基于数据融合的地铁的客流量预测方法.docVIP

基于数据融合的地铁客流量预测方法 摘　要: 为了更加准确地预测城市地铁交通中动态变化的客流量,通过分析城市地铁交通客流量的特点,提出了一种基于神经网络数据融合的预测方法。这种方法根据预测数据各属性的特点,将采集的数据提取出多个相关序列。在此基础上对各序列采取不同的处理、预测方法,再利用神经网络进行融合。这种方法可用于数据动态预测的各种领域。实验表明,采用这种方法可以有效地改善数据预测的误差。关键词: 铁路交通; 信息预测; 数据融合; 神经网络　　在城市地铁交通中,各车站交通流量信息(如候乘数量、下车数量等) 的准确预测有利于地铁运行高效、及时地调度,从而既达到增加效益的经济目的,又可以更好地满足人们的乘车需求。传统的预测方法有回归分析算法以及Kalman 滤波等。这些方法假定过程是平稳的,系统是线性的,系统的干扰是白噪声,因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。然而,交通问题是有人参与的主动系统,具有非线性和扰动性强的特征,前述方法难以奏效,表现为以下缺点: 每次采样的数据变化较小时适用,数据变化大误差就大; 预测值的变化总是滞后于实测值的变化; 无法消除奇异信息的影响。基于小波分析的动态数据预测方法以小波变换后的数据进行预测,克服了传统预测方法不能消除奇异信息的缺点, 有效地预测动态的流量信息[ 1 ] 。但该方法只能对单个的数据序列进行处理,而事实上能够用于预测的数据可以是多方面的。 数据融合(Data2Fusion) 技术起源并发展于军事领域,主要用于目标的航迹跟踪、定位与身份识别以及态势评估等[ 2 ] 。传统的数据融合技术大多采用概率理论(如Bayes 决策理论) 对多种信息的获取与处理进行研究,从而去掉信息的无用成分,保留有用成分[ 3 ] 。在信息处理中,分别运用各种体现数据不同属性特征的方法处理(如预测) 后进行融合是一个有待深入研究的问题。为了充分利用各方面已有的数据,获得可靠的交通流量动态预测,本文借鉴数据融合的基本思想,提出了在数据处理方法上的融合预测方法。1 　流量融合预测模型1. 1 　预测模型的结构 由于预测对象的复杂性,为了表现与预测对象相关联的其他对象或属性,每个关联对象(属性) 用一个时间序列来表示,作为预测对象的相关序列。所有用于预测的相关序列构成预测对象的相关序列集。由于在预测,可以根据关联特性构造任意多个相关时间序列。本文意在阐明本算法的基本思想,将流量数据仅仅构造为3 类相关序列:当前序列、历史序列和邻站序列。当前序列　预测时刻t之前本站最近k次流量按时间先后记录下来的数据构成的时间序列为当前序列,即f1 (t) = { F0 i(t -l),1 ≤ l ≤ k} ( 2 ) 　　该序列数据的主要影响因素是时刻,同时还受人为、气温、天气等其他扰动因素的影响,数据分布的非线性特性较大,频带较宽。第l 班列车的流量如图2 所示。历史序列　同为工作日或同为节假日的相邻数天,其流量曲线形状相对类似,流量曲线相似的日期在预测中具有较大的参考意义。本站最近m 天在时刻t 的流量按日期先后记录下来的数据构成的时间序列为历史序列,即f2 (t) = { F0 i-p(t) ,1 ≤ p ≤ m} ( 3 ) 　　工作日和节假日流量差别较大,可将它们分类处理。该序列整体分布较平稳,有震荡,但频带较窄。第p个工作日在时刻t的流量如图3 所示。 邻站序列　图4 为本站与邻近2 个车站24 h 的流量曲线经DB2 小波3 层变换后的近似分量,可见各分量关联性较大。如果根据以前的数据将各邻近车站相互关系解算出来,就可以利用这种函数关系预测时刻t在本站的流量。最近m天在时刻t 的流量按日期先后记录下来的各邻站历史序列为本站的邻站序列,即qf2 +q(t) = { Fi-p(t) ,1 ≤ p ≤ m,1 ≤ q ≤ s} ( 4 ) q式中, Fi-p(t)表示第q个邻近站的第(i -p)天的流量;s 表示邻近站数。1.3 　相关序列的预测 由于各相关序列在预测中具有不同的影响,且分布规律和特点差异较大,因而各序列使用不同的预测方法。本文对当前序列进行小波分解后用Kalman 预测,对历史序列直接进行Kalman 预测,对邻站序列用幂级数多项式进行拟合。1.3.1 　小波分析 根据设置的分解指数η对序列进行小波N 尺度分解,得到一组低频信号和N 组高频信号,对这N + 1 组信号分别用Mallat 塔式算法重构到原尺度上,得到N + 1 组在原始尺度上的经过分解重构处理的信号。分别对信号用Kalman 滤波进行预测,得到N + 1 个预测值,再将这N + 1 个预测值用权系数合成最终的预测值。具体算法请参(t)ξ(fi(t)) ( 8 ) i=16 式中,αi(t)为t 时刻的序列fi