基于Elman神經(jīng)網(wǎng)絡(luò)的客流量預測方法應用

周青 張青松

1.昆明醫(yī)科大學海源學院；2.云南師范大學實驗中學

本文明確了客流量預測在整個公交運力配置流程中的關(guān)鍵作用。客流量的準確預測是公交資源優(yōu)化配置的依據(jù)和前提。本文給出了基于Elman神經(jīng)網(wǎng)絡(luò)的公交客流量預測流程。最后，通過數(shù)據(jù)搜集，利用某城市近8年的客流量數(shù)據(jù)進行了實例預測。最后通過與當前較流行的BP靜態(tài)神經(jīng)網(wǎng)絡(luò)比較，發(fā)現(xiàn)Elman神經(jīng)網(wǎng)絡(luò)整體上比BP神經(jīng)網(wǎng)絡(luò)具有較高的預測精度。

客流量的預測是進行公交運力配置的基礎(chǔ)和依據(jù)。但是，由于客流量的時間和空間復雜性，數(shù)據(jù)量之大，準確度量很難真正實現(xiàn)。客流量在不斷地發(fā)生變化，在不同的時間和不同的空間上均有變化，但是這種變化還是有一定的規(guī)律可循的。掌握了公交客流的變化規(guī)律，對于組織公交運輸、優(yōu)化公交運力資源具有極其重要的意義。

1 公交客流的概念和特點

1.1 公交客流的概念

城市公交客流指公眾為實現(xiàn)某項出行活動，借助特定的交通工具，在城市道路上有目的地流動而形成的人流。依據(jù)乘客乘車的目的地指向區(qū)別，公交的客流可分為上班工作流和其他客流。位于市區(qū)的乘客，客流量整體上較郊區(qū)大，時間規(guī)律性較強，高峰時間明顯，平均乘車間距較短，換成交替頻繁；公交客流量是動態(tài)變化的，難以準確計算。但是客流量的準確預測，對公交站點、線路的設(shè)定和發(fā)車頻率等有著決定性的影響。

1.2 公交客流的特點

公交客流量的分布主要呈現(xiàn)出時間特征和空間特征，時間上分為高峰期和平峰期，高峰期的客流量主要為上下班客流，人員多，時間比較集中，規(guī)律性比較強；通常存在幾個高峰時段：早上班高峰，晚下班高峰，節(jié)假日高峰，學校附近上下學高峰等。平峰期，主要呈現(xiàn)出客流分散，時間不集中，規(guī)律性不明顯。空間分布特征也主要體現(xiàn)在客流密集地帶和分散地帶。密集地帶主要分布在學校、客運站和居民區(qū)附近等，分散地帶客流量比較少無規(guī)律性，密集地帶，人員量大，時間規(guī)律性強。對于規(guī)律性以外的客流量具體來分，客流量還具有以下空間特點：

1.2.1 線路網(wǎng)上的客流動態(tài)

線路網(wǎng)上的客流動態(tài)，是指對整個城市而言，是個宏觀的概念，是指某一時刻，城市公交線路的某一截面上的客流量的動態(tài)變化，沒有公交線路、停靠站點和流動方向的區(qū)別，總體體現(xiàn)了整個城市公交線路網(wǎng)上客流量的特征。

1.2.2 方向上的客流動態(tài)

某條線路乘客在流動方向上的變化狀態(tài)即方向上的客流動態(tài)。公共交通每條線路都有上、下之分，在同一時間間隔內(nèi)上下行客流經(jīng)常是不平衡的，有的線路差異甚至巨大，根據(jù)客流方向可以分為單行和雙行兩種類型。

分析客流動態(tài)，利于確定公交調(diào)度形式，組織車輛運行，編制行車時刻表都有至關(guān)重要的意義。

2 基于Elman神經(jīng)網(wǎng)絡(luò)的預測方法的引入

2.1 常見客流預測的方法

針對客流量的預測，我們國家已有很多研究，最常見的預測方法主要有兩種：四階段預測法和直接預測模型法。但是，這些模型牽涉的相關(guān)因素多、結(jié)構(gòu)復雜，求解難度大，因而在實際的應用過程中有很大的局限性。因此，有很多學者開始轉(zhuǎn)向神經(jīng)網(wǎng)絡(luò)方面的研究和實驗。

2.2 神經(jīng)網(wǎng)絡(luò)理論

神經(jīng)網(wǎng)絡(luò)是一門交叉學科，是機器學習研究的重要分支。它通過模范學習動物神經(jīng)網(wǎng)絡(luò)的行為特征，對信息進行類似仿生處理的數(shù)學方法。神經(jīng)網(wǎng)絡(luò)通過調(diào)整系統(tǒng)內(nèi)部節(jié)點之間相互關(guān)系，實現(xiàn)信息處理的目的。由于公交客流量的特殊性，隨著時間不斷變化的特點，很難用確定的函數(shù)或方程來描述。因此，在對客流量進行預測的過程中，本文引入了神經(jīng)網(wǎng)絡(luò)的相關(guān)原理。

2.3 Elman神經(jīng)網(wǎng)絡(luò)理論

Elman神經(jīng)網(wǎng)絡(luò)的概念最早是由J. L. Elman于1990年首次提出來的，它是一種典型的局部回歸型網(wǎng)絡(luò)(Global Feed Forward Local Recurrent)。因此，我們可以將Elman神經(jīng)網(wǎng)絡(luò)看作是一個具有局部記憶單元和反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)。在神經(jīng)網(wǎng)絡(luò)的預測模型中，有兩種常用理論：BP網(wǎng)絡(luò)和Elman網(wǎng)絡(luò)。而BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡(luò)。其原理本質(zhì)上是將動態(tài)的時間建模轉(zhuǎn)化為靜態(tài)的空間建模。而本文中關(guān)于公交客流量的預測，公交客流量具有動態(tài)性時空變化的特點，使用BP網(wǎng)絡(luò)建模必然會出現(xiàn)許多問題。因此本文引入了帶有反饋的動態(tài)神經(jīng)網(wǎng)絡(luò)，Elman型神經(jīng)網(wǎng)絡(luò)由于其自身的特殊性，在解決預測問題上也有更高的準確性和科學性。

3 公交線路客流分布預測流程

公交客流預測是一個復雜的過程。在對客流量進行預測時，首先要對公交線路客流現(xiàn)狀的調(diào)查，通過各種形式的數(shù)據(jù)調(diào)查，可以得到公交線上的乘客分布規(guī)律以及各站點一天客流分布規(guī)律、公交車的滿載率等指標，為公交線路運力的合理配置提供依據(jù)。我國城市公交基礎(chǔ)設(shè)施普遍落后，而公交出行乘客眾多，客流調(diào)查難度大，調(diào)查數(shù)據(jù)容易出現(xiàn)偏差。因此，數(shù)據(jù)修正的步驟必不可少。通過數(shù)據(jù)修正，對客流量進行初步的預測。根據(jù)預測結(jié)果，進行試運營，具體數(shù)據(jù)根據(jù)實際的運營狀況再次進行調(diào)整。因此整個運營線路的客流預測是線路運力配置優(yōu)化的關(guān)鍵。具體的流程如圖1所示。

圖1 基于時空變化的公交線路客流分布預測流程Fig.1 Passenger flow distribution prediction process of bus lines based on temporal and spatial changes

（1）首先，根據(jù)線路的現(xiàn)有運營情況，確定是否要優(yōu)化公交站點？

如果需要，就要從站點的具體客流情況做分析調(diào)研。這里主要是對線路站點的服務(wù)面積分析，在此基礎(chǔ)上結(jié)合以往歷史數(shù)據(jù)（已有站點）或者類似站點的經(jīng)驗數(shù)據(jù)（新增站點），生成該站點的客流量預估數(shù)值。同時，做本站點的客流量OD調(diào)查，調(diào)查內(nèi)容主要涉及乘客起止點分布、出行目的、出行方式、出行時間、出行距離、出行次數(shù)等，以此對站點預測數(shù)據(jù)做出修正。對于最終得到的預測數(shù)據(jù)，作為新線路客流量預測的初值，在實際運營過程中，根據(jù)后期的實際統(tǒng)計數(shù)據(jù)，再做最終的修正。

（2）如果不需要開辟新線路，就直接對該條線路做全日客流量的預測。根據(jù)線路上站點的地理位置、人群結(jié)構(gòu)等分布，針對站點的兩種不同的類似度有以下兩種處理方式。

1）如果線路上的若干個站點類似度較高，則采用首末站分層不等概率抽樣，根據(jù)調(diào)查數(shù)據(jù)，做出客流時段分布預測，并以此對其他站點的客流量做出分布推算。

2）如果線路上的站點類似度較低，則采用聚類分析的方法對站點進行處理。首先，聚類分析代表站點的客流量情況，并做出預測。然后，再針對層內(nèi)站點客流量做出時段分布推算。

（3）這些通過模型預測得到的數(shù)據(jù)，必須在實際的公交運用過程中，根據(jù)用戶的乘車體驗和公交公司的綜合效益等指標再做出數(shù)據(jù)修正。

3.1 數(shù)據(jù)處理

這里采用Matlab軟件完成數(shù)據(jù)處理，通過網(wǎng)絡(luò)訓練和預測數(shù)據(jù)的時間序列轉(zhuǎn)換，需要對原始數(shù)據(jù)進行歸一化處理。函數(shù)如下：

為了提高精度，通常設(shè)置輸入輸出數(shù)據(jù)的范圍在0.2～0.8之間。經(jīng)過這樣的處理，利于樣本數(shù)據(jù)的快速訓練，生成預測數(shù)據(jù)。下文中的實驗數(shù)據(jù)處理過程也是采用這種數(shù)據(jù)精度的。

3.2 模型的實例化與評價

為了更好地比較Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的差異，我們通過數(shù)據(jù)搜集，取某城市某一個固定站點近8年的公交線路客流量數(shù)據(jù)如表1所示，進行實例化模型分析。

表1 2013—2020年某城市公交客流量Tab.1 Bus passenger flow of a city from 2013 to 2020

該城市2013—2020某一固定站點8年的客流量數(shù)據(jù)，每個數(shù)據(jù)分別對應一個時間函數(shù)

x

(

i

)。通過MATLAB仿真模擬，得到的模擬值和模擬誤差率如表2所示。

表2 Elman和BP模擬值及誤差率Tab.2 Elman and BP simulation values and error rate

從表2中數(shù)據(jù)可以看到，Elman模擬比起B(yǎng)P模擬，平均誤差為-0.66%，而BP模擬的誤差率達到2.15%，從8年的實例數(shù)據(jù)仿真可以看出，Elman神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)具有更高的模擬精度。因此，現(xiàn)實的客流預測中采用Elman神經(jīng)網(wǎng)絡(luò)來進行，會有更高的現(xiàn)實擬合度，更加精確和科學。

但是，神經(jīng)網(wǎng)絡(luò)預測體系只是保證了預測過程的相對準確度，要想真正得到精確的數(shù)據(jù)，需要與其他先進技術(shù)相結(jié)合，如視頻圖像處理、模式識別、傳感器等，保證采集到第一手準確的現(xiàn)實數(shù)據(jù)。只有做到了這些，才能保證得到較準確的客流量數(shù)據(jù)。

4 結(jié)語

本文首先分析公交客流量的時空分布的復雜性和規(guī)律性，然后結(jié)合現(xiàn)有的優(yōu)秀的算法對客流量的預測流程進行了建模。最后，利用某城市近8年的某一固定站點的客流量數(shù)據(jù)進行了實例預測，通過比較，發(fā)現(xiàn)Elman神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)具有較高的預測精度。在實際的使用過程中，數(shù)據(jù)的采集和數(shù)據(jù)的修正也直接關(guān)系著后續(xù)優(yōu)化工作的開展效率。因此，有待于先進科技的不斷融入，只有準確采集了當前的客流量數(shù)據(jù)，對整個公交運力配置的過程推進才會產(chǎn)生真正的意義。