Resumen

Un aumento repentino de la afluencia de pasajeros puede conducir primitivamente a la congestión continua de una red de metro y tener así un profundo impacto en el sistema de metro. Para prevenir el riesgo causado por una súbita saturación, la predicción del flujo de pasajeros es una tarea cotidiana de la gestión del tránsito ferroviario. La mayoría de las previsiones actuales de flujo de pasajeros a corto plazo se basan únicamente en el flujo de pasajeros entrantes, lo que no puede caracterizar con precisión el impacto total del flujo repentino de pasajeros. Para mejorar la precisión de la predicción, proponemos un modelo de predicción del flujo repentino de pasajeros con dos factores, los flujos de pasajeros salientes y entrantes. El modelo de red neuronal wavelet (WNN) se utilizó para detectar el flujo repentino de pasajeros y, posteriormente, se optimiza mediante el algoritmo genético (GA), de acuerdo con las características de los datos de dos factores. Los eventos de flujo repentino de pasajeros de 2014 a 2016 en la estación de Beijing Dongsishitiao (DS) se utilizaron para entrenar y verificar la fiabilidad del modelo de predicción. Los resultados de la WNN optimizada demostraron ser mejores que los de la WNN convencional, y el error de los modelos basados en dos factores fue significativamente menor que el de los modelos con un solo factor.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:flujo repentino de pasajeros, flujo de pasajeros, eventos de flujo repentino de pasajeros, modelo de predicción de flujo repentino de pasajeros, previsiones de flujo de pasajeros a plazo, estación de dongsishitiao de pekín, características de los datos de los factores, flujo de pasajeros entrantes, flujos de pasajeros entrantes, gestión del tránsito ferroviario
• Keywords:sudden passenger flow, passenger flow, sudden passenger flow events, sudden passenger flow prediction model, term passenger flow forecasts, beijing dongsishitiao station, factor data characteristics, inbound passenger flow, inbound passenger flows, rail transit management