1.一种城市轨道交通网络出行时间可靠性预测方法,其特征在于:包括以下步骤:
一、针对具有足够AFC数据记录的车站OD对,通过缓冲时间指数计算车站OD对的出行时间可靠性;
缓冲时间指数等于缓冲时间与平均出行时间之比,缓冲时间等于第95百分位出行时间与平均出行时间之差,从i站到j站的出行时间可靠性表示为Ri,j,计算为其中,和分别为从i站到j站第95百分位的出行时间以及平均出行时间;
AFC数据记录每张车票的ID,通过匹配车票ID的方式计算每一个乘客的出行时间,从而确定车站OD间乘客的出行时间;步骤一中,需分别计算早、晚高峰和平峰三个运营时段的出行时间可靠性;针对一些AFC数据记录较少的车站OD对,依据AFC数据无法准确计算这些OD对的出行时间可靠性;因此,当车站OD对记录的进出站AFC刷卡次数超过100次时,才根据记录的刷卡数据计算该车站OD对的出行时间可靠性;
二、明确影响出行时间可靠性的车站OD特征,提取多个特征,并采用无重复双因素方差分析,以确定不同出行时间可靠性水平下这些车站OD特征是否存在统计学上的显著差异;
步骤二中,根据车站OD对间的最短路径,提取车站OD对的20个特征,针对早、晚高峰和平峰时段,获得了三个不同的特征集;此外,将早、晚高峰和平峰特征集相结合,构建了一个混合特征集;最后,去除平均值并除以早高峰、晚高峰、平均峰以及混合特征集的标准偏差,得出四个特征集;
步骤二中,对混合特征集进行无重复测量的双向方差分析,自变量为时段和出行时间可靠性水平,因变量为车站OD特征值;在划分出行时间可靠性水平时,将已计算的所有车站OD对的缓冲时间指数按从小到大的顺序排列并均分为4个等级;
三、采用顺序向前选择法选择不同运营时段的最佳输入特征,避免特征冗余,从而加速预测并提高预测准确度;其中,N,H,T,L1,L2,L3,Lmean,L4,和被选择为早高峰的特征集,N,H,T,L1,L2,L3,Lmean,L4,L5,和则被选择作为晚高峰的特征集合;与高峰特征相比,7个同时出现在早、晚高峰的特征,以及L5,和被选为平峰特征集;
N表示车站OD间最短路径包含的车站数,H表示车站OD间最短路上列车的平均发车间隔,T表示车站OD间最短路上的平均换乘时间,L1表示车站OD间最短路上第一个区间的负载系数,负载系数是区间的客流与区间能力之比,L2表示车站OD间最短路上最后一个区间的负载系数,L3表示L1和L2的均值,Lmean表示车站OD间最短路上区间的平均负载系数,L4表示车站OD间最短路上除第一个区间外,其他区间的平均负载系数,L5表示车站OD间最短路上除最后一个区间外,其他区间的平均负载系数,表示和的均值,表示每小时在车站O上车的乘客数,表示每小时在车站O下车的乘客数,表示车站OD间最短路上,每小时在换乘站上车的乘客数,表示和的均值,表示车站OD间最短路上,每小时在换乘站下车的乘客数,表示每小时在车站D下车的乘客数;
步骤三中,采用顺序向前选择法选择特征作为输入以避免维数灾难;顺序向前选择采用套索估计器封装,并进行20折交叉验证,以平均绝对误差回归损失作为评估参数;最终的特征集由超过50%重复选择的车站OD特征组成;此外,通过对超参数的随机搜索和5折交叉验证进行参数调整;此过程重复10次,并以选择次数最多的参数作为最终的参数;
四、应用支持向量回归、多层感知器回归和深度残差网络三种机器学习模型预测车站OD对间的出行时间可靠性,确定针对不同运营时段的最优预测模型。
2.根据权利要求1所述的一种城市轨道交通网络出行时间可靠性预测方法,其特征在于:步骤三和四中,对于每个特征集,30%的数据用于特征选择和参数调整,50%的数据用于训练模型,剩余20%的数据用于测试;采用随机排列的10折交叉验证以测试准确性。
3.根据权利要求2所述的一种城市轨道交通网络出行时间可靠性预测方法,其特征在于:步骤四中,支持向量回归使用正则化参数等于1000的高斯核,支持向量回归在容忍一定数量误差的同时找到最合适的拟合曲线,只有当真实值与预测值之间的误差绝对值大于阈值时,才会计算损失;训练样本集表示为D={(x1,y1),…,(xi,yi),…,(xm,ym)},其中,xi和yi分别是一个输入变量和输出变量,支持向量回归的公式为:其中,w和b是待确定的模型参数,f(xi)是模型输出,C是常数,l∈是∈不敏感的损失函数;对∈不敏感的损失函数为:
引入松弛变量ξi和来度量训练数据在∈不敏感区域外的偏差,支持向量回归公式重写为:
因此,在引入最优约束后,将支持向量回归优化问题转化为对偶问题,其解为:
其中,K(x,xi)是一个内核函数。
4.根据权利要求3所述的一种城市轨道交通网络出行时间可靠性预测方法,其特征在于:步骤四中,多层感知器使用三个隐藏层,每层中分别有100、100和50个神经元,多层感知器使用具有自适应学习率的自适应矩估计进行训练。
5.根据权利要求4所述的一种城市轨道交通网络出行时间可靠性预测方法,其特征在于:步骤四中,深度残差网络用于构建模型以选择车站OD的特征,深度残差网络解决深层架构的降级问题;所有车站OD的特征都被输入到1-D深度残差网络中,1-D深度残差网络由14个卷积层组成,每个卷积层后面紧跟一个批标准化层,共同组成一个残差块;前四个卷积层的每个卷积层有32个滤波器,其核大小为9;中间六个卷积层的每个卷积层有64个滤波器,其核大小为6;剩余四个卷积层的滤波器为128个,核大小为3;每个卷积层的步长为1;每两个残差块采用跳跃连接;残差映射由内核大小为1的卷积层和批标准化层组成;最后一层包括一个完全连接层和一个线性层;采用TensorFlow 2.7构建深度残差网络模型,使用均方根属性进行训练,使用平均绝对误差百分比作为损失函数和指标进行训练。