.Innovative methods for collecting data and for modeling travel related to special events[J]. Transportation Research Record: Journal of the Transportation Research Board, 2011: 24-31. 本文引用 [1]

[10]	王燕. 应用时间序列分析[M]. 北京:中国人民大学出版社, 2012. WANG Yan.Appliedtime series analysis[M].Beijing: China Renmin University Press, 2012. (in Chinese) 本文引用 [1]

[11]	陆建, 崔洪军, 潘建芳. 大型活动交通研究范围确定方法[J]. 武汉理工大学学报(交通科学与工程版), 2009, 33(3):422-425. LU Jian, CUI Hongjun, PAN Jianfang.Traffic research area delimitating method of large activities[J].Journal of Wuhan University of Technology(Transportation Science& Engineering), 2009,33(3): 422-425. (in Chinese) 本文引用 [1]

[12]	杨京帅,张殿业. 城市轨道交通车站合理吸引范围研究[J].中国铁路,2008(3): 72-75. YANG Jingshuai, ZHANG Dianye.Research of appropriate attracting area of urban transit station[J]. Chinese Railways, 2008(3): 72-75. (in Chinese) 本文引用 [1]

[13]	李向楠. 城市轨道交通站点吸引范围研究[D].成都:西南交通大学, 2013. LI Xiangnan.Research on attracting area of urban rail transit station[D]. Chengdu: Southwest Jiaotong University, 2013. (in Chinese) 本文引用 [1]

[14]	贺国光,马寿峰,李宇. 基于小波分解与重构的交通流短时预测法[J]. 系统工程理论与实践,2002,22(9):101-106. HE Guoguang, MA Shoufeng, LI Yu.Study on the short-term forecasting for traffic flow based on wavelet analysis[J]. Systems Engineering Theory & Practice, 2002,22(9):101-106. (in Chinese) 本文引用 [1]

[15]	侯遵泽,杨文采. 小波多尺度分析应用[M]. 北京:科学出版社, 2012. HOU Zunze, YANG Wencai.Wavelet multiscale analysis and application[M]. Beijing: Science Press, 2012. (in Chinese) 本文引用 [1]

[16]	肖新平,毛树华. 灰预测与决策方法[M]. 北京:科学出版社, 2013. XIAO Xinping, MAO Shuhua.Grey forecast and decision method[M]. Beijing: Science Press, 2013. (in Chinese) 本文引用 [1]

脚注

The authors have declared that no competing interests exist.

基金

北京市自然科学基金(8171003)

PDF(1289 KB)

2834

Accesses

Citation

Detail

段落导航

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 活动客流与背景客流分析

图1 2014年日常客流与春季广交会活动期间进站客流量对比

2 背景客流预测模型

图2 杨箕站2011年至2014年单月日均进站量

3 活动客流预测模型

图3 活动场馆周边站点总客流变化

图4 2011—2014年广交会期间新港东站与琶洲站进站活动客流

3.1 进出站客流

图5 广交会第3日新港东站进站客流量小波分解与重构结果

3.2 OD客流

图6 广交会期间的OD量变化系数

4 模型验证

表1 广交会期间进站客流量预测误差

图7 大型活动期间OD活动客流量对比

5 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

脚注

{{custom_fnGroup.title_cn}}

脚注

基金

Published
2018-02-28
Issue Date
2018-04-03

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

引用本文

1 活动客流与背景客流分析

图1 2014年日常客流与春季广交会活动期间进站客流量对比

2 背景客流预测模型

图2 杨箕站2011年至2014年单月日均进站量

3 活动客流预测模型

图3 活动场馆周边站点总客流变化

图4 2011—2014年广交会期间新港东站与琶洲站进站活动客流

3.1 进出站客流

图5 广交会第3日新港东站进站客流量小波分解与重构结果

3.2 OD客流

图6 广交会期间的OD量变化系数

4 模型验证

表1 广交会期间进站客流量预测误差

图7 大型活动期间OD活动客流量对比

5 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

脚注

{{custom_fnGroup.title_cn}}

脚注

基金