基于SVR的轨道交通客流量预测.pdfVIP

维普资讯 第 1O卷 第 3期 重庆科技学院学报(自然科学版) 2008年 6月 基于 SVR的轨道交通客流量预测 邓军生 孔繁钰 陈小峰 (1．中国航空港建设第二工程总队 ，徐州 221005；2．同济大学，上海 2OO331) 摘 要：对各种城市轨道交通客流预测方法进行分析和比较，指出进行短期城轨客流预测的必要性。支持 向量回 归方法作为以结构风险最小化原理为理论基础的学习算法，可应用于轨道交通客流量预测。构建了城市轨道交通 客流的预测模型，与BP神经网络预测方法进行了比照试验。 关键词：轨道交通；客流量；支持向量回归 中图分类号 ：U491 文献标识码 ：A 文章编号：1673—1980(2oo8)o~o147—03 目前轨道交通客流预测方法主要可以分为3类： 前，该类方法的研究大多是从长远期的角度去预测 基于交通需求分析中四阶段的预测方法、非集聚模型 分析客流的变化情况。 预测方法和不基于现状客流分布的预测方法。 短期客流的预测结果在一定程度上决定了轨道 第一类预测方法是 目前国内外通常采用的常规 交通的行车组织方案和轨道交通应急预案的编制和 方法。它通过搜集或利用居民出行调查资料，在预 调整。如果能在节假 日和重大活动期间客流急剧变 测城市客运总需求的基础上进行交通方式划分以预 化的情况下，进行相对准确的客流规模预测，可对轨 测城市轨道交通的客流量 。四阶段法虽然可以比较 道交通的运输组织方案、应急预案的调整提供有效 准确地预测轨道交通客流，但由于调查工作量大，数 的决策支持。文献 [2]应用模糊 BP神经网络模型 据利用率低，未考虑交通对土地利用的反作用，同时 对春运期间铁路客流规模进行了数据挖掘预测。但 对轨道交通方式的特点以及客流形成机理分析得不 由于神经网络 自身理论上的缺陷，这类方法存在最 够，在一定程度上影响了预测精度。针对四阶段方 终解过于依赖初值和过学习现象，同时训练过程中 法的缺点，后来又提出非集聚模型。它以实际产生 交通活动的个人为单位，对个人出行活动分别进行 存在局部极小性、收敛速度比较慢、网络的隐节点数 预测 ，并按出行分布、交通方式和交通线路分别进行 难以确定等问题，预测结果的推广性不强。 统计，最后得到交通需求总量的一类模型。文献 [1] 支持向量 回归 (SVR)作为一种基于统计学习 就是采用基于四阶段法的非集聚模型对城市铁路的 理论的非线性模型预测方法，与神经网络相比，其训 客流量进行预测 。以上这两种预测方法均是着眼于 练过程有许多优点，如始终具有全局最优值、泛化能 对 中远期的客流情况进行预测，而在近期客流量动 力较强、解空间具有稀疏性、收敛速度较快和小样本 态变化的情况下，无法得到有效的预测结果。 条件下预测性能较好等。短期客流预测本身是一个 第三类预测方法不考虑现状的客流分布情况， 具有随栅生『和非线性的复杂过程，其变化带有较多的 通常将相关公交线路的现状客流和 自行车流量向轨 不确定性。SV-R作为以结构风