基于Elman神经网络的客流量预测方法应用

周青 张青松

1.昆明医科大学海源学院；2.云南师范大学实验中学

本文明确了客流量预测在整个公交运力配置流程中的关键作用。客流量的准确预测是公交资源优化配置的依据和前提。本文给出了基于Elman神经网络的公交客流量预测流程。最后，通过数据搜集，利用某城市近8年的客流量数据进行了实例预测。最后通过与当前较流行的BP静态神经网络比较，发现Elman神经网络整体上比BP神经网络具有较高的预测精度。

客流量的预测是进行公交运力配置的基础和依据。但是，由于客流量的时间和空间复杂性，数据量之大，准确度量很难真正实现。客流量在不断地发生变化，在不同的时间和不同的空间上均有变化，但是这种变化还是有一定的规律可循的。掌握了公交客流的变化规律，对于组织公交运输、优化公交运力资源具有极其重要的意义。

1 公交客流的概念和特点

1.1 公交客流的概念

城市公交客流指公众为实现某项出行活动，借助特定的交通工具，在城市道路上有目的地流动而形成的人流。依据乘客乘车的目的地指向区别，公交的客流可分为上班工作流和其他客流。位于市区的乘客，客流量整体上较郊区大，时间规律性较强，高峰时间明显，平均乘车间距较短，换成交替频繁；公交客流量是动态变化的，难以准确计算。但是客流量的准确预测，对公交站点、线路的设定和发车频率等有着决定性的影响。

1.2 公交客流的特点

公交客流量的分布主要呈现出时间特征和空间特征，时间上分为高峰期和平峰期，高峰期的客流量主要为上下班客流，人员多，时间比较集中，规律性比较强；通常存在几个高峰时段：早上班高峰，晚下班高峰，节假日高峰，学校附近上下学高峰等。平峰期，主要呈现出客流分散，时间不集中，规律性不明显。空间分布特征也主要体现在客流密集地带和分散地带。密集地带主要分布在学校、客运站和居民区附近等，分散地带客流量比较少无规律性，密集地带，人员量大，时间规律性强。对于规律性以外的客流量具体来分，客流量还具有以下空间特点：

1.2.1 线路网上的客流动态

线路网上的客流动态，是指对整个城市而言，是个宏观的概念，是指某一时刻，城市公交线路的某一截面上的客流量的动态变化，没有公交线路、停靠站点和流动方向的区别，总体体现了整个城市公交线路网上客流量的特征。

1.2.2 方向上的客流动态

某条线路乘客在流动方向上的变化状态即方向上的客流动态。公共交通每条线路都有上、下之分，在同一时间间隔内上下行客流经常是不平衡的，有的线路差异甚至巨大，根据客流方向可以分为单行和双行两种类型。

分析客流动态，利于确定公交调度形式，组织车辆运行，编制行车时刻表都有至关重要的意义。

2 基于Elman神经网络的预测方法的引入

2.1 常见客流预测的方法

针对客流量的预测，我们国家已有很多研究，最常见的预测方法主要有两种：四阶段预测法和直接预测模型法。但是，这些模型牵涉的相关因素多、结构复杂，求解难度大，因而在实际的应用过程中有很大的局限性。因此，有很多学者开始转向神经网络方面的研究和实验。

2.2 神经网络理论

神经网络是一门交叉学科，是机器学习研究的重要分支。它通过模范学习动物神经网络的行为特征，对信息进行类似仿生处理的数学方法。神经网络通过调整系统内部节点之间相互关系，实现信息处理的目的。由于公交客流量的特殊性，随着时间不断变化的特点，很难用确定的函数或方程来描述。因此，在对客流量进行预测的过程中，本文引入了神经网络的相关原理。

2.3 Elman神经网络理论

Elman神经网络的概念最早是由J. L. Elman于1990年首次提出来的，它是一种典型的局部回归型网络(Global Feed Forward Local Recurrent)。因此，我们可以将Elman神经网络看作是一个具有局部记忆单元和反馈连接的递归神经网络。在神经网络的预测模型中，有两种常用理论：BP网络和Elman网络。而BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。其原理本质上是将动态的时间建模转化为静态的空间建模。而本文中关于公交客流量的预测，公交客流量具有动态性时空变化的特点，使用BP网络建模必然会出现许多问题。因此本文引入了带有反馈的动态神经网络，Elman型神经网络由于其自身的特殊性，在解决预测问题上也有更高的准确性和科学性。

3 公交线路客流分布预测流程

公交客流预测是一个复杂的过程。在对客流量进行预测时，首先要对公交线路客流现状的调查，通过各种形式的数据调查，可以得到公交线上的乘客分布规律以及各站点一天客流分布规律、公交车的满载率等指标，为公交线路运力的合理配置提供依据。我国城市公交基础设施普遍落后，而公交出行乘客众多，客流调查难度大，调查数据容易出现偏差。因此，数据修正的步骤必不可少。通过数据修正，对客流量进行初步的预测。根据预测结果，进行试运营，具体数据根据实际的运营状况再次进行调整。因此整个运营线路的客流预测是线路运力配置优化的关键。具体的流程如图1所示。

图1 基于时空变化的公交线路客流分布预测流程Fig.1 Passenger flow distribution prediction process of bus lines based on temporal and spatial changes

（1）首先，根据线路的现有运营情况，确定是否要优化公交站点？

如果需要，就要从站点的具体客流情况做分析调研。这里主要是对线路站点的服务面积分析，在此基础上结合以往历史数据（已有站点）或者类似站点的经验数据（新增站点），生成该站点的客流量预估数值。同时，做本站点的客流量OD调查，调查内容主要涉及乘客起止点分布、出行目的、出行方式、出行时间、出行距离、出行次数等，以此对站点预测数据做出修正。对于最终得到的预测数据，作为新线路客流量预测的初值，在实际运营过程中，根据后期的实际统计数据，再做最终的修正。

（2）如果不需要开辟新线路，就直接对该条线路做全日客流量的预测。根据线路上站点的地理位置、人群结构等分布，针对站点的两种不同的类似度有以下两种处理方式。

1）如果线路上的若干个站点类似度较高，则采用首末站分层不等概率抽样，根据调查数据，做出客流时段分布预测，并以此对其他站点的客流量做出分布推算。

2）如果线路上的站点类似度较低，则采用聚类分析的方法对站点进行处理。首先，聚类分析代表站点的客流量情况，并做出预测。然后，再针对层内站点客流量做出时段分布推算。

（3）这些通过模型预测得到的数据，必须在实际的公交运用过程中，根据用户的乘车体验和公交公司的综合效益等指标再做出数据修正。

3.1 数据处理

这里采用Matlab软件完成数据处理，通过网络训练和预测数据的时间序列转换，需要对原始数据进行归一化处理。函数如下：

为了提高精度，通常设置输入输出数据的范围在0.2～0.8之间。经过这样的处理，利于样本数据的快速训练，生成预测数据。下文中的实验数据处理过程也是采用这种数据精度的。

3.2 模型的实例化与评价

为了更好地比较Elman神经网络和BP神经网络的差异，我们通过数据搜集，取某城市某一个固定站点近8年的公交线路客流量数据如表1所示，进行实例化模型分析。

表1 2013—2020年某城市公交客流量Tab.1 Bus passenger flow of a city from 2013 to 2020

该城市2013—2020某一固定站点8年的客流量数据，每个数据分别对应一个时间函数

x

(

i

)。通过MATLAB仿真模拟，得到的模拟值和模拟误差率如表2所示。

表2 Elman和BP模拟值及误差率Tab.2 Elman and BP simulation values and error rate

从表2中数据可以看到，Elman模拟比起BP模拟，平均误差为-0.66%，而BP模拟的误差率达到2.15%，从8年的实例数据仿真可以看出，Elman神经网络比BP神经网络具有更高的模拟精度。因此，现实的客流预测中采用Elman神经网络来进行，会有更高的现实拟合度，更加精确和科学。

但是，神经网络预测体系只是保证了预测过程的相对准确度，要想真正得到精确的数据，需要与其他先进技术相结合，如视频图像处理、模式识别、传感器等，保证采集到第一手准确的现实数据。只有做到了这些，才能保证得到较准确的客流量数据。

4 结语

本文首先分析公交客流量的时空分布的复杂性和规律性，然后结合现有的优秀的算法对客流量的预测流程进行了建模。最后，利用某城市近8年的某一固定站点的客流量数据进行了实例预测，通过比较，发现Elman神经网络比BP神经网络具有较高的预测精度。在实际的使用过程中，数据的采集和数据的修正也直接关系着后续优化工作的开展效率。因此，有待于先进科技的不断融入，只有准确采集了当前的客流量数据，对整个公交运力配置的过程推进才会产生真正的意义。