基于多因素影响的公交客流预测研究.docxVIP

基于多因素影响的公交客流预测研究 0 运营调度管理中的单次使用效果 公共交通是中国城市居民重要的交通工具。一个高效运行的公交系统,将有利于城市交通的通畅,方便人们出行,减少环境污染。实现高效的公交运营系统需要多方面的努力,提高公交线路的运营管理水平是其关键之一。而准确地做出公交线路客流的预测是实现公交运营调度优化的基础。在提前掌握客流变化规律的情况下,企业才能做到科学地制定运营计划,合理地调配使用人、车资源。但在实际的运营调度管理中,因为缺乏定量实用的分析预测手段,大多依靠经验和直觉来判断客流的变化,预测的结果同实际往往有着较大的偏差。 产生偏差的原因是公交线路客流变化的复杂性和随机性。公交线路客流受到多因素的作用,例如天气变化、竞争线路等。多因素的作用造成了公交线路客流变化的复杂性,其中一些随机性较强的因素(例如天气)造成了客流变化的随机性。 除去复杂性和随机性,公交线路客流变化的另一重要特性是周期性。常规公交线路客流一般呈7天一个周期循环变化。 抓住客流周期性变化的特点,结合模糊神经网络适合描述复杂随机事物变化规律的特点,本文提出了一种基于模糊神经网络理论的公交线路客流预测模型,应用该模型可以较为准确地预测短期内的线路客流变化,同时间序列模型相比,该模型具有较强的自适应性,预测的精度较高,是一种能较好满足运营调度管理需要的线路客流预测模型。 1 刻随机扰动at的线性组合 对于处理随时间变化的预测问题,常用的常规预测模型是时间序列预测模型。比较成熟的时间序列模型有AR和ARMA。 自回归模型AR(Auto Regression)常用于拟和平稳时间序列。AR模型通过前P时刻的观测值与当前时刻随机扰动at的线性组合来表现当前值Yt,其公式为 Yt(A(Z))=at(1) 式中,A(Z)=(1+Φ1Z-1+Φ2Z-2+…+ΦPZ-P),Z-P是前P时刻的延迟算子,通过寻找at的最小方差标定系数ΦS。 ARMA(Auto regression moving average)模型是自动回归技术(AR)与移动平均技术(MA)相结合的模型。 Yt(A(Z))=B(Z)at(2) 式中,A(Z)=(1+Φ1Z-1+Φ2Z-2+…+ΦPZ-P) B(Z)=(1+θ1Z-1+θ2Z-2+…+θqZ-q) 表1是应用以上时间序列模型对南京市某条公交线路进行一周客流预测的结果。在该算例中,预测结果的平均误差较大,分别为25.67%和26.34%,达不到实用的要求。 2 模糊神经网络的训练过程 神经网络的信息分布式存储在权系数中,具有集体运算和自适应学习的能力。模糊理论将操作人员的经验表达为规则的形式,并转换成可在计算机上运行的算法。两者相结合的产物是模糊神经网络。 模糊神经网络的核心内容是模糊推理。Takagi-Sugeno模型(TS模型)是一种输出为输入变量线性组合的特殊模糊推理模型。其基本规则形式为:Rk:ifx1isAk1andx2isAk2…xnisAkn,Thenyk=ak0+ak1x1+ak2x2+…+aknxn。式中Rk为第k条规则,Akj(j=1,2,…n)为输入变量所对应的模糊子集。 运用TS模型进行模糊推理的分为4个基本步骤。首先是对输入空间进行划分和隶属函数值的确定。设有n个输入变量,以向量形式表示为,x=[x1,x2,…,xn]T,可采用的隶属函数一般为高斯函数(f(x)=e?(x?c)22δ2)(f(x)=e-(x-c)22δ2)或贝尔函数。以获得的输入变量的隶属度作为规则判断的语言变量。 第二是通过相应的Fuzzy算子(一般为乘法算子或取小算子)求出各条规则的适用度。 第三,产生每一规则的后续输出,即上述TS模型规则中Then以后部分。 第四,合并步骤三中产生的所有输出,形成一个模糊输出。这一步也称为“解模糊”。 应用神经网络于模糊推理之中,主要是为了解决常规模糊推理系统中存在的两个问题:规则集的生成以及隶属函数参数的调整。对于复杂问题,依靠人的判断和经验难以生成规则集。神经网络的自适应和自学习能力,使得其能够有效调节隶属函数,及其它权重参数,使得模糊规则由人定义转为由系统的学习产生,扩展了模糊推理系统的应用空间。 图1是建立在上述理论基础上的模糊神经网络模型示例。为简明起见,输入取为两个变量,输出为一个变量。 图1中A层为输入层。B层为输入隶属函数层即模糊化层,各神经元执行对应的隶属函数,输出隶属度。C层为模糊规则层,各神经元采用不同的Fuzzy算子(乘法算子或取小算子等),输出的是各条规则的适用度。D层是输出隶属函数层。E层是D层输出的加权输出,E层神经元的作用是一个求和算子。F层输出最终结果。总的计算中引入了一个特殊算子,即D层下部的实心算子,称为正规化算子,其作用是计算各条规则的适用度之和。 采用用BP算法(反