科研之友
微信
新浪微博
Facebook
分享链接
摘要
准确的公交客流预测对于运营调度决策精细化管理和降本增效至关重要，信息技术的发展为多源数据的获取和精准客流预测创造了机会。本文提出一种可扩展的深度学习框架实现多源数据预测公交客流。首先，在4个外部因素的基础上，引入3个内部因素作为公交线路客流的解释变量；利用方差缩减法验证了内外部因素之间的耦合关系、以及捕获多源数据耦合关系的必要性；然后，利用卷积神经网络中卷积运算处理二维数据的优势，将客流影响因素图像化，构建出小时客流细分矩阵适应其卷积运算，捕获多源数据之间的耦合性。为进一步提高预测性能，将矩阵结构优化问题转化为旅行商问题，运用响应面优化方法对客流细分矩阵结构进行高效优化。最后，以广州市281路公交线路实际数据为例进行验证，结果表明：通过优化小时客流细分矩阵结构，可以有效提高公交客流预测精度，实现数据资源的最优化利用；内部因素的独立效应不显著，而外部因素和内部因素的联合效应却作用显著；在预测精度上，与仅考虑外部因素的结果和其它深度学习模型相比存在一定优势。此外，本文方法能实现公交客流组成预测，助力定制公交服务设计。该框架具有较高可扩展性，能够在大数据环境下充分发掘多源数据在公交客流预测的潜力。
- 单位
