准确、可靠的短时客流预测对于城市轨道交通的运营管理至关重要,能为运营管理者提供优化决策的依据,从而改善乘客服务质量和提升交通运营效率。文章基于数据驱动的方法,对北京地铁连续5周25个工作日的自动售票系统(Automatic Fare Colle...准确、可靠的短时客流预测对于城市轨道交通的运营管理至关重要,能为运营管理者提供优化决策的依据,从而改善乘客服务质量和提升交通运营效率。文章基于数据驱动的方法,对北京地铁连续5周25个工作日的自动售票系统(Automatic Fare Collection,简称AFC)刷卡数据进行了详细的分析。通过对AFC数据的清洗和预处理,提取15 min时间粒度的进站客流时间序列并进行归一化处理。采用图卷积神经网络(Graph Convolutional Network,简称GCN)和二维卷积神经网络(Convolutional Neural Network,简称CNN)的组合模型对客流进行预测,模型输入为周模式、日模式、实时模式三个模式下的短时进站客流序列,综合考虑不同时间尺度上的客流变化。为验证模型的有效性和预测的精度,选用真实的北京地铁客流数据集进行实例分析,并运用均方根误差、决定系数、平均绝对误差、加权平均绝对百分误差等评估指标评估客流预测精度。结果表明,与传统的单一模型相比,GCN-CNN组合模型的准确性和精度均取得了显著的提高。展开更多
