陸百川,鄧 捷,馬慶祿,劉權(quán)富,張 凱
(1.重慶交通大學(xué) 交通運(yùn)輸學(xué)院,重慶 400074;2. 重慶交通大學(xué) 重慶山地城市交通系統(tǒng)與安全實(shí)驗(yàn)室,重慶 400074;3.貴州交通職業(yè)技術(shù)學(xué)院 信息工程系,貴州 貴陽 550008)
?
基于IC卡和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)公交客流量預(yù)測(cè)
陸百川1,2,鄧 捷1,3,馬慶祿1,劉權(quán)富1,張 凱1
(1.重慶交通大學(xué) 交通運(yùn)輸學(xué)院,重慶 400074;2. 重慶交通大學(xué) 重慶山地城市交通系統(tǒng)與安全實(shí)驗(yàn)室,重慶 400074;3.貴州交通職業(yè)技術(shù)學(xué)院 信息工程系,貴州 貴陽 550008)
在公交客流量特性分析基礎(chǔ)上,通過IC卡獲取了實(shí)時(shí)公交客流量數(shù)據(jù);結(jié)合GPS數(shù)據(jù),利用OD反推法分析了實(shí)時(shí)客流分布;進(jìn)而建立了基于IC卡和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)公交客流量預(yù)測(cè)模型并介紹了具體預(yù)測(cè)過程。對(duì)重慶市841公交線路進(jìn)行了實(shí)例分析,得到上下車客流真實(shí)值與預(yù)測(cè)值的平均絕對(duì)相對(duì)誤差均小于1.5%,實(shí)例計(jì)算結(jié)果表明該模型能獲取實(shí)時(shí)客流數(shù)據(jù),預(yù)測(cè)精度高,具有一定的實(shí)際應(yīng)用價(jià)值。
交通運(yùn)輸工程;IC卡信息;GPS數(shù)據(jù);RBF神經(jīng)網(wǎng)絡(luò);短時(shí)公交客流;客流預(yù)測(cè)
為解決越來越嚴(yán)重的城市交通擁堵問題,大力發(fā)展公共交通是有效的手段之一。為了達(dá)到這個(gè)目的,保障公交系統(tǒng)在不同環(huán)境中始終高效有序的運(yùn)營(yíng),首先需要一個(gè)良好的公交運(yùn)營(yíng)管理方案,在此基礎(chǔ)上進(jìn)行有效的運(yùn)營(yíng)調(diào)度,這就需要更多的公交信息和有效的預(yù)測(cè)。而針對(duì)公交運(yùn)營(yíng)的短時(shí)間客流量預(yù)測(cè),由于受到的影響因素隨機(jī)性強(qiáng),復(fù)雜程度高,空間因素制約性大,特別是客流量大的區(qū)域短時(shí)間尺度變化明顯,預(yù)測(cè)難度大[1]。通常采用的人工統(tǒng)計(jì)的方法,需要耗費(fèi)大量的人力和財(cái)力,且樣本量小,誤差大,實(shí)時(shí)性差。因此,研究短時(shí)公交客流量預(yù)測(cè)技術(shù)對(duì)于公交優(yōu)化具有一定的理論和實(shí)際意義。
近年來,研究者們將改進(jìn)的短時(shí)交通量預(yù)測(cè)方法用于短時(shí)公交客流量的預(yù)測(cè),其中常用的線性模型包含時(shí)間序列法和線性回歸分析法等[2],這類方法對(duì)基礎(chǔ)數(shù)據(jù)要求不高,預(yù)測(cè)過程簡(jiǎn)單,便于實(shí)現(xiàn),但在預(yù)測(cè)復(fù)雜的公交客流變化時(shí),無法保證預(yù)測(cè)精度;智能信息處理技術(shù)在數(shù)據(jù)挖掘中成熟的應(yīng)用,智能模型也廣泛用于短時(shí)公交客流量預(yù)測(cè),其中主要有BP神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等方法,這類方法數(shù)據(jù)擬合能力強(qiáng),預(yù)測(cè)結(jié)果精度高,但計(jì)算過程復(fù)雜,需要大量的歷史數(shù)據(jù),同時(shí)BP神經(jīng)網(wǎng)絡(luò)存在多個(gè)最優(yōu)解,預(yù)測(cè)精度不穩(wěn)定,模糊神經(jīng)網(wǎng)絡(luò)需要人工干預(yù),推理速度慢[3];支持向量機(jī)主要是針對(duì)模式分類,使用在預(yù)測(cè)中的理論支撐不成熟[4];將多種模型進(jìn)行結(jié)合同時(shí)用于預(yù)測(cè)的組合模型,各種模型優(yōu)劣互補(bǔ),預(yù)測(cè)結(jié)果精度高,但是預(yù)測(cè)模型復(fù)雜,當(dāng)前理論不成熟,需要進(jìn)一步研究;常用的短時(shí)公交客流量預(yù)測(cè)模型還有交通仿真模型、動(dòng)態(tài)交通分配模型和小波分析等,這些方法能用于復(fù)雜的交通環(huán)境,預(yù)測(cè)精度高,但由于模型復(fù)雜,實(shí)用性不強(qiáng)。
目前公交IC卡越來越普及,IC卡里面包含大量信息,可以進(jìn)一步提高公交預(yù)測(cè)精度,為公交預(yù)測(cè)提供一種更為科學(xué)的方法。筆者提出了基于IC卡和RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)公交客流量預(yù)測(cè)的方法,
這種方法通過IC卡實(shí)時(shí)獲取公交客流數(shù)據(jù)以及利用GPS數(shù)據(jù)獲取車輛位置等信息,將公交IC卡數(shù)據(jù)和GPS數(shù)據(jù)相互融合,得到具有IC卡編號(hào)、車輛位置、站點(diǎn)信息和時(shí)間等信息的數(shù)據(jù)組,采用RBF神經(jīng)網(wǎng)絡(luò)具有自主訓(xùn)練的能力對(duì)公交客流量進(jìn)行預(yù)測(cè)。IC卡數(shù)據(jù)和GPS數(shù)據(jù)所含信息量大,能實(shí)時(shí)獲取,為預(yù)測(cè)提供了可靠數(shù)據(jù)來源,RBF神經(jīng)網(wǎng)絡(luò)收斂速度快和只有唯一最優(yōu)解,提供了最有效預(yù)測(cè)模型,從而解決了數(shù)據(jù)調(diào)查困難和預(yù)測(cè)模型不科學(xué)的問題。
1.1 公交IC卡客流數(shù)據(jù)獲取
公交客流受到時(shí)間周期特性的影響,工作日的客流時(shí)間分布和周末客流時(shí)間分布不同,節(jié)假日和平常時(shí)間客流分布也各具特點(diǎn)。公交客流也受空間特性的影響,不同區(qū)域站點(diǎn)在早高峰、平峰和晚高峰時(shí)客流方向不同[5]。公交客流的時(shí)空特性,使得短時(shí)公交客流受到隨機(jī)影響因素多,不同時(shí)空下具有獨(dú)特變化趨勢(shì),采用一個(gè)站點(diǎn)在不同周期內(nèi)時(shí)間段的不同,以及上一個(gè)站點(diǎn)客流情況對(duì)該站點(diǎn)下一時(shí)刻的客流量進(jìn)行預(yù)測(cè)時(shí),為保證預(yù)測(cè)精度,需要大量實(shí)時(shí)客流數(shù)據(jù)。
采用人工調(diào)查法和傳統(tǒng)乘客計(jì)數(shù)器獲取的客流數(shù)據(jù),無法滿足當(dāng)前公交客流分析中實(shí)時(shí)客流數(shù)據(jù),以及個(gè)人信息內(nèi)容的需要。針對(duì)傳統(tǒng)公交客流獲取方法的不足,利用當(dāng)前公交系統(tǒng)采用的非接觸式IC卡收費(fèi)系統(tǒng),在完成對(duì)乘客的收費(fèi)的同時(shí)實(shí)現(xiàn)對(duì)持卡人出行信息的獲取,包含的主要信息有IC卡卡號(hào)、刷卡時(shí)間、卡類型、交易類型、消費(fèi)單位號(hào)、公交線路號(hào)、車輛編號(hào)、交易前金額、交易金額等信息。其中IC卡收費(fèi)系統(tǒng)有兩種類型,一類是根據(jù)乘車區(qū)間收費(fèi)的,上車、下車分別需要刷一次卡,這類系統(tǒng)主要用于軌道交通和少部分公交;另一類是只需要在上車時(shí)刷一次卡,這類是當(dāng)前最常用的IC卡收費(fèi)系統(tǒng),也是筆者的研究對(duì)象,研究同時(shí)需考慮使用其它方式付費(fèi)的乘客。整個(gè)IC卡信息采集流程主要包含7個(gè)角色,如圖1。
圖1 IC卡信息采集流程
1.2 基于單次刷卡的OD反推分析
傳統(tǒng)的單次刷卡OD反推法是采用IC卡信息,利用概率論模型[6]、神經(jīng)網(wǎng)絡(luò)模型、雙層數(shù)學(xué)規(guī)劃模型以及最小二差數(shù)等進(jìn)行反推,得到公交OD矩陣。這些模型存在各自的使用范圍和局限性,難以對(duì)數(shù)據(jù)量大、影響因素多以及實(shí)時(shí)性強(qiáng)的IC卡信息進(jìn)行準(zhǔn)確OD反推分析。為克服上述不足,基于當(dāng)前公交車輛上都安裝有GPS定位系統(tǒng),可以利用浮動(dòng)車采集技術(shù)與IC卡技術(shù)相結(jié)合完成對(duì)公交實(shí)時(shí)數(shù)據(jù)的采集,將采集的GPS數(shù)據(jù)用于公交OD反推分析。具體步驟為:IC卡信息和GPS數(shù)據(jù)的融合,得到一個(gè)包含兩類采集技術(shù)獲取數(shù)據(jù)的數(shù)據(jù)組,每個(gè)數(shù)據(jù)組就是一張IC卡刷一次的具體信息,包含了刷卡卡號(hào)、刷卡時(shí)間、消費(fèi)金額、刷卡站點(diǎn)、車輛編號(hào)、線路編號(hào)等信息;通過對(duì)所有數(shù)據(jù)組的處理,根據(jù)IC卡號(hào)統(tǒng)計(jì)時(shí)間段內(nèi)每個(gè)IC卡使用次數(shù);根據(jù)一次完整的出行包含出門和歸來,出門時(shí)需要刷一次卡和歸來同樣需要刷一次卡,這兩次刷卡就形成一個(gè)完整的OD對(duì),通過對(duì)多次刷卡不同情況的分析,可以得到不同使用次數(shù)和約束條件下構(gòu)成的OD分布。筆者對(duì)大數(shù)據(jù)的處理是通過程序化來實(shí)現(xiàn),實(shí)例采用Oracle數(shù)據(jù)庫中存儲(chǔ)過程的處理方法。
通過系統(tǒng)集成技術(shù)實(shí)現(xiàn)對(duì)IC卡繳費(fèi)系統(tǒng)、GPS定位系統(tǒng)、無線通信系統(tǒng)和中央數(shù)據(jù)庫系統(tǒng)的相互訪問,建立基于IC卡和RBF神經(jīng)網(wǎng)絡(luò)的公交客流量預(yù)測(cè)模型框架,如圖2。
圖2 公交客流量預(yù)測(cè)模型框架
模型采用系統(tǒng)集成技術(shù)實(shí)現(xiàn)IC售票系統(tǒng)和GPS定位系統(tǒng)間信息的相互訪問,使得信息處理中心很容易完成對(duì)公交IC卡信息與GPS數(shù)據(jù)的融合,形成包含有客流量、時(shí)間、公交屬性、線路和站點(diǎn)等完整信息的數(shù)據(jù)組;通過對(duì)數(shù)據(jù)組的分析,得到乘客客流量OD分布,時(shí)間段分布等數(shù)據(jù),再進(jìn)行推導(dǎo)得到站點(diǎn)OD出行統(tǒng)計(jì)數(shù)據(jù)和所有客流量統(tǒng)計(jì)數(shù)據(jù);得到的這兩種數(shù)據(jù)以及客流時(shí)間段分布數(shù)據(jù)作為原始數(shù)據(jù)輸入到RBF神經(jīng)網(wǎng)絡(luò),經(jīng)過RBF神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí),分析出公交客流量變化與這幾種數(shù)據(jù)間的關(guān)系模型,利用此關(guān)系模型就能依據(jù)現(xiàn)有數(shù)據(jù)預(yù)測(cè)未來客流量變化趨勢(shì)。
信息采集子系統(tǒng)能獲得使用該車輛乘客的IC卡信息和定位數(shù)據(jù),并發(fā)送到信息采集子系統(tǒng)處理中心,完成數(shù)據(jù)的分析,根據(jù)預(yù)測(cè)模型要求對(duì)數(shù)據(jù)進(jìn)行分類,格式調(diào)整等處理;再通過RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行處理,得到未來時(shí)間公交客流量數(shù)據(jù),實(shí)現(xiàn)對(duì)未來公交車客流量的預(yù)測(cè),具體預(yù)測(cè)步驟如下:
1)通過人工調(diào)查數(shù)據(jù)或者中央數(shù)據(jù)庫中的歷史數(shù)據(jù),以時(shí)間段劃分的順序,統(tǒng)計(jì)分析出各條公交線路上使用IC卡乘客數(shù)和使用現(xiàn)金乘客的比值關(guān)系,這個(gè)比值關(guān)系隨時(shí)間變化不斷更新[7];
2)根據(jù)IC卡售票系統(tǒng)的歷史統(tǒng)計(jì)數(shù)據(jù),采用OD反推法對(duì)數(shù)據(jù)進(jìn)行處理分析,確定各時(shí)間段的IC卡乘客出行的OD分布,并通過IC卡售票系統(tǒng)的實(shí)時(shí)數(shù)據(jù)進(jìn)行不斷更新;
3)通過IC卡售票系統(tǒng)的實(shí)時(shí)運(yùn)營(yíng)數(shù)據(jù),計(jì)算各站點(diǎn)、線路在過去時(shí)刻的IC卡乘客出行需求狀況;
4)樣本選取和設(shè)定RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù),通過RBF神經(jīng)網(wǎng)絡(luò)處理,得到最終預(yù)測(cè)結(jié)果[8];
5)將得到的預(yù)測(cè)結(jié)果進(jìn)行比例換算,獲得實(shí)際情況下的公交客流量數(shù)據(jù)。
為體現(xiàn)模型應(yīng)用的普遍性和合理性,筆者選取經(jīng)過重慶市多個(gè)商圈,客流量大,具有典型性的公交841線路所屬站點(diǎn)IC卡信息和GPS數(shù)據(jù)為實(shí)例數(shù)據(jù)來源,實(shí)例線路的公交起點(diǎn)為八公里站,終點(diǎn)為重慶火車北站,在這兩個(gè)站點(diǎn)間存在20個(gè)公交站點(diǎn)。
采用分組調(diào)查的方式,對(duì)這22個(gè)站點(diǎn)進(jìn)行非節(jié)假日,從早上6點(diǎn)到下午8點(diǎn)以1 h為基礎(chǔ)時(shí)間段的使用IC卡的乘客和整個(gè)乘客的關(guān)系數(shù)據(jù)進(jìn)行調(diào)查。根據(jù)調(diào)查結(jié)果統(tǒng)計(jì),使用IC卡的乘客數(shù)占總?cè)藬?shù)比例約為83%。
將線路中與調(diào)查時(shí)間相同的IC卡信息和GPS數(shù)據(jù)進(jìn)行整理;再利用信息集成技術(shù)對(duì)采集到的IC卡信息和GPS數(shù)據(jù)進(jìn)行融合,得到具有IC卡信息和GPS數(shù)據(jù)的數(shù)據(jù)組;接著對(duì)同一IC卡號(hào)使用次數(shù)進(jìn)行統(tǒng)計(jì);根據(jù)OD對(duì)形成條件對(duì)不同的刷卡次數(shù)分別處理,得到多種類型的OD對(duì)形成方式。
采用反推法對(duì)客流量數(shù)據(jù)進(jìn)行分析,得到每個(gè)站點(diǎn)使用IC卡的乘客出行OD分布。在分析時(shí)為了便于數(shù)據(jù)庫的處理,將站點(diǎn)的具體名字采用編號(hào)代替,最后通過統(tǒng)計(jì)分析得到同一時(shí)間段的整合數(shù)據(jù),包含信息統(tǒng)計(jì)開始時(shí)間、結(jié)束時(shí)間、上車站點(diǎn)編號(hào)、上車刷卡乘客人數(shù)、每個(gè)站點(diǎn)下車乘客數(shù)。
預(yù)測(cè)時(shí)為能最大化提高預(yù)測(cè)精度,將上車乘客和下車乘客分別進(jìn)行預(yù)測(cè)。通過數(shù)據(jù)統(tǒng)計(jì)分析得到上車乘客數(shù)據(jù),包含統(tǒng)計(jì)開始時(shí)間、結(jié)束時(shí)間、上車站點(diǎn)編號(hào)、上車客流量,如表1;統(tǒng)計(jì)分析得到下車開始時(shí)間、結(jié)束時(shí)間、下車站點(diǎn)編號(hào)、下車客流量,如表2。
表1 站點(diǎn)上車乘客統(tǒng)計(jì)格式
表2 站點(diǎn)下車乘客統(tǒng)計(jì)格式
預(yù)測(cè)后對(duì)同一時(shí)間,同一站點(diǎn)上車乘客數(shù)和下車乘客數(shù)進(jìn)行統(tǒng)計(jì),得到線路未來客流變化趨勢(shì)。為能夠科學(xué)分析筆者建立模型的預(yù)測(cè)效果,采用數(shù)理統(tǒng)計(jì)分析方法對(duì)真實(shí)值和預(yù)測(cè)值的誤差進(jìn)行分析。
采用模型對(duì)第1個(gè)站點(diǎn)的上車乘客流量和下車乘客流量進(jìn)行預(yù)測(cè),模型輸入數(shù)據(jù)有該公交站點(diǎn)歷史上車乘客統(tǒng)計(jì)數(shù)據(jù)、上車使用IC卡乘客時(shí)段分布統(tǒng)計(jì)數(shù)據(jù)和經(jīng)過該站點(diǎn)的公交線路客流分析數(shù)據(jù)。為能驗(yàn)證模型預(yù)測(cè)結(jié)果和實(shí)際情況的對(duì)比效果,同時(shí)為了能提高預(yù)測(cè)結(jié)果的準(zhǔn)確性,盡量擴(kuò)大訓(xùn)練樣本的容量,因此采用80%數(shù)據(jù)為模型訓(xùn)練樣本,20%數(shù)據(jù)為預(yù)測(cè)樣本。其預(yù)測(cè)結(jié)果如圖3和圖4。
圖3 上車客流量實(shí)際值與預(yù)測(cè)值曲線及誤差曲線
圖4 下車客流量實(shí)際值與預(yù)測(cè)值曲線及誤差曲線
圖3的早高峰和圖4的晚高峰誤差曲線變化比較大,表明此站點(diǎn)在高峰的時(shí)候乘客數(shù)變化較大,預(yù)測(cè)難度大,導(dǎo)致預(yù)測(cè)精度下降。通過上下車誤差曲線還可以知道,公交車IC卡收費(fèi)系統(tǒng)采用的是上車刷卡,下車不刷,下車乘客數(shù)是以上車乘客數(shù)為基礎(chǔ)數(shù)據(jù),采用OD反推模型分析出來,因此,上車乘客數(shù)的預(yù)測(cè)結(jié)果比下車乘客數(shù)的預(yù)測(cè)結(jié)果更接近真實(shí)值。
通過分析指標(biāo)對(duì)誤差的統(tǒng)計(jì)分析,得到最終結(jié)果如表3。
表3 重慶市841線路公交客流量實(shí)際值與預(yù)測(cè)值一覽
由表3可知,上車客流和下車客流中預(yù)測(cè)值都接近實(shí)際值,平均絕對(duì)相對(duì)誤差都在1.5%以內(nèi),最大絕對(duì)相對(duì)誤差在4%以內(nèi),均方根誤差在1.5%以內(nèi)。這些誤差數(shù)據(jù)說明基于IC卡和RBF神經(jīng)網(wǎng)絡(luò)的方法能實(shí)現(xiàn)對(duì)公交客流量變化趨勢(shì)的準(zhǔn)確預(yù)測(cè),基本符合實(shí)際情況。以后隨著IC卡使用量不斷增加,誤差會(huì)更小。
采用公交IC卡信息和GPS數(shù)據(jù)的實(shí)時(shí)動(dòng)態(tài)采集技術(shù),以及RBF神經(jīng)網(wǎng)絡(luò)適合多變量數(shù)據(jù)的處理,具有唯一最佳逼近點(diǎn),泛化能力能強(qiáng)的特點(diǎn),提出了基于IC卡的RBF神經(jīng)網(wǎng)絡(luò)公交客流量預(yù)測(cè)模型。通過公交車上的IC卡售票系統(tǒng)和GPS定位系統(tǒng)獲取實(shí)時(shí)動(dòng)態(tài)的客流信息和車輛信息,采用反推法對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析獲取客流量實(shí)時(shí)客流分布,再通過RBF神經(jīng)網(wǎng)絡(luò)對(duì)未來時(shí)間段的客流量進(jìn)行預(yù)測(cè),建立了實(shí)時(shí)動(dòng)態(tài)的公交客流量預(yù)測(cè)模型,并用重慶市841公交線路進(jìn)行實(shí)例驗(yàn)證。結(jié)果表明,該模型不僅能減少調(diào)查時(shí)的人力和物力需要,還能在很大程度上提高預(yù)測(cè)精度,在理論和實(shí)際應(yīng)用中都有一定價(jià)值。
[1] 李曉俊,呂曉艷,劉軍,等.基于徑向基神經(jīng)網(wǎng)絡(luò)的鐵路短期客流預(yù)測(cè)[J].鐵道運(yùn)輸與經(jīng)濟(jì),2011,33(6):86-89. Li Xiaojun,Lv Xiaoyan,Liu Jun,et al.Forecast of railway short-term passenger flow based on RBF neural network [J].Railway Transport and Economy,2011,33(6):86-89.
[2] 姜華平,陳海泳.城市公交客運(yùn)量的預(yù)測(cè)模型研究[J].統(tǒng)計(jì)與決策,2005(6):30-32. Jiang Huaping,Chen Haiyong.Forecast model of public transit volume [J].Statistics and Decision,2005(6):30-32.
[3] 張冬青,寧宣熙,劉雪妮.基于RBF神經(jīng)網(wǎng)絡(luò)的非線性時(shí)間序列在線預(yù)測(cè)[J].控制理論與應(yīng)用,2009,26(2):151-155. Zhang Dongqing,Ning Xuanxi,Liu Xueni.On-line prediction of nonlinear time series using RBF neural networks [J].Control Theory and Applications,2009,26(2):151-155.
[4] 王樹洋,黃天民,方新.基于PSO-SVM的交通流量短時(shí)預(yù)測(cè)[J].重慶交通大學(xué)學(xué)報(bào):自然科學(xué)版,2012,31(4):832-835. Wang Shuyang,Huang Tianmin,Fang Xin.Short-time prediction of traffic flow on the basis of PSO-SVM [J].Journal of Chongqing Jiaotong University:Natural Science,2012,31(4):832-835.
[5] 沈家軍,王煒,陳峻,等.基于灰色馬爾可夫模型的近期公交客流量預(yù)測(cè)[J].公路交通科技,2007,24(9):120-123. Shen Jiajun,Wang Wei,Chen Jun,et al.Short-term urban public transit volume forecast based on Gray-Markov Mode [J].Journal of Highway and Transportation Research and Development,2007,24(9):120-123.
[6] 周雪梅,楊熙宇,吳曉飛,等.基于IC卡信息的公交客流起止點(diǎn)反推方法[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版,2012,40(7):1027-1030. Zhou Xuemei,Yang Xiyu,Wu Xiaofei,et al.Origin destination matrix estimation method of public transportation flow based on data from bus integrated circuit cards [J].Journal of Tongji Univeilsity:Natural Science,2012,40(7):1027-1030.
[7] Joaquín de Cea,Enrique Fernnd.Transit assignment for congested public transport system:An equilibrium model [J].Transportation Science,1993,27(2):133-147.
[8] 姜平,石琴,陳無畏,等.公交客流預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型[J].武漢理工大學(xué)學(xué)報(bào):交通科學(xué)與工程版,2009,33(3):414-417. Jiang Ping,Shi Qin,Chen Wuwei,et al.Forecast of passenger volume based on neutral network [J].Journal of Wuhan University of Technology:Transportation Science & Engineering,2009,33(3):414-417.
A Short-Term Public Transit Volume Forecasting Model Basedon IC Card and RBF Neural Network
Lu Baichuan1, 2, Deng Jie1, 3, Ma Qinglu1, Liu Quanfu1, Zhang Kai1
(1. School of Traffic & Transportation, Chongqing Jiaotong University, Chongqing 400074, China;2. Key Lab of Traffic System & Safety in Mountain Cities, Chongqing Jiaotong University, Chongqing 400074, China;3. Department of Information Engineering, Guizhou Polytechnic College of Communications, Guiyang 550008, Guizhou, China)
On the base of the analysis on characteristics of bus passenger volume, the real-time data of public transit volume was obtained by IC card. Combining with GPS data, the real-time distribution of passenger volume was analyzed by OD back-stepping method. And then the forecasting model of short-term public transit volume based on IC card and RBF neural network was established, meanwhile, the specific forecasting process was also introduced. No. 841 bus route in Chongqing was taken as an example to verify the proposed forecasting model. It is found that the average absolute relative error of the real value and the predicted value of the passenger flow is less than 1.5%. The results of case study show that the proposed model can obtain real-time traffic data and achieve high prediction accuracy, which has certain practical application value.
traffic and transportation engineering; IC card information; GPS data; RBF neural network; short-term public transit volume; passenger volume forecasting
10.3969/j.issn.1674-0696.2015.06.20
2014-04-15;
2014-10-15
國家外國專家局2011教科文衛(wèi)引智項(xiàng)目計(jì)劃(What011201)
陸百川(1961—),男,江蘇南通人,教授,博士,博士生導(dǎo)師,主要從事交通信息工程及控制方面的研究。E-mail: dengjie2079@126.com。
U491.1
A
1674-0696(2015)06-106-05