30483

پيش‌بيني جريان مسافري در شبكه مترو تهران

كارشناسي ارشد

مهندسي راه‌آهن- حمل و نقل ريلي

1400

1402/11/25

مسعود يقيني

مهندسي راه‌آهن

امروزه، با پيشرفت سريع فناوري اطلاعات و توسعه روز افزون پايگاه‌هاي داده، ذخيره سازي داده‌هاي توليدي در صنايع مختلف به سرعت افزايش پيدا كرده است. يكي از ابزارهاي مهم در تحليل داده‌ها، كه با هدف ساخت مدل پيش بيني يا بررسي روابط بين داده‌ها مورد استفاده قرار مي گيرد، «داده كاوي» است. در مدهاي مختلف حمل و نقل مانند، حمل و نقل هوايي، دريايي و جاده‌اي داده‌هاي زيادي در حال توليد است. صنعت حمل و نقل ريلي نيز داراي حجم زيادي از داده‌ها در بخش‌هاي مختلف مي‌باشد. تحليل و بررسي اين داده‌ها مي‌تواند نتايج كاربردي و مفيدي به همراه داشته باشد. پيش‌بيني تقاضاي مسافري، يكي از موارد مهم و كاربردي در صنعت حمل و نقل ريلي است. اهميت اين موضوع در دوران همه‌گيري كرونا بيش از پيش نمايان شد. با فهم درست از تعداد مسافران، مي‌توان برنامه ريزي درستي براي تخصيص قطار به هر بلاك‌ داشت. داده‌هايي همچون زمان ورود و خروج مسافران از ايستگاه‌ها مي‌تواند در ساخت مدل پيش‌بيني جريان مسافري مورد استفاده قرار گيرد. در اين مطالعه پيش‌بيني جريان مسافري به صورت مكاني-زماني صورت گرفته و از داده‌هاي ارديبهشت ماه سال 1400 استفاده شده است. ابتدا داده‌ها به سه دسته روزهاي كاري، پنجشنبه و جمعه تقسيم شده اند و بصورت جداگانه مورد ارزيابي قرار گرفته‌اند. سپس داده‌ها بر اساس جريان مسافري و نقاط مهم شهري (POI) به هفت خوشه تقسيم شده است. در مرحله بعد، هر يك از خوشه‌هاي مكاني براي هر روز با الگوي متفاوت به تعداد خوشه‌هاي متفاوتي تقسيم مي‌شوند تا به خوشه‌بندي مكاني-زماني برسيم. براساس معيار سيلاوت تعداد مناسب خوشه‌ها بدست آمده است. در انتها مدل با بيشترين دقت براي هر كدام از سه دسته بندي موجود (روزهاي كاري، پنجشنبه و جمعه) انتخاب شده است.

1402/11/29

Passenger Flow Prediction in Tehran Subway Network

2/13/2025 12:00:00 AM

Millions of people are using subway as a main mode of transportation and this number has been increasing. By predicting the entrance and exit number of passengers, we can allocate the right number of trains and increase satisfaction among passengers. Previous studies have described various approaches to clusters of days and stations. However, these papers rarely focused on these types of days (weekend and working days) and lacked models that can predict online. They selected one model that was the best for all of their clusters, but we select the best model among the applied models for each cluster. In this paper, we clustered days into Different kind of days. Then, we developed a framework in order to combine temporal and spatial clusters. In spatial grouping, stations are divided into 7 clusters by the K-means method and based on passenger flow and POI data. Then, each station group is divided into different hour clusters each day, and the optimal number of clusters is obtained by silhouette score. Also, we applied LSTM, ANN, RF, Decision tree, GBoost, and XGBoost models to forecast the volume of passengers with concerning clusters. Finally, we analyzed and compared methods using RMSE, MSE, and R2, and selected the best model. RF was selected as the best model to predict both entrance and exit numbers on Fridays and exit numbers on Thursdays. GB was the best model to predict both entrance and exit numbers on working days and entrance numbers on Thursdays.

حمل و نقل شهري , خوشه بندي زماني _ مكاني , داده‌كاوي , پيش‌بيني تقاضاي مسافري , يادگيري ماشين , يادگيري عميق , مترو

urban rail transportation , spatiotemporal clustering , Data Mining , passenger flow prediction , Machine Learning , Deep Learning , Metro

Amir Hossein Salimi

Dr. Yaghini