城市軌道交通客流預(yù)測模型分析

曹一鑠

摘 要：近年來，地鐵由于其運客量龐大、高效等優(yōu)點永用的越來越廣泛，人們加強(qiáng)了對地鐵的研究。隨著城市軌道交通網(wǎng)絡(luò)系統(tǒng)的不斷優(yōu)化以及線網(wǎng)規(guī)模的逐漸擴(kuò)大，地鐵客流的時空分布特征也發(fā)生了巨大變化。根據(jù)地鐵的實際運營以及現(xiàn)實的情況，精確預(yù)測短期客運量對提高地鐵運行的效率來說至關(guān)重要。本文首先概述了客流的相關(guān)特性，然后分別對線性預(yù)測模型，非線性預(yù)測模型和基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型進(jìn)行了綜述。目的是為了能夠更好的對客流預(yù)測提出建議。

關(guān)鍵詞：客流;軌道交通;預(yù)測模型

0 引言

隨著國內(nèi)經(jīng)濟(jì)發(fā)展速度以動態(tài)的方式快速增長，軌道交通規(guī)劃的速度明顯提升，城市交通擁堵也隨之增加。提升公共交通建設(shè)和規(guī)劃的質(zhì)量成為解決交通擁堵問題的關(guān)鍵，特別是加速完善優(yōu)化建成城市軌道交通網(wǎng)絡(luò)系統(tǒng)。這就需要具有龐大的運輸能力且在城市結(jié)構(gòu)優(yōu)化與完善中發(fā)揮極其重要作用的城市軌道交通了，它具有安全、可承載人數(shù)多、全日通行及乘客滿意度高等特點，且符合可持續(xù)發(fā)展的基本原則，因此城市軌道交通屬于綠色環(huán)保的交通網(wǎng)絡(luò)系統(tǒng)。

1 城市軌道交通客流分析

客流是在一定時間范圍內(nèi)，乘客從一個地點移動到另一個地點的總和。它不僅體現(xiàn)了乘客實現(xiàn)地點的轉(zhuǎn)移，又表明了乘客的出行是具有一定的方向且包括了起始位置?？土魇菍嶋H客流，也可以是通過預(yù)測方法預(yù)測所得的預(yù)測客流。

目前來說，客流影響因素涉及到軌道交通沿線土地利用狀況、票價機(jī)制、軌道交通網(wǎng)絡(luò)系統(tǒng)以及軌道交通運營服務(wù)水平，同時，客流需求及其特性則包含廣泛性、派生性于時空性。根據(jù)不同高峰期特征，可以歸納出以下幾種客流日分布曲線，即單向峰型、雙向峰型、全峰型、突峰型以及無峰型。

2 線性客流預(yù)測模型

目前常用的單一類的線性預(yù)測模型涉及到時間序列預(yù)測法和回歸分析預(yù)測法。時間序列預(yù)測法，對于長期且數(shù)據(jù)量龐大的情況下的效果要比中、短期、時間跨度小預(yù)測的效果更加顯著。

2.1 時間序列預(yù)測法

時間序列預(yù)測法是根據(jù)一段時間序列上的過往數(shù)據(jù)進(jìn)行擴(kuò)展預(yù)測，該方法以時間順序為基本要素，通過分析各時間影響因素的發(fā)展及變化規(guī)律，完成對各相關(guān)數(shù)據(jù)發(fā)展趨勢的預(yù)測。時間序列預(yù)測法可以反映趨勢變化，周期性變化及隨機(jī)性變化，時間序列法主要有3種。

（1）簡單滑動預(yù)測法是對已有時間軸按一定時間隔向未來推移，計算時間序列平均數(shù)，對原有時間進(jìn)行延伸形成新的時間軸，減少短期內(nèi)突變造成的影響，表現(xiàn)出長時間的趨勢。

（2）加權(quán)滑動預(yù)測法是通過不同權(quán)重來表現(xiàn)以往實際值對預(yù)測值有不同程度的聯(lián)系，越是接近預(yù)測期的歷史數(shù)據(jù)與預(yù)測值的聯(lián)系會更緊密，因此其權(quán)重設(shè)置較大，距離預(yù)測期越遠(yuǎn)的數(shù)據(jù)與預(yù)測值的聯(lián)系往往較小，其權(quán)重設(shè)置較小。

（3）一次指數(shù)平滑預(yù)測法。該方法僅需要當(dāng)前周期預(yù)測值和實際值就可以估計當(dāng)前周期和未來周期數(shù)據(jù)的預(yù)測值，適用于數(shù)據(jù)量不夠充分的情況。

2.2 回歸分析預(yù)測法

回歸分析預(yù)測法不僅是根據(jù)時間順序來顯現(xiàn)出時間規(guī)律，而是找到時間及其他的外界因素與事物內(nèi)部之間動態(tài)變化的因果關(guān)系，來確定未來的發(fā)展趨勢。

2.3 卡爾曼濾波預(yù)測模型

卡爾曼濾波是采用由狀態(tài)方程和觀測方程組成的線性隨機(jī)系統(tǒng)的狀態(tài)空間模型來描述濾波器，利用狀態(tài)方程的遞推性，按線性無偏最小均方誤差估計準(zhǔn)則，用遞推算法對該濾波器的狀態(tài)變量作最佳估計，從而求得濾掉噪聲的有用信號的最佳估計，適用于交通狀況的預(yù)測。

3 非線性客流預(yù)測模型

3.1 小波分析模型

傳統(tǒng)的信號分析是以傅里葉變換為基礎(chǔ)。傅里葉變換的頻域信息是全局的，不能描述時頻局部化特征，無法表現(xiàn)非平穩(wěn)信號中最為本質(zhì)的部分，使傅里葉變換不能很好地分析與處理非平穩(wěn)信號。

在傅里葉變換的基礎(chǔ)上，Gabor提出了短時傅里葉變換[1]。在短時傅里葉變換中，窗函數(shù)確定，則時頻分析中的窗口形狀就確定，該單一分辨率的時頻分析方法更適用于分析較為平穩(wěn)的信號。為滿足窗口的大小隨頻率而變，更好地分析信號局部特征，小波分析被提出，該方法提供了隨頻率變化的時間-頻率窗口，很好地彌補(bǔ)了短時傅里葉變換的缺點。在小波變換中，時間窗會根據(jù)頻率進(jìn)行變化，高頻時變窄，低頻時則會自動加寬，從而可以進(jìn)行多分辨率分析，因而，小波分析也被稱為“數(shù)學(xué)顯微鏡”。

3.2 支持向量機(jī)預(yù)測模型

支持向量機(jī)（SVM）是建立在VC維和結(jié)構(gòu)化經(jīng)驗風(fēng)險最小化原理的基礎(chǔ)上的一個凸二次優(yōu)化問題，可以在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，可以較好地解決“小樣本”、“非線性和維數(shù)災(zāi)難”等問題。

在運用支持向量機(jī)模型建模中，參數(shù)的選取對模型精度和推廣能力有著直接影響，進(jìn)而影響模型的預(yù)測性能。在選取最佳參數(shù)組時，交叉確定法是將樣本數(shù)據(jù)劃分為K組，任意抽取K-1組樣本作為訓(xùn)練集并將訓(xùn)練結(jié)果，計算成本偏高，樣本需求大。經(jīng)驗法則需要根據(jù)參數(shù)與樣本間的先驗公式來確定，需反復(fù)實驗。經(jīng)典的遺傳算法進(jìn)行參數(shù)尋優(yōu)時易得到局部最優(yōu)解，而粒子群算法通過不斷調(diào)整自身最優(yōu)和種群最優(yōu)的關(guān)系能夠很好地避免陷入局部最優(yōu)解問題，尋得參數(shù)最佳組合。

3.3 分形理論模型

分形理論[2]為人們在貌似繁雜無序的復(fù)雜系統(tǒng)分析中找到其中客觀存在的規(guī)律提供了科學(xué)有效的定量分析手段。分形插值是分形理論中的重要內(nèi)容，因其在許多方面優(yōu)于多項式插值、有理插值等傳統(tǒng)的插值方法而常被用于處理一些復(fù)雜的自然現(xiàn)象，為人們理解現(xiàn)實世界的紛繁復(fù)雜形態(tài)提供了一種很好的確定性表述方法。其基本思想是基于分形的自相似原理迭代函數(shù)系統(tǒng)IFS理論，將原數(shù)據(jù)集合插值變換為具有自相似結(jié)構(gòu)曲線，進(jìn)而實現(xiàn)局部與整體間統(tǒng)計意義上的自相似。

4 基于神經(jīng)網(wǎng)絡(luò)的模型

神經(jīng)網(wǎng)絡(luò)系統(tǒng)具備較好的學(xué)習(xí)能力，自適應(yīng)性強(qiáng)，但知識抽取能力和知識表達(dá)能力等缺點較差。模糊控制理論可以實現(xiàn)對系統(tǒng)的模糊判斷，相較于神經(jīng)網(wǎng)絡(luò)其對規(guī)則的修正以及自學(xué)習(xí)就很難實現(xiàn)。綜合考慮，神經(jīng)網(wǎng)絡(luò)在處理非結(jié)構(gòu)模型時有較大優(yōu)勢，模糊理論在處理模糊信息時的具有較大優(yōu)勢。因此，對于神經(jīng)網(wǎng)絡(luò)和模糊控制的結(jié)合主要包括神經(jīng)網(wǎng)絡(luò)中引入模糊邏輯[3]，使神經(jīng)網(wǎng)絡(luò)能夠處理模糊信息;利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)以及映射能力，以實現(xiàn)模糊控制;模糊控制以及神經(jīng)網(wǎng)絡(luò)相互獨立，各自實現(xiàn)不同功能的三種方式。模糊控制規(guī)則的確定來明確這些節(jié)點。

5 結(jié)語

綜上，本文首先分析了客流特性，綜述了各種傳統(tǒng)的單一類線性和非線性的客流預(yù)測方法如時間序列預(yù)測模型和回歸分析預(yù)測模型等。但由于傳統(tǒng)單一類客流預(yù)測模型存在一些缺點，可將傳統(tǒng)預(yù)測模型相互結(jié)合形成新穎的組合類預(yù)測模型，目的是將每一種模型的特點結(jié)合起來，使的融合在一起的模型既可以擁有單個模型的優(yōu)點，又可以避免其存在的缺陷，從而得到誤差率更低的結(jié)果，能夠?qū)Τ鞘熊壍澜煌土黝A(yù)測做出一定的貢獻(xiàn)。

參考文獻(xiàn)：

[1]施玉欣，陳凌燕，梁穎怡，等.基于小波分解和ARIMA模型的城際鐵路客流預(yù)測[J].江蘇科技信息，2019，36（29）：30-34.

[2]高洪波，張登銀.基于分形與三次指數(shù)平滑的交通流量預(yù)測模型[J].南京郵電大學(xué)學(xué)報（自然科學(xué)版），2018，38（6）：63-67.

[3]張琳.基于深度神經(jīng)網(wǎng)絡(luò)的地鐵客流預(yù)測系統(tǒng)研究[D].北京交通大學(xué)，2019.