Resumen

La previsión del número de usuarios a corto plazo es la base de la explotación y gestión del metro. Es necesario un modelo de predicción que aproveche en tiempo real la periodicidad semanal y las características no lineales del número de usuarios a corto plazo. En primer lugar, esta investigación capta la periodicidad inherente del número de usuarios mediante un modelo de media móvil autorregresiva estacional integrada (SARIMA) y propone un modelo en línea global de máquina de vectores soporte (SVMOOL) que incluye las características periódicas semanales y entrena los datos actualizados día a día. A continuación, esta investigación capta las características no lineales del número de usuarios a través de entradas de valores sucesivos y propone un modelo parcial en línea de máquina de vectores soporte (SVMPOL) que inserta las características no lineales y entrena los datos actualizados de la predicción día a día por intervalo de tiempo (como 5 minutos). Posteriormente, para evitar los inconvenientes y aprovechar los puntos fuertes de los dos modelos en línea individuales, esta investigación toma los valores de predicción medios de dos modelos como valores de predicción finales, que se denominan modelo en línea combinado de máquina de vectores soporte (SVMCOL). Por último, esta investigación utiliza el número de usuarios de 5 minutos en las estaciones de Zhujianglu y Sanshanjie del metro de Nanjing para comparar el modelo SVMCOL con tres modelos de predicción bien conocidos, como SARIMA, la red neuronal de retropropagación (BPNN) y los modelos SVM. Las comparaciones de rendimiento resultantes sugieren que SARIMA es superior a los otros modelos para el número estable de usuarios en días laborables. Sin embargo, el modelo SVMCOL es el más eficaz para el número inestable de viajeros en fin de semana y días festivos. Esto demuestra que, para los gestores de operaciones de metro orientados a dar una respuesta oportuna a las situaciones inestables y anormales del mundo real, SVMCOL puede ser una herramienta mejor que los tres modelos conocidos.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:máquina de vectores soporte, investigación, sarima, modelo svmcol, características no lineales, término ridership, entradas de valores sucesivos de ridership, modelos individuales en línea, gestor de operaciones de metro, modelo global en línea
• Keywords:support vector machine, research, sarima, svmcol model, nonlinear characteristics, term ridership, successive ridership value inputs, individual online models, metro operation manager, overall online model