● 摘要
随着城市化进程不断加快，城市交通压力不断增大，发展轨道交通建设已经逐渐成为缓解城市交通拥挤状况，提高城市居民生活质量的重要措施。如何将智慧城市和数据活化技术运用到轨道交通领域正逐渐成为国内外学者的研究重点。本文致力于在消化吸收国内外先进公路交通信息服务技术的基础上，就轨道交通信息处理过程中所涉及的各项关键技术开展较为深入的探索，建立多因素影响下的实时出行目的预测和实时客流分布计算模型，并完成实时客流分布计算原型系统，满足地铁运营人员保障运营安全以及地铁乘客改善出行体验的需要。
为了提高实时客流预测的准确性，本文首先分析了传统预测理论与方法的特色与不足之处。然后决定学习和研究概率图模型理论，建立基于概率图模型理论的多因素影响的实时客流预测模型，通过连续条件随机域建模预测交通流受天气、温度、空气质量等因素的影响，并且通过实时采集影响因素来提高预测模型的准确性。通过实验验证，该预测模型结果优于其它算法，说明该预测模型算法成功捕捉到了历史客流出行比例的波动部分，并将波动与天气、温度、空气质量等因素结合起来，成功建模了二者之间的关系，提高了预测的准确性。
为了保证实时客流分布计算的实时性，实时客流预测原型系统采用了”离线训练-在线预测”结构设计，并设计了高效的算法实现，将预测模型中比较费时的训练工作在离线端完成，再通过约定更新规则将离线训练得到的模型参数和其它统计计算结果更新到在线端，使得在线程序只需要完成实时进站数据处理、出行预测和实时客流分布计算工作，降低了在线程序的计算压力，保证了客流分布计算并展示的实时性。
另外，本文还将概率图模型理论应用到智能交通数据挖掘领域，通过地铁客流数据发现了北京城市区域间的功能和客流关系，对于完善城市规划有一定的借鉴意义。首先，以地铁客流数据为基础提取了乘客出行模式和地铁站客流模式，发现地铁站客流集中性和潮汐性的特性能在一定程度上反映地铁的区域功能。然后，采用了文本分析领域经典的主题模型，建立基于LDA的地铁区域功能聚类模型，将具有相似出行规律的地铁站聚类在一起。最后，通过分析聚类实验结果，发现不同客流峰段内，区域的功能和相互间的客流流向关系。