基于深度学习模型的城市轨道交通短时客流预测方法研究

声明

致谢

1 绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 参数预测模型

1.2.2 非参数预测模型

1.2.3 组合预测模型

1.2.4 考虑时空关系的预测模型

1.2.5 研究现状总结

1.3 研究内容与技术路线

1.3.1 研究内容

1.3.2 技术路线

2 深度学习相关理论基础

2.1 深度学习概述

2.2 经典深度学习模型

2.2.1 卷积神经网络

2.2.2 长短期记忆网络

2.3 常用软件工具

3 轨道交通客流数据分析与预处理

3.1 数据来源

3.2 客流数据统计分析

3.3 客流数据特征分析

3.3.1 进站客流特征分析

3.3.2 断面客流特征分析

3.4 客流数据预处理

3.4.1 异常数据识别

3.4.2 异常数据修复

3.5 本章小结

4 基于关联特征的进站客流预测

4.1 研究思路

4.1.1 主要研究内容

4.1.2 客流预测框架

4.2 客流模式分析

4.2.1 研究方案

4.2.2 聚类方法

4.2.3 聚类簇数的选取

4.2.4 聚类分析

4.3 客流关联特征构建

4.3.1 时间近邻性特征

4.3.2 客流时段的划分

4.3.3 客流周期性特征

4.3.4 天气因素

4.3.5 客流关联特征的预处理

4.4 基于 RF-LSTM的进站客流预测模型

4.4.1 客流关联特征选择方法

4.4.2 RF-LSTM 预测模型

4.5 实验分析

4.5.1 实验数据描述

4.5.2 客流关联特征选择

4.5.3 模型参数设置

4.5.4 评价指标

4.5.5 预测结果分析

4.6 本章小结

5 基于时空特征的断面客流预测

5.1 研究思路

5.2 客流时空特征构建

5.2.1 断面的空间相关性分析方法

5.2.2 基于时空特征的输入矩阵

5.3 基于 CNN-LSTM的相关断面客流预测模型

5.3.1 利用 CNN进行特征提取

5.3.2 CNN-LSTM 预测模型

5.4 实验分析

5.4.1 实验数据描述

5.4.2 空间相关性分析

5.4.3 模型参数设置

5.4.4 预测结果分析

5.5 本章小结

6 结论与展望

6.1 主要研究成果

6.2 主要创新点

6.3 未来工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集