發(fā)布時間：2017-08-30 07:43

  本文關(guān)鍵詞：降雨天氣條件下短時公交客流預(yù)測研究

  更多相關(guān)文章： 短時公交客流預(yù)測 降雨天氣 時間序列模型 神經(jīng)網(wǎng)路模型 SVM-KNN

【摘要】：短時公交客流預(yù)測是實現(xiàn)實時公交調(diào)度優(yōu)化的基礎(chǔ)。只有準(zhǔn)確的掌握客流短時變化,調(diào)度人員才能合理配置公交資源,保證供需平衡,實現(xiàn)企業(yè)運營效益最大化。但短時公交客流容易受隨機(jī)因素影響,有較強(qiáng)的時變性和隨機(jī)性,不易準(zhǔn)確預(yù)測。而目前的短時公交客流預(yù)測研究多是單純依據(jù)歷史客流的變化規(guī)律,沒有考慮天氣等隨機(jī)因素的影響,使得客流預(yù)測精度不高。并且國內(nèi)關(guān)于降雨天氣等不利天氣對公交客流影響的研究近乎空白,故本文充分挖掘公交IC卡信息和天氣數(shù)據(jù),分析降雨天氣條件對公交客流的影響,并建立降雨天氣條件下短時公交客流預(yù)測模型,旨在提高公交客流的準(zhǔn)確性和可靠性。對公交IC卡數(shù)據(jù)和降雨數(shù)據(jù)進(jìn)行預(yù)處理,充分挖掘利用公交IC卡信息,提取公交IC卡信息統(tǒng)計公交線路客流,并分析客流的時間變化規(guī)律;對公交客流的影響因素進(jìn)行系統(tǒng)分析,并消除其他因素影響重點分析降雨天氣因素與公交客流的相關(guān)性,從不同日類型、不同時段、不同線路三個方面分析降雨天氣對公交客流量的影響程度,得出降雨天氣對公交客流的影響規(guī)律。在分析降雨天氣對公交客流的影響特性的基礎(chǔ)上,提出了基于識別相似模式的短時公交客流預(yù)測模型,應(yīng)用SVM-KNN算法識別相似模式,預(yù)測公交客流。SVM-KNN算法結(jié)合了支持向量機(jī)(SVM)和K最近鄰(KNN)算法,彌補(bǔ)了KNN算法在大量數(shù)據(jù)樣本下不能迅速識別相似模式的缺陷,提高了算法的預(yù)測效率。SVM-KNN算法主要是基于現(xiàn)有特征直接搜索與當(dāng)前狀態(tài)最為相似的歷史狀態(tài),不受參數(shù)的影響,可適應(yīng)多變的環(huán)境,提高了預(yù)測的可靠性。根據(jù)實際客流數(shù)據(jù)對SVM-KNN預(yù)測算法進(jìn)行驗證,并分別基于時間序列模型和神經(jīng)網(wǎng)絡(luò)模型預(yù)測客流,其中基于時間序列模型可分為未考慮降雨因素模型和考慮降雨因素模型。根據(jù)預(yù)測結(jié)果的平均絕對誤差、平均相對誤差、均方誤差、均方相對誤差等幾方面對比評價預(yù)測模型,檢驗考慮降雨天氣對客流預(yù)測的影響以及SVM-KNN算法的預(yù)測性能。
【關(guān)鍵詞】：短時公交客流預(yù)測 降雨天氣 時間序列模型 神經(jīng)網(wǎng)路模型 SVM-KNN
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U491.17
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 緒論8-16
• 1.1 研究背景及意義8-9
• 1.1.1 研究背景8
• 1.1.2 研究意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-14
• 1.2.1 國外研究現(xiàn)狀9-11
• 1.2.2 國內(nèi)研究現(xiàn)狀11-13
• 1.2.3 國內(nèi)外研究現(xiàn)狀評述13-14
• 1.3 主要研究內(nèi)容14
• 1.4 研究技術(shù)路線14-16
• 第2章 數(shù)據(jù)的處理及分析16-32
• 2.1 數(shù)據(jù)的預(yù)處理16-17
• 2.1.1 公交IC卡數(shù)據(jù)的預(yù)處理16
• 2.1.2 天氣數(shù)據(jù)的預(yù)處理16-17
• 2.2 公交客流時間變化規(guī)律17-22
• 2.2.1 公交客流的季度變化規(guī)律18
• 2.2.2 公交客流的月變化規(guī)律18-19
• 2.2.3 公交客流的周變化規(guī)律19-20
• 2.2.4 公交客流的星期變化規(guī)律20-21
• 2.2.5 公交客流的時變規(guī)律21-22
• 2.3 降雨天氣對公交客流的影響的研究22-31
• 2.3.1 公交客流量的影響因素分析22-23
• 2.3.2 降雨天氣因素與公交客流量的相關(guān)分析23-25
• 2.3.3 降雨天氣因素對公交客流的影響分析25-31
• 2.4 本章小結(jié)31-32
• 第3章 短時公交客流預(yù)測算法32-45
• 3.1 短時公交客流預(yù)測方法的概述32-34
• 3.2 基于SVM-KNN的短時公交客流預(yù)測算法34-43
• 3.2.1 SVM-KNN算法的基本思想34
• 3.2.2 SVM與KNN算法的概述34-36
• 3.2.3 SVM-KNN算法的預(yù)測框架36-42
• 3.2.4 SVM-KNN算法的預(yù)測流程42-43
• 3.3 短時客流預(yù)測模型性能評價標(biāo)準(zhǔn)43-44
• 3.4 本章小結(jié)44-45
• 第4章 短時公交客流預(yù)測及評價45-57
• 4.1 基于SVM-KNN算法的預(yù)測45-48
• 4.1.1 基于SVM數(shù)據(jù)庫的構(gòu)建45-46
• 4.1.2 基于KNN相似模式的識別46
• 4.1.3 基于SVM-KNN算法的預(yù)測結(jié)果46-48
• 4.2 基于ARIMA模型和RBF模型的預(yù)測48-54
• 4.2.1 基于ARIMA模型的預(yù)測48-52
• 4.2.2 基于RBF模型的預(yù)測52-54
• 4.3 三種模型預(yù)測結(jié)果的對比評價54-56
• 4.4 本章小結(jié)56-57
• 結(jié)論57-58
• 參考文獻(xiàn)58-63
• 致謝63

，

本文編號：758089