方法步骤如下图所示以“基于人工智能的城市轨道交通短时客流预测方法综述”为个人实战案例⑤题目和摘要翻译为中文1.基于图卷积网络-Informer与高斯贝叶斯模型的城市轨道交通网络客流异常检测城市轨道交通网络中的客流异常检测对于应对激增的出行需求、支撑网络有效的运营规划与控制至关重要。现有研究主要通过分析客流的时间序列特征侧重于识别单个车站的异常源但忽略了异常检测过程中客流高维复杂的空间特征以及乘客在城市轨道交通网络中的动态行为。本文提出一种新颖的异常检测方法该方法基于由图卷积网络-InformerGCN-Informer模型和高斯朴素贝叶斯模型组成的深度学习框架。其中GCN-Informer模型用于捕捉进出站客流的时空特征并仅在正常数据集上进行训练高斯朴素贝叶斯模型则用于构建异常检测的二分类器其参数通过将正常与异常测试数据输入已训练的GCN-Informer模型进行估计。基于北京真实城市轨道交通客流数据集的实验结果表明所提框架在网络级客流异常检测方面优于现有异常检测算法表现出更卓越的性能。本文是主题专辑“人工智能在交通基础设施和材料失效分析中的应用”的组成部分。整理深度学习用于异常客流检测光分析客流的时间特征没意义空间特征同样复杂、存在异常之处这个异常通过深度学习框架完成捕捉。2.基于人工智能的轨道交通云网数智一体化平台构建本研究提出了一个面向轨道交通施工的闭环控制平台的设计与验证。该平台融合多源数据支持实时预测与人工智能驱动的调度并通过数字孪生实现策略执行与反馈。平台构建了三层架构包括边缘感知层、云计算层和智能交互层集成了数据融合中间件、人工智能决策引擎和三维数字孪生模块。运行流程遵循“感知—融合—预测/优化—执行—反馈”闭环边缘设备采集现场状态云中间件整合并提供数据服务人工智能引擎执行预测与调度优化数字孪生层验证策略并向前端下发执行指令。在数据建模层面设计了基于Transformer编码器的多模态时序融合模型并采用图注意力网络进行异质结构建模。采用Apache Kafka和Flink处理流数据实现高频低延迟处理。智能分析层集成了用于客流与工期预测的时空图卷积网络、用于图像识别的Shifted Window Transformer以及用于任务调度优化的近端策略优化PPO算法。在某城市轨道交通施工项目的现场测试中该平台在高并发条件下客流预测精度保持在91.6%图像识别准确率达98.2%基于PPO的调度使平均任务完成时间缩短27.4%系统平均响应延迟维持在280毫秒峰值吞吐量达每秒27 000条消息闭环执行成功率超过95%。这些结果表明该平台在实际工况下的预测精度、响应延迟和调度效率均达到设计目标为城市轨道交通的信息化与智能化升级提供了基础。整理人工智能用于轨道交通的建设深度学习用于客流和工期的预测人工智能能够应用于轨道交通建设运营一体化3.CEEMDAN-IPSO-LSTM城市轨道交通系统短期客流预测的新模型城市轨道交通是公共交通的关键方式承载着最大的用户需求。短期客流预测旨在提升管理效能避免公共交通资源浪费。为预测城市轨道交通客流单一模型难以同时处理好数据序列的非线性、相关性和周期性。本文提出一种基于完全自适应噪声完备集合经验模态分解与长短期记忆神经网络的短期客流预测组合模型以更准确地预测城市轨道交通的短时客流。同时采用改进粒子群优化算法对长短期记忆神经网络的超参数进行寻优。首先CEEMDAN-IPSO-LSTM模型对客流数据进行CEEMDAN分解去除噪声数据后得到非耦合的本征模态函数分量和一个残差序列。其次为每个分解后的分量构建CEEMDAN-IPSO-LSTM客流预测模型并提取预测值。最后实验结果表明与单一LSTM模型相比CEEMDAN-IPSO-LSTM模型在标准差SD、均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE上分别降低了40人/35人、44人/35人、37人/31人和46.89%/35.1%在相关系数R和决定系数R²上分别提高了2.32%/3.63%和2.19%/1.67%。该模型能够降低因乘客过度拥挤尤其是COVID-19疫情期间带来的公共卫生安全风险同时通过交通流优化减少对环境的负面影响发展低碳交通。整理新模型用于短时客流预测CEEMDAN-IPSO-LSTM模型对城市轨道交通系统短期客流预测4.改进的自适应差分进化优化BP神经网络用于城市轨道交通短期进站客流预测针对传统BP神经网络在城市轨道交通短期进站客流预测中易陷入局部最优、预测精度有限的问题本研究提出一种基于改进的自适应差分进化优化BP神经网络ISADE-BPNN的智能预测方法。首先将研究对象定义为小时进站客流分析其时空特征和主要影响因素。其次基于面向服务架构SOA构建客流数据采集平台并采用概率统计方法对缺失数据进行填补。再次为克服传统差分进化算法参数固定、易早熟收敛的局限性提出三项改进基于进化状态的自适应参数调整策略、融合客流时空特征的混合变异策略以及基于历史成功信息的学习机制。最后构建了“ISADE全局优化 梯度下降局部精调”的两阶段混合预测框架。以中国某一线城市的地铁线路为实验对象对自适应参数机制进行了理论分析通过单调进化因子行为和参数有界性证明了其收敛性质。将所提方法与GA-BPNN、DE-BPNN以及具有代表性的深度学习基线模型——长短期记忆网络和门控循环单元网络进行比较。实验结果表明在小时进站客流预测任务中所提出的ISADE-BPNN方法在RMSE和MAE两项评价指标上均优于选定的DE-BPNN、GA-BPNN、LSTM和GRU基线模型实现了更高的预测精度。通过全面的计算实验及消融研究分离出包括自适应参数策略在内的各个改进模块的贡献Wilcoxon秩和检验证实所提方法与所有对比方法之间的性能差异具有统计学显著性p 0.05。整理新模型用于短时客流预测传统BP神经网络在城市轨道交通短期进站客流预测中易陷入局部最优、预测精度有限的问题该论文改进BP神经网络用于城市轨道交通短期进站客流预测5.城市轨道交通系统短时客流预测一种利用多源大数据的深度学习方法预测城市轨道交通的短时客流对于城市轨道系统的智能化和实时化管理至关重要。本研究利用深度学习技术与多源大数据构建了一种增强型时空长短期记忆ST-LSTM模型用于地铁客流预测。该模型包含三个关键部分1时间相关性学习模块捕捉站点间的出行模式帮助筛选有效的训练数据2空间相关性学习模块利用地理信息和客流变化提取站点间的空间关联并提供一种可解释的方法来量化这些关联3融合模块将历史时空特征与实时数据整合以准确预测客流。此外我们还探讨了该模型的可解释性。利用南京和重庆两个大规模真实地铁数据集对 ST-LSTM 模型进行了评估。实验结果表明ST-LSTM 模型能够有效捕捉时空相关性且性能显著优于其他基准方法。整理新模型用于短时客流预测LSTM模型-RNN6.不同交通状况下的地铁客流预测客流预测对城市轨道交通地铁系统的运营、管理、效率和可靠性至关重要。本研究利用中国大城市深圳的大规模地铁智能卡数据预测地铁网络中的动态客流。我们分析了四种经典预测模型历史平均模型、多层感知器神经网络模型、支持向量回归模型和梯度提升回归树模型。采用基于密度的噪声应用空间聚类DBSCAN算法识别每个地铁站的常规与异常交通状况。通过分析各模型在常规和异常交通状况下的预测精度探究不同模型在何种状况下表现更优。此外我们还研究了各模型能够提前多长时间实现客流的准确预测。我们的发现凸显了选择合适模型对于提高客流预测精度的重要性同时客流的内在模式对预测精度的影响更为显著。整理大数据用于短时客流预测人工智能-机器学习模型