大数据可视化在综合立体交通网建设中的应用研究

随着城市化进程的快速发展，城市交通数据可视化是综合立体交通网建设中最重要的步骤之一。不仅可将数据以可视的形式表达，提高数据分析的效率，还可进行人机交互。为加快大数据可视化在交通中的进程，本文研究大数据可视化在综合立体交通网建设中的应用。首先，将大数据可视化的概念和模型扩展到大数据可视化应用于综合立体交通网的意义和框架。然后，建立综合立体交通网建设中的大数据可视化架构进行分析，最后通过利用多模式分析实现综合立体交通网建设中公交站点选址可视化以及多源大数据可视化对城市轨道交通新线运营初期客流预测等应用，使其综合立体交通网建设的质量和效率都能得到显著提高。从而为大数据可视化在综合立体交通网建设中的选择及改进提供理论依据。     

基于改进PSO-LSTM模型的城市轨道交通站点客流预测

城市轨道交通站点的精准短时客流预测可以很好地缓解城市交通拥堵,给城市居民带来更快速、更优质的出行服务.通常短时客流预测随时间的变动而变动,长短时记忆网络能对其进行深度的训练和特点提取.为提升预测性能,以成都轨道交通火车北站为例,设计一种基于改进PSO-LSTM模型的城市轨道交通站点短时客流预测办法.通过实例研究分析,验证了改进后的PSO-LSTM模型在城市轨道交通站点短时客流预测中具有更好的预测性能.     

面向海量交通数据的HBase时空索引

针对HBase无法直接建立时空索引所带来的交通数据查询性能问题,基于HBase行键设计了面向海量交通数据的HBase时空索引。首先利用Geohash降维方法将二维空间位置数据转化为一维编码,再与时间维度进行组合;然后根据组合顺序的不同,提出了四种结构模型,分别讨论了模型的具体构成以及交通数据查询中的适应面;最后提出了相应的时空索引管理算法及基于Hbase时空索引的交通数据查询方法。通过实验验证了提出的HBase时空索引结构能有效提升海量交通数据的区域查询性能,并比较了四种时空索引结构在不同数据规模、不同查询半径以及不同时间范围的查询性能,量化验证了不同索引结构在交通数据查询中的适应场景。     

一种面向服务器制图可视化的矢量数据多尺度组织方法

提出了一种面向服务器制图可视化的矢量数据多尺度组织方法。基于矢量数据瓦片化思想,将矢量数据按照全球地理空间金字塔索引模型划分为层次化瓦片数据,将服务器制图可视化处理中对数据图层的空间查询操作,转化为对瓦片数据的数据读取操作。实验及应用表明,该方法减少了数据读取时间,降低了I/O代价,提高了矢量数据服务器制图可视化的整体性能。     

MVB总线的轨道交通车辆乘客计数系统设计

为了对城市轨道交通各线路的客流人数进行统计,设计了一种基于 MVB总线的城市轨道交通车辆乘客计数系统,介绍了该系统的框架,阐述了该系统的软硬件结构及其功能.构建了一套模拟测试环境,模拟了城市轨道交通车辆车载网络及客流情况,对该系统进行功能及性能测试.测试结果表明,该系统 MVB通信功能稳定可靠,计数准确度较高,能基本满足城市轨道交通车辆乘客计数的准确度要求.     

基于细菌觅食优化算法的城市轨道交通调度优化

为了合理高效地制定城市轨道交通调度方案,实现客流与车次的优化配置,提出了一种基于细菌觅食优化算法的城市轨道交通调度优化策略。兼顾乘客与运营企业双方利益,以发车间隔为决策变量,乘客平均候车时间最短和发车次数最少为优化目标,建立调度优化模型,并对细菌觅食优化算法求解该调度模型的过程进行分析。结合某城市轨道交通一号线实际运营数据进行仿真实验,并与其他算法的优化结果进行对比分析,实验表明该算法和模型能有效解决城市轨道交通调度优化问题。     

城市轨道交通客流需求分析模型及计算机仿真

针对传统“四阶段法”交通需求分析集聚特征显著、系统环境适应性差等问题以及城市交通系统很难进行实体仿真的缺陷,提出了一种基于城市综合公交统筹和TransCAD仿真的城市轨道交通客流分析模型。该模型基于“四阶段法”基本步骤,在第一阶段中,考虑了不同人口类别的出行强度和空间分布特征,给出了一种基于人口分类和出行目的的发生吸引模型;在交通分布中,引入K-因子和综合行程费用修正重力分布模型;在交通方式划分和分配中,结合合理系统结构边界和出行时间价值,对城市轨道交通客流分配进行精细配流。实验表明：通过对城市人口进行分类,考虑城市交通系统结构和各交通方式的出行广义费用可大大提高客流分析的精度和鲁棒性。     

城市轨道交通客流预测算法设计与仿真

为了更好地解决城市轨道交通的客流预测问题,提出了基于混合神经网络与卡尔曼滤波器的客流预测多层次模型。首先采用ELAN神经网络实现客流量的初步预测;然后采用卡尔曼滤波器对神经网络预测结果进行修正,以进一步提高预测结果精度;最后为了验证模型的正确性,以上海地铁交通作为研究对象,进行了客流观测和预测模拟。实验结果表明,所提出的多层次模型比单纯其中一种算法能减少约0.8%的误差,并且具有更好的实际效果。     

基于HBase和Hive的航班延误平台的存储方法

针对我国目前航班延误平台的移植难、可扩展性差,无法适应民航高速发展所带来的大数据量存储的现状,设计了面向大数据的跨平台、高适用性与高扩展性的航班延误平台。该平台以大数据工具LeafLet为可视化载体,在地图界面实时显示航班轨迹并将轨迹数据加载至HBase数据库中,并且利用信息摘要算法（MD5）重新设计与优化航班数据表的行键,以解决其递增的飞行时间特性产生的"热点"问题;针对HBase过滤器多级查询的缺陷,提出了基于SolrCloud的关联查询算法,利用SolrCloud实现对行键与索引字段的分层存储,从而实现HBase二级快速索引;最后在HBase的历史航班数据与飞行计划数据基础上,构建基于Hive的海量航班信息数据仓库。实验结果显示,航班延误大数据平台的可扩展性与搭建的航班信息数据仓库可以满足民航对数据集中统一存储的需求,而多条件查询的响应速度与无二级索引的集群相比提高了上百倍,并且这种优势随着航班数据量的增长愈发明显。     

基于手机信令数据的城市区域间交通流分析及可视化

近年来基于包含时间和空间信息的手机信令数据进行各类交通出行问题的研究日益成为一个热点。本文提出一种Spark和MongoDB相结合的技术方案对手机信令数据进行处理，并生成手机用户交通出行轨迹，然后进行城市区域间交通流的分析。以北京市海淀行政区和三里屯商业区为例，分析区域间交通流量的吸引和发生关系，最后使用OpenLayers提供的JavaScript类库将研究结果进行可视化。     

基于公共交通智能卡数据的可视化分析

针对现有公共交通数据的可视分析方法很难在不同空间粒度下对乘客时空分布、客流时空分布、区域间客流时序变化进行多任务分析的问题,设计实现了一个多视图融合的可视化分析系统。该系统结合城市公共交通的智能卡数据、车辆GPS数据、地铁和公交线路信息,利用出行链路模型和基于出行时空特征的回归模型完成了乘客起讫点（origin-destination,OD）推断;然后,设计了层次聚类的地图可视化方法,结合了融合方位信息的玫瑰图和动态对比堆叠折线流图来分析各区域间的客流时序特点、关联关系;最后,利用真实的深圳市公共交通数据的可视分析结果验证了系统的有效性。     

基于改进ARIMA模型的城市轨道交通短时客流预测研究

城市轨道交通的精准短时客流预测可以很好地缓解城市交通拥堵,给城市居民带来更快速、更优质的出行服务.通常短时客流预测的客流量数据规律性较弱、随机误差干扰较强,ARIMA(Autoregressive Integrated Moving Average)模型能对因变量产生的推迟量、产生随机误差的滞后值及当前值进行预测.为验...     

轨道交通车站乘客集散系统Anylogic仿真优化

为了研究地铁轨道交通车站站台乘客行为的特殊性对地铁轨道交通车站设施设备布局的影响,本文运用基于社会力模型算法的Anylogic动态仿真软件构建了面向复杂交织乘客行人流的地铁轨道交通站台场景模型。以某市地铁轨道交通车站为例对该模型进行了校核与验证,针对地铁车站内的设施设备布局的缺陷提出了优化改进措施。实证研究表明:优化后的地铁轨道交通站台场景模型,能够科学合理地阐述客流组织与地铁轨道交通之间的动态关系,同时对其他地铁轨道交通车站的规划设计与运营具有重要的借鉴与指导意义。     

基于宜居性的城市轨道交通布局规划优化研究

为提升城市轨道交通附近居民居住舒适度,提出基于宜居性的城市轨道交通布局规划优化研究。在宜居性理论背景下,建立城市轨道交通布局指标,确定布局规模,在交通站点数量相同的规划方案中获取最优规划方案。利用综合评价法分析城市轨迹交通布局规划方案,计算交通线路客流覆盖量,构建城市轨道交通布局规划模型。实验结果表明,基于宜居性的城市轨道交通布局规划优化方法不仅可以提高城市轨道交通布局的利用率,还可以降低城市轨道交通布局重复率,从而提高城市轨道交通布局的整体规划效果。     

Probability tree based passenger flow prediction and its application to the Beijing subway system

In order to provide citizens with safe, convenient and comfortable services and infrastructure in a metropolis, the prediction of passenger flows in the metro-net of subway system has become more important than ever before. Although a great number of prediction methods have been presented in the field of transportation, all of them belong to the station oriented approach, which is not well suited to the Beijing subway system. This paper proposes a novel metro-net oriented method, called the probability tree based passenger flow model, which is also based on historic origin-destination (OD) information. First it learns and obtains the appearance probabilities for each kind of OD pair. For the real-time origin datum, the destination datum is calculated, and then several kinds of passenger flow in the metro-net can be predicted by gathering all the contributions. The results of experiments, using the historical data of Beijing subway, show that although the proposed method has lower performance than existing prediction approaches for forecasting exit passenger flows, it is able to predict several additional kinds of passenger flow in stations and throughout the subway system; and it is a more feasible, suitable, and advanced passenger flow prediction model for Beijing subway system.     

基于卷积长短时记忆神经网络的城市轨道交通短时客流预测

我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,并且相邻站点客流之间存在空间联系.对此,充分考虑以上城轨短时客流的时空特征,基于卷积长短时记忆神经网络(ConvLSTM)与自适应k-means聚类算法,提出城轨短时客流预测的深度学习模型k-ConvLSTM,并通过实验对模型关键参数进行寻优;同时,基于深圳市地铁IC卡的真实客流数据对模型的有效性进行检验.结果表明,k-ConvLSTM在均方根误差、绝对误差均值、绝对误差百分比方面,均优于仅考虑时空特征的深度学习模型-----卷积网络(CNN)与长短时记忆网络(LSTM)的并行混合模型和ConvLSTM内嵌式网络模型,仅考虑时间特征的深度学习模型-----LSTM网络和双向长短时记忆网络(Bi-LSTM),以及浅层机器学习模型-----BP神经网络和支持向量回归模型(SVR).     

基于时间序列的轨道交通客流动态分配仿真

轨道运行时会发生各类不确定性突发事件,导致交通拥堵,引发乘客恐慌,使原本的规律的客流分布产生变化,无法精准掌握客流实时动态,进一步加深事态的严重性。对城镇轨道交通提出基于时间序列的客流动态分配方法。利用时间序列理论对乘客分形规则进行分析,了解其具有的混沌不确定性特征,以反馈时延为依据,得出在突发事件下不确定性客流动态预测精准结果,最后给出基于随机均衡的客流动态分配策略,完成分配。通过仿真结果表明,所提方法对不同条件下的区域内轨道交通客流方差较小,且客流预测值与实际值较为接近,证明动态分配较为合理。     

基于时空网络的地铁进出站客流量预测

客流量预测是城市智能交通系统的重要组成部分,对人们出行和交通管控有着重要的指导意义。针对地铁客流量数据具有时间维度和空间维度属性的特点,提出一种可以同时捕获数据时空特征的预测模型。该模型基于编码器解码器架构设计,其中解码器和编码器均由时空预测模块组成,在该模块中利用图卷积学习地铁站的空间拓朴结构、门控循环单元来捕获数据的时间特征。此外,模型将单位时间间隔内进站和出站客流量分别构成的两个时间序列,即进出站双时间序列作为输入,最终协同预测各站点的进站与出站人数。在上海地铁一卡通数据集上进行对比实验,实验结果表明,所提出的模型在进站与出站客流量预测上均取得了更好的效果,这表明考虑空间依赖能够有效地提高模型预测精度。     

基于深度学习的城市轨道客流预测实训基地培训系统设计与实现

为进行城市轨道客流量的科学预测,设计实现了实训基地培训系统,在系统中分别构建BP（Back Propagation）神经网络模型与DBN（Deep Belief Network）深度置信网络模型来进行城市轨道客流量数据的收集与整理。针对城市轨道交通车流量短时间快速增长的问题,在系统中建立实时数据分析处理模块,结合深度置信网络,使用算法对轨道客流进行实时准确的预测。将采集到的大量数据通过系统的数据处理模块进行分析验证,数据分析结果显示：在深度置信网络模型中,轨道交通各节点平均均方根误差相比BP神经网络模型大约减少了0.01475,每批次任务实时计算时间平均为3.5s,系统预测实时性较好,准确率较高,有很好的预测效果,可以合理地规划城市轨道交通线路,有效提高了城市轨道的交通利用率。