首页> 中文学位 >城轨交通客流高峰事件持续时间预测
【6h】

城轨交通客流高峰事件持续时间预测

代理获取

目录

声明

摘要

表目录

图目录

第1章 绪论

1.1 问题提出背景

1.2 研究意义

1.3 研究范围

1.3.1 研究目标

1.3.2 研究内容

1.4 技术路线

1.4.1 技术路线描述

1.4.2 技术路线图

1.4.3 论文章节安排

1.5 本章小结

第2章 文献综述

2.1 概述

2.2 持续时间分布规律

2.3 持续时间预测研究方法

2.3.1 回归分析

2.3.2 生存分析

2.3.3 分类法

2.3.4 模糊逻辑模型

2.4 本章小结

第3章 数据描述及预处理

3.1 数据描述

3.1.1 数据选择

3.1.2 客流高峰持续时间影响因素

3.2 数据预处理

3.2.1 原始交易记录统计

3.2.2 数据检验

3.2.3 缺失估计

3.3 本章小结

第4章 客流高峰辨识方法及初步分析

4.1 客流高峰持续时间的内容

4.2 客流高峰辨识方法

4.2.1 客流高峰状态临界值选取

4.2.2 客流高峰持续时间确定方法

4.3 持续时间数据提取及整理

4.4 汇整数据基本特性分析

4.4.1 持续时间分布特性

4.4.2 特征因素影响分析

4.5 本章小结

第5章 客流高峰持续时间预测

5.1 概述

5.2 持续时间模型背景知识概述

5.2.1 决策树算法

5.2.2 基于风险的持续时间模型

5.3 客流高峰持续时间预测模型构建

5.3.1 模型变量设置

5.3.2 客流高峰事件分类树构建

5.3.3 基于风险的持续时间模型构建

5.3.4 模型参数估计

5.4 结果分析及模型性能评价

5.4.1 模型敏感性分析

5.4.2 模型性能评价及对比

5.5 本章小结

第6章 基于最小损失的预测值修正

6.1 概述

6.2 最小风险决策原理

6.3 持续时间预测基本修正方法

6.4 预测模型结果修正

6.4.1 模型预测结果修正

6.4.2 修正方法有效性验证

6.5 本章小结

第7章 结论与展望

7.1 研究成果总结

7.2 展望

致谢

参考文献

科研经历与硕士期间发表论文情况

展开▼

摘要

客流高峰的管理作为城市轨道交通运营管理的一个重要组成部分。针对现有客流高峰管理决策支持数据在准确性、有效性、实时性方面的不足,本文以城市轨道交通运营历史交易记录数据及收集的客流高峰特征数据为基础,重点研究城市轨道交通客流高峰持续时间的内在规律性及预测模型。
  在城市轨道交通客流高峰持续时间预测模型构建方面,本文选择以决策树与生存分析理论相结合的方法,采用卡方自动交互检测(CHAID)算法建立了一个分类树将客流高峰事件划分为工作日早高峰、工作日非早高峰、非工作日三个子类型,并根据赤池信息量准则(AIC)为三个子类选择Logistic、Weibull、Weibull分布分别构建了基于风险的持续时间预测模型;此外,通过借鉴贝叶斯分类器中基于最小风险决策规则的思想,本文还提出了一种基于最小损失风险的修正方法对持续时间预测模型的预测结果修正。
  本文所构建基于“分类树+风险”的持续时间预测模型的评价结果表明:对工作日早高峰时段和工作日非早高峰时段子类客流高峰事件的持续时间预测结果非常可靠准确,但周末/节假日子类的预测效果不尽人意;就整体模型的预测性能而言,根据平均绝对百分比误差(MAPE)评价显示模型性能优越,且比基于单一生存分析的预测模型有较大幅度的提升。而修正方法检验结果表明,相比传统的预测方法该方法可以一定程度上减少由预测误差造成的损失。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号