基于人工智能的城市轨道交通短时客流预测

图书标准信息

• 作者 张金雷；杨立兴；高自友
• 出版社 清华大学出版社
• 出版时间 2023-05
• 版次 1
• ISBN 9787302627579
• 定价 89.00元
• 装帧 精装
• 开本 16开
• 纸张 胶版纸
• 页数 272页
• 字数 434千字

【内容简介】

内容：本书构建了包括城市轨道交通常态与非常态场景下车站级和网络级短时进站流预测、短时OD流预测、短时断面流预测、以轨道交通为骨干的多模式交通短时客流预测、基于计算机视觉的轨道交通站内关键设施处短时客流预测等在内的一整套智能城市轨道交通短时客流预测体系。具体章节内容安排如下：第1章为绪论。第2章为城市轨道交通车站级常态短时进站流预测。第3章为城市轨道交通网络级常态短时进站流预测。第4章为城市轨道交通车站级与网络级非常态短时进站流预测。第5章为城市轨道交通车站级与网络级短时OD流预测。第6章为城市轨道交通网络级短时断面流预测。第7章为以轨道交通为骨干的多模式交通短时客流预测。第8章为基于计算机视觉的城市轨道交通站内短时客流预测。 读着对象：本书主要面向城市轨道交通运营管理部分科研人员，广大从事交通大数据分析、机器学习或深度学习的专业人员，从事高等教育的专任教师，高等院校的在读学生及相关领域的广大科研人员，可作为各高等院校交通运输、交通工程等专业的本科生和研究生教材。 特色：随着大数据、人工智能等技术的兴起，利于人工智能方法进行短时客流预测的研究兴起，然而目前国内鲜有利用人工智能方法针对城市轨道交通进行短时客流预测的专著，本书为当前鲜有的利用人工智能进行城市轨道交通短时客流预测方法的专著，构建了一整套包括城市轨道交通常态与非常态场景下车站级和网络级短时进站流预测、短时OD流预测、短时断面流预测、以轨道交通为骨干的多模式交通短时客流预测、基于计算机视觉的轨道交通站内关键设施处短时客流预测等在内的一整套智能城市轨道交通短时客流预测体系。

【作者简介】

张金雷，男，1993年2月生，工学博士，讲师。现任职于北京交通大学轨道交通控制与安全国家重点实验室，主要从事人工智能与交通大数据挖掘、短时客流预测、机器学习深度学习、计算机视觉相关研究，主讲《人工智能与大数据应用实战》 研究生课程、《人工智能与交通大数据实战》本科生课程，参编《深度学习与交通大数据实战》教材1部，指导多项本科毕业设计和大学生创新创业项目。主持和参与国家自然科学基金面上、国家自然科学基金青年基金、北京自然科学基金等项目多项。在Transportation Research Part C、IEEE Transactions on Intelligent Transportation Systems等交通领域国际顶级SCI期刊发表论文10 余篇，申请国家发明专利8项。读博期间2019、2020年连续两次获博士研究生国家奖学金，获2021年校最高奖学金-知行奖学金提名奖，主持研究生最高等创新基金项目，获国家留学基金委资助，赴美国华盛顿大学进行了为期一年的访学。

【目录】

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