基于ELM和LSSVM的客流量預測模型

張克申 安俊峰 孫二杰 趙帥 蘆瀟 盧萌萌

摘要：涉及一種基于滾動式地鐵人流量混合預測方法，采用的是雙預測算法，雙預測通道的模式；雙預測方法指的是預測用到了ELM神經網絡和LSSVM兩種算法混合組成。雙預測通道指的是采用兩個不同的滾動序列基數進行預測。最后根據不同方式確定權重大小，并且得到混合預測數據模型。

關鍵詞：ELM；LSSVM；滾動；權重；混合

DOI： 10.396 9/j.issn.1 005-5 517.2 01 8.7.01 8

0 引言

地鐵中，客流量分析是一個很重要的領域，客流量的多少直接影響到安全，城市的經濟發展等重要因素。地鐵的客流量多少對乘客的出行有很大的警示作用。

AFC（自動售檢票）系統可以獲得很大的客流量信息，可以進行設置，獲得每分鐘、每小時、每天、每月、每季度、每年的數據信息，并且可以按照車站每類整理，形成龐大的數據信息，信息量的充足和龐大足夠支撐大家去進行分析和預測，并且因為數據量的充足和龐大，可以對感興趣數據進行分類整合，組成想要的數據信息進行研究。

收集大量的客流量數據后，以每半年或者每年為單位作為數據統計，有效地去預測未來五年或者未來十年，甚至未來二十年的數據，對于地鐵線路的規劃，市政建設的布局都有著指導性的作用。

并且現有的預測算法都是針對于已知的數據進行分析和預測，進而研究一種預測方法去預測未知數據是有必要的。目前存在的預測方法是用已知的數據做研究，即知道數輸入數據和輸出數據，進行研究和挖掘，但是往往未來的的輸入數據是未知的，那么帶來預測很大的不方便，但是預測有著很重要的作用。因此針對未知數據的預測是個有力的應用。

本文提出一種基于滾動式地鐵人流量混合預測方法，并且將數據傳遞給AFC系統，由AFC系統來完成相關的預警信號。

1 原理簡介

1.1 ELM神經網絡

ELM是一個神經網絡的形式，結構由輸入層、隱含層和輸出層構成，具有局部記憶模塊和局部反饋連接的前向形式的神經網絡。具有訓練速度快，誤差不大，不容易陷入到局部最優值的特點。

其中帶有m個隱含層節點的ELM的網絡結構式（1）所示：

其中p.、q.是學習參數，n.是連接第i個隱含層節點與輸出層之間的權重，g（pix+qi）表示的是當輸入是X的時候，第i個隱含層節點的輸出數值。

1.2 LSSVM介紹

LS-SVM和SVM有很重要的聯系和區別，下面有所比較。

（1）優化問題的構造

SVM目標函數采用了誤差因子的一次項，LS-SVM采用了誤差因子的二次項，同時約束條件的先定下，SVM采用不等式約束，LS-SVM采用等式約束形式。

（2）優化問題的求解

SVM求解QP問題中，變量維數和訓練樣本的個數是一樣的，而LS-SVM方法借助求解線性方程組達到了最終的決策函數，在某些方面上降低了求解難度，提高速度。

（3）解的稀疏性

SVM中，需要解決QP問題，目標條件是達到全局最優解，并且，大部分的Lagrange乘子均為0。在LS-SVM方法中，目標函數采取了誤差平方項，約束條件是等式，通過一定的處理方式，把SVM的QP問題轉化成線性問題，因此Lag range乘子與誤差項成比例關系，但是LS-SVM方法通過對最終求解得到的Lagrange乘子進行排序，同樣的情形下，可以實現解的稀疏性。

2 具體實施過程

2.1整體構架

本文主要涉及雙通道、雙預測模型，如圖1所示，主要包括以下步驟：

（1）從AFC（地鐵中的自動售票系統）獲得整理出入流量數據。

（2）雙通道預測的過程，具體操作如下：

（a）比如采樣頻率為1，組成序列為A，滾動序列[Al，A2，A3…An]，預測第（n+1）個數據，然后用預測的結果A（n+1）與原來的序列[Al，A2，A3…An]組成新的序列[Al，A2，A3，.An，A（n+1）]，用新的序列預測第（n+2）個數據。以此類推，得到一個通道的預測數據，此種方式記成通道1。

（b）開始選擇的滾動序列基數是[A2，A3，……An]一共（n一1）個數據，預測第（n+1）個數據，然后用預測的結果A（n+1）與原來的序列[A2，A3，..An]組成新的序列[A2，A3，.An，A（n+1）]，用新的序列預測第（n+2）個數據。以此類推，得到一個通道的預測數據，此種方式記成通道2。

值得一提的是，上述的（a）、 （b）步驟中選擇的基數不一定是[Al，A2，A3，¨An]、[A2.A3…An]等這樣的數列，也可以采用別的[A2，A3，.An]、[A3…An]等形式。

（3）進行決策獲得未來預測數據的過程，具體操作如下：

通過上述步驟（2）的（a）、 （b）兩個步驟，我們可以得到針對通道1通道2的兩個預測數據序列。在這里，通道1的預測數據記成[A（n+1），A（n+2）……A（n+m）]，通道2的預測數據記成[Ab（n+1），Ab（n+2）……Ab（n+m）]；與上述的兩個通道的序列求加權平均作為最后的預測結果，即（w1*[Ab（n+1），Ab（n+2）……Ab（n+m）]+w2*[A（n+1），A（n+2）……A（n+m）]），其中wl和w2是ELM神經網絡和LSSVM的權重。

2.2通道預測模型和確定

假設滾動序列[Al，A2，A3，..An]預測第（n+1）個數據，用ELM得到的結果是AA （n+l），svm預測得到的是AB（n+l），取加權平均數作為第（n+1）個數據的預測結果，記A（n+1）=（AA（n+1）+AB（n+1））/2），然后用預測的結果A（n+1）與原來的序列[Al，A2，A3，¨An]組成新的序列[Al，A2，A3，.An，A（n+1）]，用新的序列預測第n+2個數據；用ELM得到的結果是AA （n+2），LSSVM預測得到的是AB（n+2）。那么取加權平均數作為第（n+2）個數據的預測結果，記A（n+2）=（AA （n+2）+AB（n+2））/2），以此類推。

假設滾動序列[A2，A3…An]預測第（n+1）個數據，用ELM得到的結果是AA（n+l），LSSVM預測得到的是AB （n+l），那么取加權平均數作為第（n+1）個數據的預測結果，記A（n+1）=（AA（n+1）+AB（n+1））/2），然后用預測的結果A（n+1）與原來的序列[A2，A3，¨An]組成新的序列[A2，A3，¨An，A（n+1）]，用新的序列預測第（n+2）個數據；用ELM得到的結果是AA （n+2），LSSVM預測得到的是AB （n+2），取加權平均數作為第（n+2）個數據的預測結果，記A（n+2）=（AA（n+2）+AB（n+2））/2），以此類推。

通過上述兩個步驟，我們可以得到針對通道1通道2得到的兩個預測數據序列，在這里通道1的預測數據記成[A（n+1），A（n+2）……A（n+m）]；通道2的預測數據記成[Ab（n+1），Ab（n+2）……Ab（n+m）]；與上述的兩個通道的序列求加權平均作為最后的預測結果，也就是（w1★[Ab（n+1），Ab（n+2）-……Ab（n+m）]+w2*[A（n+1），A（n+2）……A（n+m）]）。其中，wl和w2是ELM神經網絡和LSSVM的權重，其中本文按照2.3的方法，得出的權重wl =0.49，w2 =0.51。

2.3關于權重的確立方法

（1）標準差法確定權重：其中s.是第i個模型的標準差。（2）誤差平方和倒數法

其中模型的誤差平方和如公式（3）：

公式（4）中，qi-1表示第i個模型誤差平方和的倒數。

本文確定權重的步驟如下：

（1）選取i個數據做訓練，得到真實值和預測值，其中ELM的預測值看成El，E2，…Ei，LSSVM的預測值看成11 ，12，…li，真實值為Rl，R2，…Ri；

（2）按照公式（2）.確定ELM和LSSVM的權重wl，w2；

（3）按照公式（4），確定ELM和LSSVM的權重w3，w4；

（4）計算混合模型的誤差平方和，按照公式 （5） ：

其中按照wl，w2兩種權重得的混合模型的誤差平方和是fl，按照w3，w4兩個權重得到混合模型的誤差平方和是f2。

（5）比較上述步驟fl、f2，如果flf2，那么最后權重選擇w3. w402.4預測結果

圖3、圖4、圖5是本文經過編程預測得到的數據結果，分別是通道1、通道2及最終決策的預測結果。3結論

采用本文方案與現有技術相比，具有以下的優點和積椴效果：

（1）有AFC系統提供相應的客流量數據信息，然后有預測方案進行雙通道預測，預測得到的信息傳遞給AFC系統，并且如果客流量達到很大的高峰時候，進而進行相關的預警信息，由AFC系統提前告知乘客，或許有相關的擁擠預報，請乘客提前選擇交通方式。

（2）本文采用網絡的數據流量進行數據整合和挖掘，對于現有的數據進行整理，然后用這些數據進行對于未來未知的數據進行預測，是一個相當可觀的使用方法。

（3）應用本文方案可以對五年、十年乃至二十年的城市地鐵的人流量進行預測，提前做好規劃，對于地鐵設計和城市布置有著很重要的預測和導向作用。 本文所涉及的方法不是針對現在有的數據進行試驗，而是對未來不知道的數據進行預測和分析，同樣適用于相關的金融市場，比如股票未來的走勢預測、基金的預測、未來人類的壽命預測等具有很大的參考價值和實際意義。