基于小波分析的最小二乘支持向量机轨道交通客流预测方法.pdfVIP

第 34卷 ，第3期 中 国 铁 道 科 学 VoL34 No．3 2013年 5月 CHINA RAILW AY SCIENCE M ay。2013 文章编号：1001—4632(2013)03—0122—06 基于小波分析的最小二乘支持向量机轨道交通 客流预测方法 杨 军 ，侯忠生 (1．北京交通大学 电子信息工程学院，北京 100044；2．北京市轨道交通指挥中心，北京 100101) 摘 要：针对城市轨道交通客流预测问题，采用离散一维Daub4小波分析方法对某一时间段的原始客流时 问序列数据进行分解 ；以分解得到的高频分量和低频分量为样本数据，对最tb__-乘支持向量机进行训练，确定 最b／--乘支持向量机的核参数 ，以及系数a和6。利用训练后的最小二乘支持向量机预测未来一段时问客流时 间序列数据的高频分量和低频分量 ，然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重 构，从而得到预测的未来一段时间客流时间序列数据。与历史平均预测法和灰色预测法进行 比较，结果表明， 基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度。 关键词：轨道交通；客流预测；短期预测；小波分析 ；支持向量机；数据处理 中图分类号：U231：U293．13 文献标识码：A doi：10．3969／j．issn．1001—4632．2013．03．20 轨道交通作为大城市公共交通的主要方式之 起始站到终点站之间往往存在多条旅行时间和行程 一 ， 及时分析其路网的实际客流数据、预测未来客 距离相近的可达路径，仅根据乘客的OD数据无法 流，对于提高轨道交通管理部门的运营组织效率， 获得乘客的乘车旅行线路等详细信息。因此北京市 增强应对客流高峰的运输能力，为运营安全决策提 轨道交通指挥中心的客流清分算法基本思想是，根 供有力的数据支持，十分重要。 据每条OD数据中的进站位置、进站时间、出站位 研究学者[1]将交通客流微观预测方法分为线 置和出站时间，结合列车运行图以及乘客在起始站 性预测方法 (如历史平均预测法等)和非线性预测 的进站时间和终点站的出站时间及其在可能的换乘 方法 (如灰色预测法等)两大类。线性预测方法具 站换乘通道内的走行时间，考虑部分轨道交通基础 有计算简单快捷等优点，但预测精度不高；非线性 运营核心数据，从而计算出每条OD数据对应的乘 预测方法虽具有较高的准确度，但计算复杂。本文 客实际出行路径。 针对复杂的交通流预测问题，结合北京市轨道交通 轨道交通客流统计以对较长一段时间内实际客 的实际情况，提出了 1种融合多种模型特点的客流 流清分后的详细 OD数据为基础，按车站、区间、 预测方法 。 线路和全路网4个层次分别统计详细的客流信息， 比如车站客流包括进站客流、出站客流和站内客流 1 客流清分与统计 等数据，从而获得定量和精确的全路网详细客流数 据，为后续的轨道交通客流预测提供数据支撑。 因为北京轨道交通采用全网一票通和无障碍换 乘等运营模式，所以轨道交通联网收费系统或轨道 2 基于小波分析的支持向量机的客流 交通 自动售检票系统 (AFC)只能采集到乘客的 预测算法 原始OD (始发一终到客流)数据，即仅包括乘客 旅行的起始站站名、进站时间、终点站站名和出站