基于海量序列数据的公交用户群体出行预测研究_冯路.pdf

管理工程学报

Vol.34，No.4JournalofIndustrialEngineering/EngineeringManagement2020年第4期

基于海量序列数据的公交用户群体出行预测研究

*

冯路，钱宇，白梦娜，袁华

（电子科技大学经济与管理学院，四川成都611731）

摘要：在海量序列数据中，预测群体用户在未来一段时间中的可能行为模式是一个非常有意义且具有挑战性

的研究问题。本文以公交用户群体出行为例，通过引入相空间重构法，利用海量序列数据对大型系统建立模型来

模拟其动态演化模式。同时，考虑到一般相空间预测方法在大数据情况下的不足，提出了相似性拐点方法进行预

测前的相似点的自动挑选工作，该方法不但降低了预测过程中的相似度计算复杂度，同时也显著提升了预测效果。

实验证明，本文的方法对于探讨利用海量（周期性）序列数据进行系统建模，以及预测一段时间内的群体行为提

出了新的思路。

关键词：海量序列数据；相空间重构；相似性；预测

中图分类号：TP311文献标识码：A文章编号：1004-6062(2020)04-0126-009

DOI：10.13587/j.cnki.jieem.2020.04.014

[17,21]

0引言通流在小数据量上的预测提供基础。

公共交通是我国城市居民出行的重要交通方式，实现对前述研究的共同问题是仅仅只针对短时交通流量的预

公交用户群体出行行为的准确预测，对于提升公共资源使用测进行研究，而较长时间交通流的合理预测则能更好地为交

[1][22]

效率，优化城市公共交通的管理，促进城市计算智慧化具通管理提供服务。但是，传统方法在处理长时间预测任务

[2]

有重要意义。时，由于观察（数据）的局限，容易陷入过渡预测（Over

[23]

交通流相关的预测研究经历了很长时间的发展。最常用Prediction）的情况。随着智慧交通的出现，人们期望利用

的研究方法是直接探讨交通流数据中的数据变量相关性，即公交大数据对较长时间的用户群体出行行为实现精准预测。

各种参数（回归）方法。简单的如历史平均法和各种（非）然而，传统建模预测方法在大数据环境下面临着技术挑战

[3][24]

线性回归模型。这类方法操作简单且计算方便，但是预测：一是系统复杂度高，内部成分（如用户）多样，应用场

精度较低。因此，进一步的研究中开始重视数据的时序相关景也不尽相同，很难从中提取出具有代表性的用户行为；二

性，进而形成了目前最成熟的时序预测方法――自回归移动是系统快速演变，这使得基于样本的模型很快就不能反映系

平均