程浩++徐昕
摘 要
本文主要以城市軌道交通的客流預測為研究對象,簡單介紹幾種目前國內外主流的預測方法。之后運用BP神經網絡算法,對上海軌道交通的實際客流做預測,并給出預測結果數據和分析。希望能夠通過對客流預測的研究,為城市軌道交通的調度與緊急情況下的疏散客流提供數據支持。
【關鍵詞】城市軌道交通 客流 預測
隨著全球城市現代化公共交通進程的不斷推進,軌道交通作為一種新型的具有較大運量、較高效率的公共交通方式具有巨大的優勢,能夠有效的提高居民的出行效率、緩解城市的交通壓力,因此城市軌道交通在我國近些年發展迅速。隨著軌道交通客流量的增長,對于軌道交通的客流預測的研究也隨之而興起。通過精確的客流預測,可以為軌道運營單位提供相對準確的數據支撐。使其日常的運力配置、客運組織更合理,在緊急突發事件下的預警和疏散更高效。因此,對軌道交通客流短期預測和分析的研究顯得越來越重要。
1 正文
1.1 國內外預測方法介紹
軌道交通短期客流預測交通客流預測在國際上是一個比較活躍,但是預測結果一直不怎么不令人滿意的研究課題。因為軌道交通是一個有人參與的、時變的復雜系統,具有高度的不確定性,這種不確定性給軌道交通客流預測帶來了困難。目前,在國內外交通客流預測分析領域的很多專家學者也在進行這方面的研究,并有了一些成果。這里介紹幾種常用方法:
1.1.1 基于四階段法的預測模型
以1962年美國芝加哥市發表的《Chicago Area Transportation Study》為標志,作為一種交通規劃理論和方法得以誕生。它以居民出行調查為基礎,由出行生成、出行分布、出行方式劃分、出行量分配四個階段組成。四階段法將研究對象劃分為交通小區,并通過對區域內人口、土地利用、就業情況、出行信息等相關資料進行綜合分析,建立數學模型,最終對客流總量進行預測。通過運營經驗確定軌道交通站點客流吸引范圍,之后在此范圍內進行出行調查。根據第36屆軌道交通國際會議的經驗值,軌道交通站點客流吸引半徑為:在城市中心地區,行人由所在地到達軌道交通車站,其步行距離大約為550米左右則較為合適;而在城市外圍區,其步行距離應該在八百至一千米左右則較為適宜。
1.1.2 基于統計方法的預測模型
例如時間序列預測模型(將被預測量按照時間順序排列起來,構成一個連續的時間序列,并分析這組時間序列的過去變化,來推測今后可能的變化趨勢和變化規律)、卡爾曼濾波模型(卡爾曼濾波模型由Kalman于1960年提出的一種應用廣泛的代控制理論方法??柭A測方法主要將控制理論中的卡爾曼模型應用于交通客、的預測,由狀態方程和觀測方程組成的狀態空間模型描述交通系統,并利用狀態方程、觀測方程和卡爾曼濾波預測交通流)。另外還有歷史平均模型、線性回歸模型、極大似然估計模型等。
1.1.3 基于灰色馬爾科夫的預測模型
其基礎理論——灰色理論,是由我國華中科技大學的鄧聚龍教授于上世紀80年代首先提出的理論。其理論概念為:通過少量的、不完全的信息,建立灰色微分預測模型,對事物發展規律作出模糊性的長期描述?;疑R爾科夫模型是采用灰色模型對客流數據進行擬合,分析和判斷大客流的變化趨勢,并在灰色預測基礎上進行馬爾科夫修正預測,相對單純采用灰色模型,預測精度和效果有較大提高。
1.1.4 基于神經網絡的預測模型
神經網絡是一種新型的模擬人腦結構及其功能的處理系統,其利用大量的歷史數據訓練神經網絡模型,得到輸出對輸入的一種映射關系,利用這種映射關系對相應的輸入可以得到相關的預測結果。在1943年,美國心理學家W.S.McCulloeh和數學家W.Pitts提出了MP模型,首次提出了對人工神經網絡的研究。
1.2 基于BP神經網絡預測實例
接下來,本文介紹利用BP神經網絡的一個軌道客流短期預測的實例,運用上海軌道交通的歷史實際客流數據做為時間序列,對網絡進行訓練,進行之后某日的客流預測。
BP神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出的,是一種按誤差逆傳播算法訓練的多層前饋網絡,是目前應用最廣泛的神經網絡模型之一。他能學習和存貯大量的輸入-輸出模式映射關系,而無需事前揭示描述這種映射關系的數學方程。它的學習規則是通過信息的正向傳播和誤差的反向傳播這兩個過程來不斷調整網絡的權值和閾值,使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層(Input)、隱層(Hidden)和輸出層(Output)。示意圖如圖1。
其詳細原理,本文不再贅述。
本文采用了2015年上海軌道交通從某日開始的連續100天的日客流總量的統計數據,對其按時間序列進行排序,形成一組數據向量,記為:
FlowData[i];其中i=1,2,……100。
其分布圖如圖2。
注:由于數據敏感性,本文僅作方法研究,不提供完整的準確客流數據。
眾所周知,軌道交通日客流在大體趨勢上是隨著每周(也就是7天)有著周期性規律變化的(正如圖所示)。因此我們將FlowData進行重新整理,以每前7日客流為輸入項,第8日客流為輸出項。形成如下的輸入和輸出形式:
Input[1]={ FlowData[1], FlowData[2] ……FlowData[7]};
Output[1]= FlowData[8];
……
Input[92]={ FlowData[92], FlowData[93] ……FlowData[98]};
Output[92]= FlowData[99];
一共92組訓練數據,進行BP神經網絡的訓練學習。在訓練學習效果達到在一定的誤差范圍之內后,采用:
NewInput[]={FlowData[93], FlowData[94] ……FlowData[99]}
作為網絡的輸入,讓網絡模擬計算,輸出結果,與實際結果FlowData [100]進行對比分析。
本文采用AForge.Net中的Neuro神經網絡庫所封裝的BP神經網絡算法進行編程,實現上述過程,其核心代碼如下:
//建立網絡
ActivationNetwork network = new ActivationNetwork(
new BipolarSigmoidFunction(sigmoidAlphaValue),
7, 14, 1);
//采用BP學習算法
BackPropagationLearning teacher = new BackPropagationLearning(network);
//訓練網絡
double error = teacher.RunEpoch(input, output);
//模擬計算結果
double result = network.Compute(networkInput);
運行結果:
FlowData [100]真實值為5561126;經過BP神經網絡的訓練學習后,計算得出的預測值為5737446。誤差為3.17%。由此可以看出BP神經網絡是比較適用于預測短期的單日客流的。當網絡經過一定數據量的訓練,網絡的誤差在一定范圍內后,進行計算預測,則預測的精度和效果會比較理想。
2 展望
本文探討了軌道客流短期預測的一些方法,并利用BP神經網絡,進行了一個簡單的實例試算短期日客流的預測,還未能進行更加深入的研究?;谏窠浘W絡的軌道交通預測應該是一個比較好的方法和研究方向。如果要進行準實時客流的預警(即在更短、更細分的時間段內做客流預測),則需更為細致的歷史數據和實時數據的支持。
參考文獻
[1]李梟.軌道交通換乘站客流預測方法研究[D].北京:北京交通大學交通運輸學院,2010.
[2]楊軍.地鐵客流短期預測及客流疏散模擬研究[D].北京:北京交通大學,2013.
[3]呂利民.城市軌道交通短期客流預測方法[J].都市快軌交通,2015,28(02):21-24.
[4]孔雪萍.短時交通信息動態預測方法的研究與實現[D].北京:北京航空航天大學計算機學院,2010.
[5]王奕.基于周期時變特點的城市軌道交通短期客流預測研究[J].城市軌道交通研究,2010,01(118):47-49
[6]謝輝.軌道交通短期客流預測方法及其算法研究[J].現代城市軌道交通,2011(03):97-99.
[7]楊軍.地鐵客流短期預測及客流疏散模擬研究[D].北京:北京交通大學,2013.
[8]百度百科,關于灰色模型的內容.http://baike.baidu.com/link?url=jkuFG3cX03C1QBBva0Kx-sZBKYhxDRlCPCJgZlS_q6swZKAwbGf-7mAU_GzizahbAPS7QN4eSYf742o8Fv92Ma.
[9]McCulloch W and Pitts W.A logical calculus of ideas immanent in nervous activity[J].Bulletin of Mathematical Biophysics,1943(05):115-133.
[10]百度百科,關于BP神經網絡的內容.http://baike.baidu.com/link?url=0lSAjVyuKJioHWSXvKEWiQEDKwrSzjk3Dxw1dU8DVDB2cFfrgIBquUXf1N73Vtwjiebq7oD8vxfAa1xAFCZ-PK.
[11]Rumelhart D E,Hinton G E,Williams R J.Learing representations by back-propagation errors[J].Nature,1986(323):533-536.
作者簡介
程浩(1984-),男,上海市人。碩士學位?,F為上海交通大學機械與動力工程學院工業工程專業2014級碩士研究生。研究方向為企業需求預測。
徐昕(1981-),男,上海市人。碩士學位?,F為上海交通大學機械與動力工程學院工業工程專業2014級碩士研究生。研究方向為信息網絡資源管控。
作者單位
上海交通大學機械與動力工程學院 上海市 200240