城市轨道交通客流预测模型分析

曹一铄

摘 要：近年来，地铁由于其运客量庞大、高效等优点永用的越来越广泛，人们加强了对地铁的研究。随着城市轨道交通网络系统的不断优化以及线网规模的逐渐扩大，地铁客流的时空分布特征也发生了巨大变化。根据地铁的实际运营以及现实的情况，精确预测短期客运量对提高地铁运行的效率来说至关重要。本文首先概述了客流的相关特性，然后分别对线性预测模型，非线性预测模型和基于神经网络的预测模型进行了综述。目的是为了能够更好的对客流预测提出建议。

关键词：客流;轨道交通;预测模型

0 引言

随着国内经济发展速度以动态的方式快速增长，轨道交通规划的速度明显提升，城市交通拥堵也随之增加。提升公共交通建设和规划的质量成为解决交通拥堵问题的关键，特别是加速完善优化建成城市轨道交通网络系统。这就需要具有庞大的运输能力且在城市结构优化与完善中发挥极其重要作用的城市轨道交通了，它具有安全、可承载人数多、全日通行及乘客满意度高等特点，且符合可持续发展的基本原则，因此城市轨道交通属于绿色环保的交通网络系统。

1 城市轨道交通客流分析

客流是在一定时间范围内，乘客从一个地点移动到另一个地点的总和。它不仅体现了乘客实现地点的转移，又表明了乘客的出行是具有一定的方向且包括了起始位置。客流是實际客流，也可以是通过预测方法预测所得的预测客流。

目前来说，客流影响因素涉及到轨道交通沿线土地利用状况、票价机制、轨道交通网络系统以及轨道交通运营服务水平，同时，客流需求及其特性则包含广泛性、派生性于时空性。根据不同高峰期特征，可以归纳出以下几种客流日分布曲线，即单向峰型、双向峰型、全峰型、突峰型以及无峰型。

2 线性客流预测模型

目前常用的单一类的线性预测模型涉及到时间序列预测法和回归分析预测法。时间序列预测法，对于长期且数据量庞大的情况下的效果要比中、短期、时间跨度小预测的效果更加显著。

2.1 时间序列预测法

时间序列预测法是根据一段时间序列上的过往数据进行扩展预测，该方法以时间顺序为基本要素，通过分析各时间影响因素的发展及变化规律，完成对各相关数据发展趋势的预测。时间序列预测法可以反映趋势变化，周期性变化及随机性变化，时间序列法主要有3种。

（1）简单滑动预测法是对已有时间轴按一定时间隔向未来推移，计算时间序列平均数，对原有时间进行延伸形成新的时间轴，减少短期内突变造成的影响，表现出长时间的趋势。

（2）加权滑动预测法是通过不同权重来表现以往实际值对预测值有不同程度的联系，越是接近预测期的历史数据与预测值的联系会更紧密，因此其权重设置较大，距离预测期越远的数据与预测值的联系往往较小，其权重设置较小。

（3）一次指数平滑预测法。该方法仅需要当前周期预测值和实际值就可以估计当前周期和未来周期数据的预测值，适用于数据量不够充分的情况。

2.2 回归分析预测法

回归分析预测法不仅是根据时间顺序来显现出时间规律，而是找到时间及其他的外界因素与事物内部之间动态变化的因果关系，来确定未来的发展趋势。

2.3 卡尔曼滤波预测模型

卡尔曼滤波是采用由状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器，利用状态方程的递推性，按线性无偏最小均方误差估计准则，用递推算法对该滤波器的状态变量作最佳估计，从而求得滤掉噪声的有用信号的最佳估计，适用于交通状况的预测。

3 非线性客流预测模型

3.1 小波分析模型

传统的信号分析是以傅里叶变换为基础。傅里叶变换的频域信息是全局的，不能描述时频局部化特征，无法表现非平稳信号中最为本质的部分，使傅里叶变换不能很好地分析与处理非平稳信号。

在傅里叶变换的基础上，Gabor提出了短时傅里叶变换[1]。在短时傅里叶变换中，窗函数确定，则时频分析中的窗口形状就确定，该单一分辨率的时频分析方法更适用于分析较为平稳的信号。为满足窗口的大小随频率而变，更好地分析信号局部特征，小波分析被提出，该方法提供了随频率变化的时间-频率窗口，很好地弥补了短时傅里叶变换的缺点。在小波变换中，时间窗会根据频率进行变化，高频时变窄，低频时则会自动加宽，从而可以进行多分辨率分析，因而，小波分析也被称为“数学显微镜”。

3.2 支持向量机预测模型

支持向量机（SVM）是建立在VC维和结构化经验风险最小化原理的基础上的一个凸二次优化问题，可以在模型的复杂性和学习能力之间寻求最佳折中，可以较好地解决“小样本”、“非线性和维数灾难”等问题。

在运用支持向量机模型建模中，参数的选取对模型精度和推广能力有着直接影响，进而影响模型的预测性能。在选取最佳参数组时，交叉确定法是将样本数据划分为K组，任意抽取K-1组样本作为训练集并将训练结果，计算成本偏高，样本需求大。经验法则需要根据参数与样本间的先验公式来确定，需反复实验。经典的遗传算法进行参数寻优时易得到局部最优解，而粒子群算法通过不断调整自身最优和种群最优的关系能够很好地避免陷入局部最优解问题，寻得参数最佳组合。

3.3 分形理论模型

分形理论[2]为人们在貌似繁杂无序的复杂系统分析中找到其中客观存在的规律提供了科学有效的定量分析手段。分形插值是分形理论中的重要内容，因其在许多方面优于多项式插值、有理插值等传统的插值方法而常被用于处理一些复杂的自然现象，为人们理解现实世界的纷繁复杂形态提供了一种很好的确定性表述方法。其基本思想是基于分形的自相似原理迭代函数系统IFS理论，将原数据集合插值变换为具有自相似结构曲线，进而实现局部与整体间统计意义上的自相似。

4 基于神经网络的模型

神经网络系统具备较好的学习能力，自适应性强，但知识抽取能力和知识表达能力等缺点较差。模糊控制理论可以实现对系统的模糊判断，相较于神经网络其对规则的修正以及自学习就很难实现。综合考虑，神经网络在处理非结构模型时有较大优势，模糊理论在处理模糊信息时的具有较大优势。因此，对于神经网络和模糊控制的结合主要包括神经网络中引入模糊逻辑[3]，使神经网络能够处理模糊信息;利用神经网络的自学习以及映射能力，以实现模糊控制;模糊控制以及神经网络相互独立，各自实现不同功能的三种方式。模糊控制规则的确定来明确这些节点。

5 结语

综上，本文首先分析了客流特性，综述了各种传统的单一类线性和非线性的客流预测方法如时间序列预测模型和回归分析预测模型等。但由于传统单一类客流预测模型存在一些缺点，可将传统预测模型相互结合形成新颖的组合类预测模型，目的是将每一种模型的特点结合起来，使的融合在一起的模型既可以拥有单个模型的优点，又可以避免其存在的缺陷，从而得到误差率更低的结果，能够对城市轨道交通客流预测做出一定的贡献。

参考文献：

[1]施玉欣，陈凌燕，梁颖怡，等.基于小波分解和ARIMA模型的城际铁路客流预测[J].江苏科技信息，2019，36（29）：30-34.

[2]高洪波，张登银.基于分形与三次指数平滑的交通流量预测模型[J].南京邮电大学学报（自然科学版），2018，38（6）：63-67.

[3]张琳.基于深度神经网络的地铁客流预测系统研究[D].北京交通大学，2019.