城市轨道交通短时客流预测系统的设计与实现
这是一篇关于城市轨道交通,短时客流预测,FC-Transformer模型,前后端分离系统的论文, 主要内容为随着我国的人口密度越来越高,城市轨道交通的覆盖率、承载体量越来越大,出现了无客流的线路或乘客多但线路不足的问题。因此,准确评估客流并及时调整运营计划变得非常重要。由于过去计算机技术的发展还处于较低水平,研究所需的数据收集相对困难,有限的数据量直接影响了短时客流预测的准确性。随着信息技术的不断进步,智能交通应运而生,深度学习、数据挖掘等新技术与交通领域开始紧密结合。鉴于此,本文设计并实现了城市轨道交通短时客流预测系统,利用改进的Transformer算法实现了短时客流的准确预测,使运营管理人员能够根据预测结果及时调整运营方案,为轨道交通的平稳运行提供了保障,从而减轻交通负荷,实现乘客高效出行。在短时客流预测系统的开发过程中,作者参与了系统可行性分析、需求分析、概要设计、详细设计、编码实现、测试等全部设计实现环节。主要内容如下:(1)对所收集到的用户需求进行可行性分析和需求分析,明确了系统的功能性需求,并采用用例图对系统功能进行建模。(2)对系统进行概要设计,将系统分为历史客流统计模块、客流预测模块和系统管理模块,明确系统采用MVC(Model-View-Controller,模型-视图-控制器)的软件架构模式以及前后端分离的开发方式,以降低代码耦合性。使用Vue.js、Spring Boot、Py Torch等框架独立完成系统全部模块的开发工作。(3)在短时客流预测问题上,虽然原始Transformer模型的并行计算模式可以极大程度上提升计算效率,但预测准确度不高,无法为轨道交通运营人员提供有效辅助。针对上述问题,作者在客流预测模块的算法实现过程中提出了基于Transformer模型的FC-Transformer模型。与LSTM模型、原始Transformer模型相比,该模型在预测准确率上有较大提升。(4)按功能点设计测试用例,完成系统的功能性测试,并开展非功能性测试。目前,本系统已上线运行,基本满足轨道交通运营人员对客流预测的核心需求,为城市轨道交通调度提供了重要的决策依据。
基于AFC数据站点聚类分析及智能短时客流预测
这是一篇关于短时客流预测,自适应预测,自适应正弦干扰策略麻雀搜索算法,长短时记忆神经网络的论文, 主要内容为近几年,地铁已然成为各座城市交通工具的主流,日益成为城市居民出行的主要通行工具。短时客流预测是城市轨道交通大数据平台建设的一个重要步骤。对日常城市轨道交通短时间内的进出站客流量进行准确的预测,有助于提高地铁管理部门排班组织和运行效率,从而提高对因突发事件带来的大客流的应对能力。论文基于地铁自动售检票系统(Automatic Fare Collection System,AFC)数据对全网地铁站点开展研究,从站点属性特征分析角度等对客流量时间序列特征维度进行分析,建立了一套全网地铁车站站点客流自适应预测特征体系。主要研究内容如下:(1)针对当前地铁短时客流只能单一站点预测或者单一时间节点预测的缺陷,设计了一种数据预处理方法。并基于K-means聚类结合自适应长短时记忆神经网络模型,设计了时间序列预测方案,依据站点的特征维度进行站点聚类分类,使得开发的模型在同类簇数据中具有预测平移能力。(2)针对当前麻雀搜索算法存在的收敛速度过慢、寻优精度不高和最优解易陷入局部最优等问题,提出了一种基于自适应正弦干扰策略麻雀搜索算法(Adaptive Sinusoidal Disturbance Strategy Sparrow Search Algorithm,ASDSSA)及其详细的数学模型。首先,通过融合立方混沌映射和扰动补偿因子方法,提高了算法初始种群质量;其次.引入正弦干扰策略,更新已有的计算发现者位置的数学模型。仿真证明,正弦干扰策略提升了种群的信息交流能力和新提出算法的全域搜索性能。最后通过自适应柯西变异策略提升算法跳出局部最优解的能力。通过对8个基准测试函数、CEC2017测试函数以及Wilcoxon秩和检验的实验,仿真结果验证了自适应正弦干扰策略麻雀搜索算法的有效性。并基于所提出的自适应正弦干扰策略麻雀搜索算法,应用于客流时序预测模型长短时记忆(Long Short-Term Memory,LSTM)神经网络的隐藏层神经元个数、学习率以及迭代次数超参数的选取,构建ASDSSA-LSTM客流预测模型。(3)客流预测实例分析与验证。以福州某大学站点为例,通过仿真结果证明,ASDSSA-LSTM客流预测模型在统计指标MAPE、RMSE、MAE以及R2上误差最小,降低了分类站点数据的波动性和非周期性给模型带来的影响,并在该站点地铁客流工作日、非工作日及节假日数据集上进一步验证改进算法在实际工程中的有效性和可行性。
城市轨道交通短时客流预测系统的设计与实现
这是一篇关于城市轨道交通,短时客流预测,FC-Transformer模型,前后端分离系统的论文, 主要内容为随着我国的人口密度越来越高,城市轨道交通的覆盖率、承载体量越来越大,出现了无客流的线路或乘客多但线路不足的问题。因此,准确评估客流并及时调整运营计划变得非常重要。由于过去计算机技术的发展还处于较低水平,研究所需的数据收集相对困难,有限的数据量直接影响了短时客流预测的准确性。随着信息技术的不断进步,智能交通应运而生,深度学习、数据挖掘等新技术与交通领域开始紧密结合。鉴于此,本文设计并实现了城市轨道交通短时客流预测系统,利用改进的Transformer算法实现了短时客流的准确预测,使运营管理人员能够根据预测结果及时调整运营方案,为轨道交通的平稳运行提供了保障,从而减轻交通负荷,实现乘客高效出行。在短时客流预测系统的开发过程中,作者参与了系统可行性分析、需求分析、概要设计、详细设计、编码实现、测试等全部设计实现环节。主要内容如下:(1)对所收集到的用户需求进行可行性分析和需求分析,明确了系统的功能性需求,并采用用例图对系统功能进行建模。(2)对系统进行概要设计,将系统分为历史客流统计模块、客流预测模块和系统管理模块,明确系统采用MVC(Model-View-Controller,模型-视图-控制器)的软件架构模式以及前后端分离的开发方式,以降低代码耦合性。使用Vue.js、Spring Boot、Py Torch等框架独立完成系统全部模块的开发工作。(3)在短时客流预测问题上,虽然原始Transformer模型的并行计算模式可以极大程度上提升计算效率,但预测准确度不高,无法为轨道交通运营人员提供有效辅助。针对上述问题,作者在客流预测模块的算法实现过程中提出了基于Transformer模型的FC-Transformer模型。与LSTM模型、原始Transformer模型相比,该模型在预测准确率上有较大提升。(4)按功能点设计测试用例,完成系统的功能性测试,并开展非功能性测试。目前,本系统已上线运行,基本满足轨道交通运营人员对客流预测的核心需求,为城市轨道交通调度提供了重要的决策依据。
基于深度学习的城市轨道交通短时客流预测研究与系统实现
这是一篇关于短时客流预测,长短时记忆网络,改进粒子群算法,卷积神经网络,客流预测系统的论文, 主要内容为城市轨道交通短时客流预测是轨道交通运营企业制定行车和客运组织方案、应急保障预案等的重要决策依据,同时也是发展智慧运输服务、智慧乘客服务,建设数字化、智慧化城市轨道交通的重要组成部分,对助力轨道交通数字化转型,建设智慧轨道交通具有重要意义。论文以石家庄地铁短时客流为研究对象,在分析其线网客流时空分布特征的基础上,构建了基于改进粒子群算法优化长短时记忆网络的线路级短时客流预测模型和基于卷积神经网络的线网级短时客流预测模型,分别对轨道交通线路和线网各站点进行短时客流预测研究。在上述研究基础上,设计并实现了轨道交通短时客流预测系统。主要内容如下:(1)轨道交通客流特征分析。以石家庄地铁自动售检票系统原始交易数据为基础,进行数据初步预处理后,得到基础数据集。从不同日期、不同时段、不同站点等角度,分析石家庄地铁线网客流的时空分布特征。(2)基于IPSO-LSTM的轨道交通线路级短时客流预测。以长短时记忆神经网络为基础,建立轨道交通线路级短时客流预测模型。首先对标准粒子群算法中的惯性权重和学习因子进行了改进,然后利用改进的粒子群算法对LSTM神经网络进行参数寻优,建立了轨道交通线路级短时客流预测模型。与传统的SVM模型和基础LSTM模型相比,提高了预测精度。(3)基于CNN的轨道交通线网级短时客流预测。以卷积神经网络为基础,构建轨道交通线网级短时客流预测模型。首先,将客流数据处理为以时间为行、各站点客流量为列的二维矩阵,然后构建并训练不同深度结构的CNN神经网络模型进行精细化调参,得到模型最优结构和参数,完成模型构建,实现轨道交通线网全部站点短时客流的同步预测。(4)轨道交通短时客流预测系统。利用Python语言、MySQL数据库和Vue前端框架等工具,设计并实现了轨道交通短时客流预测系统。系统实现轨道交通线路和线网各站点的短时客流预测和客流数据统计分析等功能。
城市轨道交通短时客流预测系统的设计与实现
这是一篇关于城市轨道交通,短时客流预测,FC-Transformer模型,前后端分离系统的论文, 主要内容为随着我国的人口密度越来越高,城市轨道交通的覆盖率、承载体量越来越大,出现了无客流的线路或乘客多但线路不足的问题。因此,准确评估客流并及时调整运营计划变得非常重要。由于过去计算机技术的发展还处于较低水平,研究所需的数据收集相对困难,有限的数据量直接影响了短时客流预测的准确性。随着信息技术的不断进步,智能交通应运而生,深度学习、数据挖掘等新技术与交通领域开始紧密结合。鉴于此,本文设计并实现了城市轨道交通短时客流预测系统,利用改进的Transformer算法实现了短时客流的准确预测,使运营管理人员能够根据预测结果及时调整运营方案,为轨道交通的平稳运行提供了保障,从而减轻交通负荷,实现乘客高效出行。在短时客流预测系统的开发过程中,作者参与了系统可行性分析、需求分析、概要设计、详细设计、编码实现、测试等全部设计实现环节。主要内容如下:(1)对所收集到的用户需求进行可行性分析和需求分析,明确了系统的功能性需求,并采用用例图对系统功能进行建模。(2)对系统进行概要设计,将系统分为历史客流统计模块、客流预测模块和系统管理模块,明确系统采用MVC(Model-View-Controller,模型-视图-控制器)的软件架构模式以及前后端分离的开发方式,以降低代码耦合性。使用Vue.js、Spring Boot、Py Torch等框架独立完成系统全部模块的开发工作。(3)在短时客流预测问题上,虽然原始Transformer模型的并行计算模式可以极大程度上提升计算效率,但预测准确度不高,无法为轨道交通运营人员提供有效辅助。针对上述问题,作者在客流预测模块的算法实现过程中提出了基于Transformer模型的FC-Transformer模型。与LSTM模型、原始Transformer模型相比,该模型在预测准确率上有较大提升。(4)按功能点设计测试用例,完成系统的功能性测试,并开展非功能性测试。目前,本系统已上线运行,基本满足轨道交通运营人员对客流预测的核心需求,为城市轨道交通调度提供了重要的决策依据。
基于深度学习的城市轨道交通短时客流预测研究与系统实现
这是一篇关于短时客流预测,长短时记忆网络,改进粒子群算法,卷积神经网络,客流预测系统的论文, 主要内容为城市轨道交通短时客流预测是轨道交通运营企业制定行车和客运组织方案、应急保障预案等的重要决策依据,同时也是发展智慧运输服务、智慧乘客服务,建设数字化、智慧化城市轨道交通的重要组成部分,对助力轨道交通数字化转型,建设智慧轨道交通具有重要意义。论文以石家庄地铁短时客流为研究对象,在分析其线网客流时空分布特征的基础上,构建了基于改进粒子群算法优化长短时记忆网络的线路级短时客流预测模型和基于卷积神经网络的线网级短时客流预测模型,分别对轨道交通线路和线网各站点进行短时客流预测研究。在上述研究基础上,设计并实现了轨道交通短时客流预测系统。主要内容如下:(1)轨道交通客流特征分析。以石家庄地铁自动售检票系统原始交易数据为基础,进行数据初步预处理后,得到基础数据集。从不同日期、不同时段、不同站点等角度,分析石家庄地铁线网客流的时空分布特征。(2)基于IPSO-LSTM的轨道交通线路级短时客流预测。以长短时记忆神经网络为基础,建立轨道交通线路级短时客流预测模型。首先对标准粒子群算法中的惯性权重和学习因子进行了改进,然后利用改进的粒子群算法对LSTM神经网络进行参数寻优,建立了轨道交通线路级短时客流预测模型。与传统的SVM模型和基础LSTM模型相比,提高了预测精度。(3)基于CNN的轨道交通线网级短时客流预测。以卷积神经网络为基础,构建轨道交通线网级短时客流预测模型。首先,将客流数据处理为以时间为行、各站点客流量为列的二维矩阵,然后构建并训练不同深度结构的CNN神经网络模型进行精细化调参,得到模型最优结构和参数,完成模型构建,实现轨道交通线网全部站点短时客流的同步预测。(4)轨道交通短时客流预测系统。利用Python语言、MySQL数据库和Vue前端框架等工具,设计并实现了轨道交通短时客流预测系统。系统实现轨道交通线路和线网各站点的短时客流预测和客流数据统计分析等功能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/52358.html
