基于ELM和LSSVM的客流量预测模型
2018-09-12张克申安俊峰孙二杰赵帅芦潇卢萌萌
张克申 安俊峰 孙二杰 赵帅 芦潇 卢萌萌
摘要：涉及一种基于滚动式地铁人流量混合预测方法，采用的是双预测算法，双预测通道的模式；双预测方法指的是预测用到了ELM神经网络和LSSVM两种算法混合组成。双预测通道指的是采用两个不同的滚动序列基数进行预测。最后根据不同方式确定权重大小，并且得到混合预测数据模型。
关键词：ELM；LSSVM；滚动；权重；混合
DOI： 10.396 9/j.issn.1 005-5 517.2 01 8.7.01 8
0 引言
地铁中，客流量分析是一个很重要的领域，客流量的多少直接影响到安全，城市的经济发展等重要因素。地铁的客流量多少对乘客的出行有很大的警示作用。
AFC（自动售检票）系统可以获得很大的客流量信息，可以进行设置，获得每分钟、每小时、每天、每月、每季度、每年的数据信息，并且可以按照车站每类整理，形成庞大的数据信息，信息量的充足和庞大足够支撑大家去进行分析和预测，并且因为数据量的充足和庞大，可以对感兴趣数据进行分类整合，组成想要的数据信息进行研究。
收集大量的客流量数据后，以每半年或者每年为单位作为数据统计，有效地去预测未来五年或者未来十年，甚至未来二十年的数据，对于地铁线路的规划，市政建设的布局都有着指导性的作用。
并且现有的预测算法都是针对于已知的数据进行分析和预测，进而研究一种预测方法去预测未知数据是有必要的。目前存在的预测方法是用已知的数据做研究，即知道数输入数据和输出数据，进行研究和挖掘，但是往往未来的的输入数据是未知的，那么带来预测很大的不方便，但是预测有着很重要的作用。因此针对未知数据的预测是个有力的应用。
本文提出一种基于滚动式地铁人流量混合预测方法，并且将数据传递给AFC系统，由AFC系统来完成相关的预警信号。
1 原理简介
1.1 ELM神经网络
ELM是一个神经网络的形式，结构由输入层、隐含层和输出层构成，具有局部记忆模块和局部反馈连接的前向形式的神经网络。具有训练速度快，误差不大，不容易陷入到局部最优值的特点。
其中带有m个隐含层节点的ELM的网络结构式（1）所示：
其中p.、q.是学习参数，n.是连接第i个隐含层节点与输出层之间的权重，g（pix+qi）表示的是当输入是X的时候，第i个隐含层节点的输出数值。
1.2 LSSVM介紹
LS-SVM和SVM有很重要的联系和区别，下面有所比较。
（1）优化问题的构造
SVM目标函数采用了误差因子的一次项，LS-SVM采用了误差因子的二次项，同时约束条件的先定下，SVM采用不等式约束，LS-SVM采用等式约束形式。
（2）优化问题的求解
SVM求解QP问题中，变量维数和训练样本的个数是一样的，而LS-SVM方法借助求解线性方程组达到了最终的决策函数，在某些方面上降低了求解难度，提高速度。
（3）解的稀疏性
SVM中，需要解决QP问题，目标条件是达到全局最优解，并且，大部分的Lagrange乘子均为0。在LS-SVM方法中，目标函数采取了误差平方项，约束条件是等式，通过一定的处理方式，把SVM的QP问题转化成线性问题，因此Lag range乘子与误差项成比例关系，但是LS-SVM方法通过对最终求解得到的Lagrange乘子进行排序，同样的情形下，可以实现解的稀疏性。
2 具体实施过程
2.1整体构架
本文主要涉及双通道、双预测模型，如图1所示，主要包括以下步骤：
（1）从AFC（地铁中的自动售票系统）获得整理出入流量数据。
（2）双通道预测的过程，具体操作如下：
（a）比如采样频率为1，组成序列为A，滚动序列[Al，A2，A3…An]，预测第（n+1）个数据，然后用预测的结果A（n+1）与原来的序列[Al，A2，A3…An]组成新的序列[Al，A2，A3，.An，A（n+1）]，用新的序列预测第（n+2）个数据。以此类推，得到一个通道的预测数据，此种方式记成通道1。
（b）开始选择的滚动序列基数是[A2，A3，……An]一共（n一1）个数据，预测第（n+1）个数据，然后用预测的结果A（n+1）与原来的序列[A2，A3，..An]组成新的序列[A2，A3，.An，A（n+1）]，用新的序列预测第（n+2）个数据。以此类推，得到一个通道的预测数据，此种方式记成通道2。
值得一提的是，上述的（a）、 （b）步骤中选择的基数不一定是[Al，A2，A3，¨An]、[A2.A3…An]等这样的数列，也可以采用别的[A2，A3，.An]、[A3…An]等形式。
（3）进行决策获得未来预测数据的过程，具体操作如下：
通过上述步骤（2）的（a）、 （b）两个步骤，我们可以得到针对通道1通道2的两个预测数据序列。在这里，通道1的预测数据记成[A（n+1），A（n+2）……A（n+m）]，通道2的预测数据记成[Ab（n+1），Ab（n+2）……Ab（n+m）]；与上述的两个通道的序列求加权平均作为最后的预测结果，即（w1*[Ab（n+1），Ab（n+2）……Ab（n+m）]+w2*[A（n+1），A（n+2）……A（n+m）]），其中wl和w2是ELM神经网络和LSSVM的权重。
2.2通道预测模型和确定
假设滚动序列[Al，A2，A3，..An]预测第（n+1）个数据，用ELM得到的结果是AA （n+l），svm预测得到的是AB（n+l），取加权平均数作为第（n+1）个数据的预测结果，记A（n+1）=（AA（n+1）+AB（n+1））/2），然后用预测的结果A（n+1）与原来的序列[Al，A2，A3，¨An]组成新的序列[Al，A2，A3，.An，A（n+1）]，用新的序列预测第n+2个数据；用ELM得到的结果是AA （n+2），LSSVM预测得到的是AB（n+2）。那么取加权平均数作为第（n+2）个数据的预测结果，记A（n+2）=（AA （n+2）+AB（n+2））/2），以此类推。
假设滚动序列[A2，A3…An]预测第（n+1）个数据，用ELM得到的结果是AA（n+l），LSSVM预测得到的是AB （n+l），那么取加权平均数作为第（n+1）个数据的预测结果，记A（n+1）=（AA（n+1）+AB（n+1））/2），然后用预测的结果A（n+1）与原来的序列[A2，A3，¨An]组成新的序列[A2，A3，¨An，A（n+1）]，用新的序列预测第（n+2）个数据；用ELM得到的结果是AA （n+2），LSSVM预测得到的是AB （n+2），取加权平均数作为第（n+2）个数据的预测结果，记A（n+2）=（AA（n+2）+AB（n+2））/2），以此类推。
通过上述两个步骤，我们可以得到针对通道1通道2得到的两个预测数据序列，在这里通道1的预测数据记成[A（n+1），A（n+2）……A（n+m）]；通道2的预测数据记成[Ab（n+1），Ab（n+2）……Ab（n+m）]；与上述的两个通道的序列求加权平均作为最后的预测结果，也就是（w1★[Ab（n+1），Ab（n+2）-……Ab（n+m）]+w2*[A（n+1），A（n+2）……A（n+m）]）。其中，wl和w2是ELM神经网络和LSSVM的权重，其中本文按照2.3的方法，得出的权重wl =0.49，w2 =0.51。
2.3关于权重的确立方法
（1）标准差法确定权重：其中s.是第i个模型的标准差。（2）误差平方和倒数法
其中模型的误差平方和如公式（3）：
公式（4）中，qi-1表示第i个模型误差平方和的倒数。
本文确定权重的步骤如下：
（1）选取i个数据做训练，得到真实值和预测值，其中ELM的预测值看成El，E2，…Ei，LSSVM的预测值看成11 ，12，…li，真实值为Rl，R2，…Ri；
（2）按照公式（2）.确定ELM和LSSVM的权重wl，w2；
（3）按照公式（4），确定ELM和LSSVM的权重w3，w4；
（4）计算混合模型的误差平方和，按照公式 （5） ：
其中按照wl，w2两种权重得的混合模型的误差平方和是fl，按照w3，w4两个权重得到混合模型的误差平方和是f2。
（5）比较上述步骤fl、f2，如果fl
图3、图4、图5是本文经过编程预测得到的数据结果，分别是通道1、通道2及最终决策的预测结果。3结论
采用本文方案与现有技术相比，具有以下的优点和积椴效果：
（1）有AFC系統提供相应的客流量数据信息，然后有预测方案进行双通道预测，预测得到的信息传递给AFC系统，并且如果客流量达到很大的高峰时候，进而进行相关的预警信息，由AFC系统提前告知乘客，或许有相关的拥挤预报，请乘客提前选择交通方式。
（2）本文采用网络的数据流量进行数据整合和挖掘，对于现有的数据进行整理，然后用这些数据进行对于未来未知的数据进行预测，是一个相当可观的使用方法。
（3）应用本文方案可以对五年、十年乃至二十年的城市地铁的人流量进行预测，提前做好规划，对于地铁设计和城市布置有着很重要的预测和导向作用。 本文所涉及的方法不是针对现在有的数据进行试验，而是对未来不知道的数据进行预测和分析，同样适用于相关的金融市场，比如股票未来的走势预测、基金的预测、未来人类的寿命预测等具有很大的参考价值和实际意义。
