城市軌道交通客流預測模型分析

曹一鑠

摘 要：近年來，地鐵由于其運客量龐大、高效等優點永用的越來越廣泛，人們加強了對地鐵的研究。隨著城市軌道交通網絡系統的不斷優化以及線網規模的逐漸擴大，地鐵客流的時空分布特征也發生了巨大變化。根據地鐵的實際運營以及現實的情況，精確預測短期客運量對提高地鐵運行的效率來說至關重要。本文首先概述了客流的相關特性，然后分別對線性預測模型，非線性預測模型和基于神經網絡的預測模型進行了綜述。目的是為了能夠更好的對客流預測提出建議。

關鍵詞：客流;軌道交通;預測模型

0 引言

隨著國內經濟發展速度以動態的方式快速增長，軌道交通規劃的速度明顯提升，城市交通擁堵也隨之增加。提升公共交通建設和規劃的質量成為解決交通擁堵問題的關鍵，特別是加速完善優化建成城市軌道交通網絡系統。這就需要具有龐大的運輸能力且在城市結構優化與完善中發揮極其重要作用的城市軌道交通了，它具有安全、可承載人數多、全日通行及乘客滿意度高等特點，且符合可持續發展的基本原則，因此城市軌道交通屬于綠色環保的交通網絡系統。

1 城市軌道交通客流分析

客流是在一定時間范圍內，乘客從一個地點移動到另一個地點的總和。它不僅體現了乘客實現地點的轉移，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。客流是實際客流，也可以是通過預測方法預測所得的預測客流。

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、票價機制、軌道交通網絡系統以及軌道交通運營服務水平，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 線性客流預測模型

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

2.1 時間序列預測法

時間序列預測法是根據一段時間序列上的過往數據進行擴展預測，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展及變化規律，完成對各相關數據發展趨勢的預測。時間序列預測法可以反映趨勢變化，周期性變化及隨機性變化，時間序列法主要有3種。

（1）簡單滑動預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，對原有時間進行延伸形成新的時間軸，減少短期內突變造成的影響，表現出長時間的趨勢。

（2）加權滑動預測法是通過不同權重來表現以往實際值對預測值有不同程度的聯系，越是接近預測期的歷史數據與預測值的聯系會更緊密，因此其權重設置較大，距離預測期越遠的數據與預測值的聯系往往較小，其權重設置較小。

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

2.2 回歸分析預測法

回歸分析預測法不僅是根據時間順序來顯現出時間規律，而是找到時間及其他的外界因素與事物內部之間動態變化的因果關系，來確定未來的發展趨勢。

2.3 卡爾曼濾波預測模型

卡爾曼濾波是采用由狀態方程和觀測方程組成的線性隨機系統的狀態空間模型來描述濾波器，利用狀態方程的遞推性，按線性無偏最小均方誤差估計準則，用遞推算法對該濾波器的狀態變量作最佳估計，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測。

3 非線性客流預測模型

3.1 小波分析模型

傳統的信號分析是以傅里葉變換為基礎。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，無法表現非平穩信號中最為本質的部分，使傅里葉變換不能很好地分析與處理非平穩信號。

在傅里葉變換的基礎上，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，很好地彌補了短時傅里葉變換的缺點。在小波變換中，時間窗會根據頻率進行變化，高頻時變窄，低頻時則會自動加寬，從而可以進行多分辨率分析，因而，小波分析也被稱為“數學顯微鏡”。

3.2 支持向量機預測模型

支持向量機（SVM）是建立在VC維和結構化經驗風險最小化原理的基礎上的一個凸二次優化問題，可以在模型的復雜性和學習能力之間尋求最佳折中，可以較好地解決“小樣本”、“非線性和維數災難”等問題。

在運用支持向量機模型建模中，參數的選取對模型精度和推廣能力有著直接影響，進而影響模型的預測性能。在選取最佳參數組時，交叉確定法是將樣本數據劃分為K組，任意抽取K-1組樣本作為訓練集并將訓練結果，計算成本偏高，樣本需求大。經驗法則需要根據參數與樣本間的先驗公式來確定，需反復實驗。經典的遺傳算法進行參數尋優時易得到局部最優解，而粒子群算法通過不斷調整自身最優和種群最優的關系能夠很好地避免陷入局部最優解問題，尋得參數最佳組合。

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雜系統分析中找到其中客觀存在的規律提供了科學有效的定量分析手段。分形插值是分形理論中的重要內容，因其在許多方面優于多項式插值、有理插值等傳統的插值方法而常被用于處理一些復雜的自然現象，為人們理解現實世界的紛繁復雜形態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系統IFS理論，將原數據集合插值變換為具有自相似結構曲線，進而實現局部與整體間統計意義上的自相似。

4 基于神經網絡的模型

神經網絡系統具備較好的學習能力，自適應性強，但知識抽取能力和知識表達能力等缺點較差。模糊控制理論可以實現對系統的模糊判斷，相較于神經網絡其對規則的修正以及自學習就很難實現。綜合考慮，神經網絡在處理非結構模型時有較大優勢，模糊理論在處理模糊信息時的具有較大優勢。因此，對于神經網絡和模糊控制的結合主要包括神經網絡中引入模糊邏輯[3]，使神經網絡能夠處理模糊信息;利用神經網絡的自學習以及映射能力，以實現模糊控制;模糊控制以及神經網絡相互獨立，各自實現不同功能的三種方式。模糊控制規則的確定來明確這些節點。

5 結語

綜上，本文首先分析了客流特性，綜述了各種傳統的單一類線性和非線性的客流預測方法如時間序列預測模型和回歸分析預測模型等。但由于傳統單一類客流預測模型存在一些缺點，可將傳統預測模型相互結合形成新穎的組合類預測模型，目的是將每一種模型的特點結合起來，使的融合在一起的模型既可以擁有單個模型的優點，又可以避免其存在的缺陷，從而得到誤差率更低的結果，能夠對城市軌道交通客流預測做出一定的貢獻。

參考文獻：

[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平滑的交通流量預測模型[J].南京郵電大學學報（自然科學版），2018，38（6）：63-67.

[3]張琳.基于深度神經網絡的地鐵客流預測系統研究[D].北京交通大學，2019.