基于人工智能的城市轨道交通短时客流预测

第1章绪论
1.1研究背景及意义
1.2相关概念
1.3面临的问题
1.4本书研究内容 第2章城市轨道交通车站级常态短时进站流预测
2.1概述
2.2客流空间特征挖掘
2.2.1基于两步K-means算法的车站聚类
2.2.2基于车站类别的客流特征分析
2.3客流时间特征挖掘
2.3.1客流时间序列相似性度量
2.3.2客流时间序列平稳性检验
2.3.3客流时间序列可预测性评估及分析
2.4基于聚类和LSTM的车站级短时进站流预测
2.4.1问题及数据简介
2.4.2基于聚类的LSTM模型
2.4.3模型配置
2.4.4预测结果分析
2.5基于元学习的新开车站或线路短时进站流预测
2.5.1问题及数据简介
2.5.2基于元学习的LSTM模型
2.5.3模型配置
2.5.4预测结果分析
2.6小结
参考文献 第3章城市轨道交通网络级常态短时进站流预测
3.1概述
3.1.1基于循环神经网络的模型
3.1.2基于卷积神经网络的模型
3.1.3基于图卷积神经网络的模型
3.1.4基于深度学习框架的模型
3.2基于ResLSTM的网络级短时进站流预测
3.2.1问题及数据简介
3.2.2ResLSTM模型
3.2.3模型配置
3.2.4预测结果分析
3.3基于Conv-GCN的网络级短时进站流预测
3.3.1问题及数据简介
3.3.2Conv-GCN模型
3.3.3模型配置
3.3.4预测结果分析
3.4基于Graph-GAN的网络级短时进站流预测
3.4.1问题及数据简介
3.4.2Graph-GAN模型
3.4.3模型配置
3.4.4预测结果分析
3.5小结
参考文献 第4章城市轨道交通车站级与网络级非常态短时进站流预测
4.1概述
4.2基于Graph-Transformer的节假日短时进站流预测
4.2.1问题及数据简介
4.2.2Graph-Transformer模型
4.2.3模型配置
4.2.4预测结果分析
4.3基于ST-former的疫情期间短时进站流预测
4.3.1问题及数据简介
4.3.2ST-former模型
4.3.3模型配置
4.3.4预测结果分析
4.4基于ST-BiLSTM-Attention的大型活动期间短时进站流预测
4.4.1问题及数据简介
4.4.2大型活动期间的客流数据分析
4.4.3ST-BiLSTM-Attention模型
4.4.4模型配置
4.4.5预测结果分析
4.5小结
参考文献 第5章城市轨道交通车站级与网络级短时OD流预测
5.1概述
5.2基于LSTM的车站级短时OD流预测
5.2.1问题及数据简介
5.2.2模型配置
5.2.3预测结果分析
5.3基于CAS-CNN的网络级短时OD流预测
5.3.1问题及数据简介
5.3.2CAS-CNN模型
5.3.3模型配置
5.3.4预测结果分析
5.4小结
参考文献 第6章城市轨道交通网络级短时断面流预测
6.1概述
6.2问题及数据简介
6.2.1问题分析
6.2.2网络表示及虚拟数据简介
6.2.3真实数据简介
6.2.4本章符号表示
6.3计算图模型简介
6.4基于计算图的车站等车时间与链路行程时间估计
6.4.1路径选择建模
6.4.2k短路搜索以及有效路径选择
6.4.3数学优化模型构建
6.4.4优化模型向量化
6.4.5计算图模型建模
6.5客流分配及短时断面流预测
6.5.1智能体仿真生成断面客流量
6.5.2虚拟地铁网络案例研究
6.5.3北京真实地铁网络案例研究
6.6小结
参考文献 第7章以轨道交通为骨干的多模式交通短时客流预测
7.1概述
7.2基于Res-Transformer的区域级多模式交通短时客流预测
7.2.1问题及数据简介
7.2.2Res-Transformer模型
7.2.3模型配置
7.2.4预测结果分析
7.3基于Res-Informer的网络级多模式交通短时客流预测
7.3.1问题及数据简介
7.3.2Res-Informer模型
7.3.3模型配置
7.3.4预测结果分析
7.4小结
参考文献 第8章基于计算机视觉的城市轨道交通站内短时客流预测
8.1概述
8.1.1目标检测
8.1.2目标跟踪
8.1.3短时客流预测
8.2问题及数据简介
8.2.1问题分析
8.2.2问题定义
8.2.3数据简介
8.3模型简介
8.3.1客流识别算法与客流预测算法
8.3.2Detect-Predict模型
8.4实验及分析
8.4.1客流识别实时性实验
8.4.2乘客数量统计以及客流时间序列提取算法
8.4.3精细化短时客流预测
8.5小结
参考文献