灰色變異粒子群算法在公交客流量預(yù)測中的應(yīng)用＊

米根鎖，梁 利，楊潤霞

（蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅 蘭州730070）

1 引言

公交客流量是公交系統(tǒng)規(guī)劃和發(fā)展的基礎(chǔ)數(shù)據(jù)，由于公交客流量影響因素的隨機性、不確定性和復(fù)雜性，因此一些傳統(tǒng)的預(yù)測法預(yù)測的客流量與實際客流量之間存在較大的偏差［1～3］?；疑碚撨m合于不確定、隨機因素影響領(lǐng)域的預(yù)測，并在這些預(yù)測領(lǐng)域中得到了廣泛的應(yīng)用［4］。公交客流量的預(yù)測可看作是個灰色系統(tǒng)，將灰色理論引入到公交客流量預(yù)測領(lǐng)域中，運用灰色預(yù)測法來預(yù)測未來的公交客流量［5］。但是，傳統(tǒng)灰色預(yù)測法在求解模型參數(shù)時采用最小二乘法，最終建立的模型求得的預(yù)測值與實際值擬合度較差，預(yù)測結(jié)果誤差較大，預(yù)測的精度不高［6］。針對以上問題，本文在傳統(tǒng)灰色預(yù)測法的基礎(chǔ)上，引入變異粒子群算法對灰色預(yù)測模型中的參數(shù)進行優(yōu)化，以提高其預(yù)測精度，使其能對公交客流量進行準(zhǔn)確預(yù)測。并選取1987年～1991年及1994年～2003年銅州市公交客流量的實際數(shù)據(jù)，對灰色變異粒子群組合預(yù)測模型的精度和可行性進行分析，仿真結(jié)果得出該組合預(yù)測模型優(yōu)于傳統(tǒng)的（單變量一階灰色預(yù)測模型）GM（1，1）及其他幾種常用預(yù)測算法。用此組合預(yù)測模型來預(yù)測公交客流量，能準(zhǔn)確地預(yù)測出未來公交客流量的大小，為公交系統(tǒng)的規(guī)劃與建設(shè)提供準(zhǔn)確的數(shù)據(jù)，有利于城市公交的快速發(fā)展。

2 傳統(tǒng)的灰色GM（1，1）模型

灰色系統(tǒng)采用將原始數(shù)據(jù)進行直接累加或者移動平均加權(quán)累加的方法，生成具有一定規(guī)律的新數(shù)列，且利用特定的曲線逼近其相應(yīng)曲線，以逼近的曲線作為模型，對待預(yù)測系統(tǒng)進行預(yù)測。該方法的優(yōu)點是預(yù)測時需要的原始數(shù)據(jù)較少，數(shù)據(jù)分布可以隨機，僅需原始時間數(shù)據(jù)序列即可［7］。

目前，在灰色系統(tǒng)理論中應(yīng)用最為普遍的一種預(yù)測模型是GM（1，1），其不受一般統(tǒng)計模型對原始數(shù)據(jù)各種要求的約束限制，且考慮影響因素較少，具有較強的有效性和實用性。在建立GM（1，1）模型時，首先要對原始數(shù)據(jù)數(shù)列進行處理，構(gòu)造出規(guī)律性較強的新數(shù)列，即對原始數(shù)列進行一次累加，生成新的數(shù)列。其建模過程如下：

原始數(shù)據(jù)數(shù)列X（0）：

對式（1）進行一次累加生成新數(shù)列X（1）：

由于累加生成的式（2）新數(shù)列能將任意非負數(shù)列轉(zhuǎn)化為非減的遞增數(shù)列，因此使該數(shù)列減弱了隨機性，加強了規(guī)律性。

對式（2）中的X（1）建立其白化方程為：

式（3）是含一個變量的一階微分方程，記為GM（1，1）。記參數(shù)數(shù)列運用最小二乘法求解參數(shù)：

式（4）中矩陣B為：

求得微分方程（3）的響應(yīng)方程為：

3 變異粒子群算法

1995年Kennedy 和Ebehart提出了粒子群PSO（Particle Swarm Optimization）算法，PSO 算法最初的思想源于對鳥群的群體捕食行為的研究。在群體中，各個個體通過信息共享和交流搜索出食物所在的位置，即待優(yōu)化問題的最優(yōu)解。在該算法中，每個個體就是待優(yōu)化問題的一個隨機解，即被稱之為“粒子”。每個粒子具有各自一個適應(yīng)值，該適應(yīng)值由待優(yōu)化問題的目標(biāo)函數(shù)決定，每個粒子還具有各自的飛行速度和方向。PSO 算法開始先隨機初始化一群粒子（隨機解）及其速度，然后每個粒子根據(jù)一定的公式更新自己的位置和速度，迭代直到滿足終止條件為止。每一次迭代過程中，每個粒子依據(jù)個體極值Pi和全局極值Pg來更新自身的飛行方向（位置）和速度，最終找到全局位置最優(yōu)的那個粒子（最優(yōu)解），即優(yōu)化問題的最優(yōu)解。每個粒子更新自己的速度和位置的公式如下：

其中，Vi（t）是粒子i在第t次迭代的速度；Xi（t）是粒子i第t次迭代的位置；rand（）是隨機數(shù)，取值為（0，1）之間的數(shù)；C1、C2是學(xué)習(xí)因子，一般在（0，2）間取值；W是慣性因子。粒子群算法雖然有很好的魯棒性，但容易陷入局部最優(yōu)。為了克服該算法的缺點，文獻［8］對該算法進行改進，避免陷入局部最優(yōu)，使得在優(yōu)化中達到全局最優(yōu)。本文基于此文獻改進PSO 算法，加入變異算子的思想，在粒子群算法中加入變異因子，即在粒子陷入局部最優(yōu)時，按照一定的擾動方式對部分最優(yōu)解重新初始化，避免了陷入局部最優(yōu)，在全局中搜索出最優(yōu)解。首先判斷粒子的群體適應(yīng)度方差σ2，當(dāng)σ2等于或低于設(shè)定閾值時，粒子群有可能陷入局部最優(yōu)，粒子找到的解有可能是局部最優(yōu)解［8］，同時根據(jù)式（10）判定需初始化的粒子數(shù)目是否大于或等于2/n，對個體極值遠離全局極值的粒子重新初始化，跳出在局部范圍搜索，其初始化判斷公式如下：

其中，gbest為當(dāng)前粒子群群體最優(yōu)解；gi為個體粒子i最優(yōu)解；gmin為非擾動下限值；gmax為非擾動上限值。若gmin≤p≤gmax則粒子群不初始化，否則初始化。為了表述本文加入變異算子的性能優(yōu)于文獻［8］，以三個簡單的函數(shù)為測試對象，對本文加入變異因子使粒子群算法跳出局部最優(yōu)的變異算法與帶變異算子的自適應(yīng)粒子群優(yōu)化算法（PSOH）的收斂性能進行比較。

求解f1（x）＝x2＋2的最小值，在測試中學(xué)習(xí)因子采用非對稱形式（提高收斂速度），C1＝0.4，C2＝0.9；慣性權(quán)重為Wmin＝0.2，Wmax＝0.8；種群數(shù)n＝50；最大迭代次數(shù)nmax＝30。兩種算法的性能仿真結(jié)果如圖1所示。

Figure 1 Function f1（x）optimization evolutionary curves圖1 函數(shù)f1（x）尋優(yōu)進化曲線

測試結(jié)果表明，PSO－H 算法在第17次達到最優(yōu)值2，而本文加入變異因子后，在第12次達到最優(yōu)解，該算法的性能明顯優(yōu)于PSO－H 算法，避免了PSO 陷入局部收斂，具有良好的性能，同時也說明了加入變異算子改進粒子群算法的可行性和優(yōu)越性。

求解f2（x）＝10cos（2πx）＋10的最小值，測試中C1＝0.4，C2＝0.9；慣性權(quán)重為Wmin＝0.2，Wmax＝0.8；種群數(shù)n＝30；最大迭代次數(shù)nmax＝50。兩種算法的性能仿真結(jié)果如圖2所示。

Figure 2 Function f2（x）optimization evolutionary curves圖2 函數(shù)f2（x）尋優(yōu)進化曲線圖

測試結(jié)果表明，PSO－H 算法在第31次達到最優(yōu)值0，而本文加入變異因子后，在第16次達到最優(yōu)解。

求解f3（x）＝5sin（2πx）＋2的最小值，測試中C1＝0.4，C2＝0.9；慣性權(quán)重為Wmin＝0.2，Wmax＝0.8；種群數(shù)n＝30；最大迭代次數(shù)nmax＝50。兩種算法的性能仿真結(jié)果如圖3所示。

Figure 3 Function f3（x）optimization evolutionary curves圖3 函數(shù)f3（x）尋優(yōu)進化曲線圖

通過圖1～圖3可知，該算法的性能明顯優(yōu)于PSO－H 算法，避免了PSO 陷入局部收斂，具有良好的性能，同時也說明了加入變異算子改進粒子群算法的可行性和優(yōu)越性。

4 灰色變異粒子群組合模型的建立

4.1 灰色GM（1，1）模型局限性分析

文獻［6］研究表明，GM（1，1）模型運用最小二乘法求解參數(shù)時，由于式（3）將作為已知條件，因此，所求解的參數(shù)存在較大的系統(tǒng)誤差，無法滿足擬合條件，求得的預(yù)測方程不一定是最優(yōu)的預(yù)測方程，結(jié)果會影響預(yù)測的精度，所建立的預(yù)測模型的精度方差比C及小誤差概率P較差，精度評價表如表1所示［9］。由于粒子群算法可以用于參數(shù)優(yōu)化研究中［10］，因此，本文運用變異粒子群算法優(yōu)化此模型的參數(shù)a、u，在可行解范圍內(nèi)尋求最優(yōu)參數(shù)解，以最優(yōu)參數(shù)來建立預(yù)測模型，提高灰色GM（1，1）的預(yù)測精度，能準(zhǔn)確地預(yù)測未來公交客流量。

Table 1 Model precision表1 模型精度表

4.2 灰色變異粒子群組合模型建立

由表1 可知，方差比C越小，預(yù)測的精度越高，本文以方差比為目標(biāo)函數(shù)，在a、u的可行解范圍內(nèi)尋求滿足目標(biāo)函數(shù)最小的最優(yōu)參數(shù)a、u的值，建立精度較高的預(yù)測模型。

方差比：

其中，S1為原始數(shù)據(jù)的均方差，S2為殘差的均方差。

建立組合預(yù)測模型的步驟如下：

（1）讀取原始數(shù)據(jù)序列。

（2）t＝1時，初始化粒子群。隨機初始化粒子的位置x和速度v；設(shè)定粒子的數(shù)目n；設(shè)定其它參數(shù)值。每個粒子都是一個二維向量，分別代表參數(shù)a和u。

（3）設(shè)定非擾動下限值gmin及非擾動上限值gmax；設(shè)定適應(yīng)度方差閾值。

（4）隨機初始化全局最優(yōu)解gbest及其局部最優(yōu)gi。

（5）根據(jù)式（9）每個粒子更新自己的速度和位置，并不斷更新全局最優(yōu)粒子。

（6）求解適應(yīng)度函數(shù)值。每個粒子依據(jù)式（11）計算自身的適應(yīng)值。適應(yīng)值是評價粒子位置優(yōu)劣的依據(jù)。

（7）每個粒子更新自己搜索的個體最優(yōu)值和群體最優(yōu)值。

（8）計算適應(yīng)度方差值σ2。如果σ2等于零或者低于閾值，則算法可能陷入局部最優(yōu)，且根據(jù)式（10）判斷遠離全局極值的粒子數(shù)目是否大于或等于2/n，若是則轉(zhuǎn)至步驟（10），否則轉(zhuǎn)至步驟（9）。

（9）判斷是不是達到最大迭代次數(shù)，若是，則輸出最優(yōu)參數(shù)a、u，否則跳至步驟（5）。

（10）根據(jù)式（10），對部分粒子進行擾動變異即重新初始化，轉(zhuǎn)至步驟（6）。

（11）根據(jù)步驟（9）求解的最優(yōu)參數(shù)a和u，建立預(yù)測模型，計算出預(yù)測數(shù)據(jù)。

5 實例分析

原始數(shù)據(jù)數(shù)列的選取為1994 年～2003 年銅州市公交客流量的歷史客流量數(shù)據(jù)（1991年、1992年、1993年 歷 史 客 流 分 別 為2 194 萬 次、2 130 萬次、1 918萬次）。在MATLAB R2007b環(huán)境下實現(xiàn)了傳統(tǒng)單一GM（1，1）灰色預(yù)測模型和灰色變異粒子群組合預(yù)測模型預(yù)測公交客流量的仿真。在實驗中學(xué)習(xí)因子C1＝0.4，C2＝0.9；慣性權(quán)重為Wmin＝0.2，Wmax＝0.8；種群數(shù)n＝50；最大迭代次數(shù)nmax＝50。兩種算法的性能仿真結(jié)果如表2所示。

Table 2 Simulation results表2 仿真結(jié)果表

從仿真結(jié)果可以看出，組合模型的預(yù)測相對誤差低于GM（1，1）預(yù)測數(shù)據(jù)的相對誤差，該組合模型預(yù)測出的客流量更接近實際客流量值，誤差相對較小。因此，將灰色預(yù)測法與變異粒子群算法相結(jié)合，建立一種組合預(yù)測模型能很好地預(yù)測公交客流量，預(yù)測誤差明顯低于單一GM（1，1）預(yù)測模型的預(yù)測誤差。兩種預(yù)測模型的C、P精度比較及平均誤差如表3所示。

由表3可知，以方差比為目標(biāo)函數(shù)，運用變異粒子群算法搜索最優(yōu)的參數(shù)a、u，建立的預(yù)測模型平均誤差小于單一傳統(tǒng)的GM（1，1）預(yù)測模型的平均誤差。兩種模型求解預(yù)測值與實際值的擬合趨勢如圖4所示。

Table 3 Comparison of Precision表3 精度比較表 %

Figure 4 Fitting between the predicted values and actual values of the two models圖4 兩種模型預(yù)測值與實際值的擬合趨勢

由圖4可知，組合預(yù)測模型預(yù)測的客流量與實際的客流量擬合較好，更接近實際數(shù)據(jù)。而單一GM（1，1）預(yù)測模型所預(yù)測的客流量與實際客流量擬合較差，偏差較大。相比灰色變異粒子群組合模型預(yù)測精度較高，更具有實用性。

為了進一步說明組合預(yù)測模型的優(yōu)越性，選取1987年～1991年銅州市公交客流量為原始數(shù)據(jù)進行與隨機灰色預(yù)測［11］、遞歸網(wǎng)絡(luò)模型預(yù)測［12］、隨機灰色蟻群神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測［13］仿真對比，驗證此組合預(yù)測模型預(yù)測的優(yōu)越性。預(yù)測值如表4所示，對比仿真圖如圖5所示，相對誤差對比如表5所示。

Figure 5 Simulation of predicted data圖5 預(yù)測值對比仿真圖

Table 4 Prediction values（/Ten thousands times）表4 預(yù)測值表 萬次

Table 5 Comparison of relative error表5 相對誤差對比表 %

幾種模型的相對平均誤差對比如表6所示。

Table 6 Comparison of average error表6 平均誤差對比表 %

幾種模型的相對誤差比較如圖6所示。

Figure 6 Relative error figure圖6 相對誤差圖

本文以1991年的客流量為例，通過以上幾種算法對其預(yù)測，并對本文算法的收斂性能進行分析，仿真圖如圖7所示。

從圖6可知，GM（1，1）算法第33次達到最優(yōu)值2 143萬次，隨機灰色算法第28 次達到最優(yōu)值2 130萬次，遞歸網(wǎng)絡(luò)算法第25次達到最優(yōu)值2 135萬次，隨機灰色蟻群神經(jīng)網(wǎng)絡(luò)算法第21次達到最優(yōu)值2 150萬次，本文PSO 算法第15次達到最優(yōu)值2 159萬次，由此可知，本文改進算法優(yōu)于其他幾種常用預(yù)測算法，收斂性能較好。

Figure 7 Algorithm optimization evolutionary curves圖7 算法尋優(yōu)進化曲線圖

由圖6可知，組合預(yù)測模型的相對誤差小于其他幾種預(yù)測算法的相對誤差，從圖7可看出，本文改進PSO 算法的收斂性能明顯優(yōu)于其他幾種預(yù)測算法。實例表明，變異粒子群組合預(yù)測模型的預(yù)測精度明顯高于單一GM（1，1）預(yù)測模型及其其他幾種預(yù)測算法的預(yù)測精度，預(yù)測值更接近實際值，運用此組合預(yù)測模型更能準(zhǔn)確地預(yù)測未來客流量的大小。

6 結(jié)束語

本文結(jié)合灰色理論與變異粒子群算法建立了一種灰色變異粒子群組合預(yù)測模型，通過具體的函數(shù)驗證了算法的優(yōu)越性，并通過實例驗證分析表明，組合預(yù)測模型的預(yù)測精度明顯高于單一GM（1，1）預(yù)測模型及其其他幾種常用預(yù)測算法。因此，運用變異粒子群算法優(yōu)化傳統(tǒng)灰色預(yù)測模型的參數(shù)，明顯提高了預(yù)測精度，將此組合模型運用到公交客流量預(yù)測中，預(yù)測數(shù)據(jù)與實際數(shù)據(jù)擬合較好，能準(zhǔn)確地預(yù)測出公交客流量，為公交系統(tǒng)的發(fā)展與規(guī)劃提供科學(xué)的基礎(chǔ)依據(jù)，從而能夠合理地建設(shè)公交系統(tǒng)，促進公交系統(tǒng)的快速發(fā)展。

［1］ Zhang Chun－h(huán)ui，Song Rui，Sun Yang.The short－term passenger flow prediction of bus stations based on kalman filtering［J］.Journal of Transportation Systems Engineering and InformationTechnology，2011，11（4）：154－159.（in Chinese）

［2］ Yan Qi－sheng，Wang Shi－tong.Support vector regression model of highway traveling passenger volume traffic forecasting［J］.Computer Engineering and Applications，2011，47（9）：233－235.（in Chinese）

［3］ Hong Bing－rong，Jin Fei－h(huán)u，Gao Qing－ji.Multi－layer feedforward neural network based on ant colony system ［J］.Journal of Harbin Institute of Technology，2003，35（7）：823－825.（in Chinese）

［4］ Zhang Cheng，Zhou Xiang－feng.Prediction of railway freight volumes based on grey forcast－markov chain－qualitative analysis［J］.Journal of Railway，2007，29（5）：15－21.（in Chinese）

［5］ Fang Li－jun，Wu Zhong.The application of GM（1，3）model in highway passenger capacity forcast of transportion system［J］.Journal of Highway and Transportion Research and Development，2006，23（3）：163－166.（in Chinese）

［6］ Zhang Da－h(huán)ai，Wang Shi－fang，Shi kai－quan.Theoretical defect of grey prediction formula and its improvement［J］.Systems Engineering－Theory＆ Practice，2002，22（8）：1－3.（in Chinese）

［7］ Rui Liu，Li Xiao－lei，Liu Si－feng.Deformation monitoring and forcasting model study based on grey system theory［J］.Advances in Intelligent and Soft Computing，2009，62：555－564.

［8］ Zhao Zhi－gang，Chang Cheng.Adaptive particle swarm optimization algorithm with hybrid mutation operator［J］.Computer Engineering and Application，2011，47（17）：42－44.（in Chinese）

［9］ Deng Ju－long.Grey theory［M］.Wuhan：Huazhong University of Science and Technology Press，2002.（in Chinese）

［10］ Li Song，Liu Li－jun，Liu Ying－peng.Prediction for chaotic time series of optimized BP neural network Based on modified PSO［J］.Computer Engineering and Applications，2013，49（6）：245－246.（in Chinese）

［11］ Zhang Fei－lian，Shi Feng.Stochastic gray system model for forcasting passenger and freight railway volume［J］.Journal of Central South University，2005，36（1）：158－159.（in Chinese）

［12］ Zhang Yan，Wang Fan－zhen，Chen zeng－qiang，et al.Recurrent neural networks－based multivariable system predictive control［J］.Journal of Nankai University，2006，39（1）：49－53.（in Chinese）

［13］ Wang Qing－rong，Zhang Qiu－yu.Forecasting of short－terms urban public transit volume based on random gray ant colony neural network［J］.Application Research of Computers，2012，29（6）：2080－2084.（in Chinese）

中文參考文獻：

［1］ 張春輝，宋瑞，孫楊.基于卡爾曼濾波的公交站點短時客流預(yù)測［J］.交通運輸系統(tǒng)工程與信息，2011，11（4）：154－159.

［2］ 顏七笙，王士同.公路旅游客流量預(yù)測的支持向量回歸模型［J］.計算機工程與應(yīng)用，2011，47（9）：233－235.

［3］ 洪炳熔，金飛虎，高慶吉.基于蟻群算法的多層前饋神經(jīng)網(wǎng)絡(luò)［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2003，35（7）：823－825.

［4］ 張誠，周湘峰.基于灰色預(yù)測－馬爾可夫鏈－定性分析的鐵路貨運量預(yù)測［J］.鐵道學(xué)報，2007，29（5）：15－21.

［5］ 方麗君，吳中.GM（1，3）模型在交通系統(tǒng)公路客運量預(yù)測中的應(yīng)用［J］.公路交通技術(shù)，2006，23（3）：163－166.

［6］ 張大海，汪世芳，史開泉.灰色預(yù)測公式的理論缺陷及改進［J］.系統(tǒng)工程理論與實踐，2002，22（8）：1－3.

［8］ 趙志剛，常成.帶變異算子的自適應(yīng)粒子群優(yōu)化算法［J］.計算機工程與應(yīng)用，2011，47（17）：42－44.

［9］ 鄧聚龍.灰理論基礎(chǔ)［M］.武漢：華中科技大學(xué)出版社，2002.

［10］ 李松，劉力軍，劉穎鵬.改進PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測［J］.計算機工程與應(yīng)用，2013，49（6）：245－246.

［11］ 張飛漣，史峰.鐵路客貨運量預(yù)測的隨機灰系統(tǒng)模型［J］.中南大學(xué)學(xué)報，2005，36（1）：159－159.

［12］ 張燕，王繁珍，陳增強，等.基于遞歸神經(jīng)網(wǎng)絡(luò)的多變量系統(tǒng)預(yù)測控制［J］.南開大學(xué)學(xué)報，2006，39（1）：49－53.

［13］ 王慶榮，張秋余.基于隨機灰色蟻群神經(jīng)網(wǎng)絡(luò)的近期公交客流預(yù)測［J］.計算機應(yīng)用研究，2012，29（06）：2080－2084.