市際客運班線是城市間的重要運輸方式之一,對于市際客運班線客流量的準(zhǔn)確預(yù)測,是提高市際客運班線的運營組織效率的關(guān)鍵,可為市際客運班線的運營組織提供一定的參考依據(jù)。然而,目前專門針對市際客運班線的客流預(yù)測研究較少,且囿于歷史數(shù)據(jù)和預(yù)測模型的限制,客流預(yù)測精度較低。本文在研究市際客運班線客流特征的基礎(chǔ)上,建立非節(jié)假日與節(jié)假日客流預(yù)測模型,并且基于面板數(shù)據(jù)對預(yù)測模型進(jìn)行驗證,旨在提高市際客運班線客流預(yù)測的精度。本文在對數(shù)據(jù)進(jìn)行預(yù)處理的前提下,分析市際客運班線客流的時空特征�？臻g特征方面,主要分析粵港澳大灣區(qū)廣東省9市間的客流分布規(guī)律及空間班次分布規(guī)律;時間特征方面,主要從年、季度、月、周、日及小時等不同時間尺度分析了同一市際客運班線的客流特征。同時還著重對比了非節(jié)假日與節(jié)假日期間客流規(guī)律的異同點。對于非節(jié)假日客流預(yù)測的研究,針對BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network,BPNN）初始權(quán)值及閾值隨機選取的不足,采用基于適應(yīng)度進(jìn)行選擇操作的遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,形成了基于改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的非節(jié)假日市際客運班線客流預(yù)測模型（Improved ... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線圖

發(fā)車時間為9:00，共計發(fā)車班次為451班；深圳-廣州市際客運班線最早發(fā)車班次的發(fā)車時間為6:00，最晚發(fā)車時間為21:00，總計發(fā)車班次為437班。圖2-1 廣州-深圳與深圳-廣州客運班線發(fā)車班次對比圖由圖2-1可以看出：兩個方向相反的市際客運班線線路的總體規(guī)律為6:00-8:00及19:00-21:00時間段內(nèi)的發(fā)車頻次較少，而其他時間段的發(fā)車頻次相對比較密集，與市內(nèi)交通出行的早晚高峰現(xiàn)象不同，市際客運班線的發(fā)車頻率在7:00-21:00時間段內(nèi)發(fā)車頻次波動范圍不大，無明顯的高峰現(xiàn)象，可見廣深城市之間的市際客運班線客流在營運時段內(nèi)都保持較高的水準(zhǔn)。各時段內(nèi)，兩者的發(fā)車頻次折線圖的大致走勢相同，廣州-深圳客運班線的總發(fā)車頻次略大于深圳-廣州的發(fā)車頻次，體現(xiàn)出市際客運班線客流的方向不均衡性，但兩方向的發(fā)車頻次相差不大，從此能看出深圳-廣州市際客運班線出行需求與廣州-深圳的市際客運班線出行需求大致相等。2.2.2 空間流量特征分析通過離站客流數(shù)據(jù)及客運班線的起點站及終點站統(tǒng)計2018年粵港澳大灣區(qū)廣東省九市市際客運班線年客流OD數(shù)據(jù)，得表2-3；同時運用Arcgis軟件結(jié)

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文- 14 -合地圖將市際客運班線的年客流量用期望線的形式表示，如圖2-2。由表2-3與圖2-2可知，粵港澳大灣區(qū)廣東省9市市際客運班線客流量具有顯著的空間不均勻性，客流的主要流向為廣州與深圳之間、廣州與佛山之間、廣州與東莞之間、深圳與東莞之間及深圳與惠州之間等十個重要方向，其他方向客流量分布較少，不同市際客運班線間的年客流量相差比較懸殊。結(jié)合九個城市的常住人口及地區(qū)生產(chǎn)總值可以發(fā)現(xiàn)，這個五個城市的常住人口數(shù)量及地區(qū)生產(chǎn)總值都位于廣東省前列，因此從宏觀角度來說，常住人口數(shù)量及經(jīng)濟(jì)發(fā)展水平對市際客運班線客流量有著重要影響。表2-3 粵港澳大灣區(qū)廣東省9市市際客運班線年客流OD表(單位:萬人次)廣州 深圳 珠海 佛山 惠州 東莞 中山 江門 肇慶廣州 - 181

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)GA-BP的移動通信用戶流失預(yù)測算法[J]. 于瑞云,薛林,安軒邈,夏興有.  東北大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[2]基于灰色-馬爾科夫預(yù)測模型的售票窗口客流量預(yù)測研究[J]. 尚慶松,石慶升,崔炳謀.  鐵道運輸與經(jīng)濟(jì). 2019(01)
[3]基于深度學(xué)習(xí)長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)的地鐵站短時客流量預(yù)測[J]. 李梅,李靜,魏子健,王思達(dá),陳賴謹(jǐn).  城市軌道交通研究. 2018(11)
[4]基于SVM-KNN的降雨條件下短時公交客流預(yù)測[J]. 劉欣彤,黃小龍,謝秉磊.  交通信息與安全. 2018(05)
[5]基于支持向量機的節(jié)假日進(jìn)出站客流預(yù)測方法[J]. 謝俏,葉紅霞.  城市軌道交通研究. 2018(08)
[6]不完備信息下公交斷面客流的推算模型[J]. 馬超群,艾倩楠,張俊.  公路交通科技. 2018(05)
[7]基于K近鄰模式匹配的地鐵客流量短時預(yù)測[J]. 林培群,陳麗甜,雷永巍.  華南理工大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[8]以旅游功能為主的城市軌道交通線路客流預(yù)測方法[J]. 郭旭東,劉永平,王遠(yuǎn)回.  城市軌道交通研究. 2018(01)
[9]鐵路客運專線運營初期運量預(yù)測方法研究[J]. 鐘異瑩,陳堅,邵毅明.  重慶交通大學(xué)學(xué)報(自然科學(xué)版). 2018(09)
[10]基于RBF神經(jīng)網(wǎng)絡(luò)的鐵路旅客周轉(zhuǎn)量預(yù)測研究[J]. 顏保凡,郭垂江.  鐵道運輸與經(jīng)濟(jì). 2017(12)

碩士論文
[1]基于IC卡數(shù)據(jù)的短時公交客流預(yù)測[D]. 朱翔希.大連理工大學(xué) 2017
[2]降雨天氣條件下短時公交客流預(yù)測研究[D]. 劉欣彤.哈爾濱工業(yè)大學(xué) 2016
[3]公交客流量的波動分析和短期預(yù)測[D]. 祁俊琴.西安電子科技大學(xué) 2015
[4]面向樞紐換乘的公交候車客流預(yù)測及公交調(diào)度方法研究[D]. 胥少龍.北方工業(yè)大學(xué) 2015
[5]基于Hadoop平臺的公交客流分析與預(yù)測研究[D]. 李振.東北師范大學(xué) 2015
[6]基于EMD-BPN方法的高速鐵路短期客流預(yù)測[D]. 曹承.蘭州交通大學(xué) 2015
[7]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的軌道交通短時客流預(yù)測方法研究[D]. 董升偉.北京交通大學(xué) 2013
[8]節(jié)假日鐵路客流波動規(guī)律分析及其在客流預(yù)測中的應(yīng)用研究[D]. 夏青.北京交通大學(xué) 2011



本文編號：3342400