论文部分内容阅读
南京地铁运营有限责任公司 江苏 南京 210000
【摘 要】地铁是现今城市人们出行的一项重要交通工具,为了能够对地铁交通客流量进行预测,便于我们相关工作的开展。在本文中,将就基于数据融合的地铁客流量预测方法进行一定的研究与分析。
【关键词】数据融合;地铁客流量;预测
1 引言
在现今城市地铁运行过程中,对于车站流量信息的预测是非常重要的一项工作,通过对流量信息的准确预测、把握,能够较好的帮助我们以更为科学的方式开展相关调度工作,以此在更好满足人们地铁乘坐需求的基础上获得更多的经济收益。
2 传统预测方式及缺陷
在以往的地铁流量预测工作中,主要使用的方式有Kalman滤波以及回归分析算法等方式,对于这部分方式来说,其是一种平稳的预测方式,但由于地铁系统具有着线性特征,因此上述方式在这种线性系统中很难获得较为满意的结果。同时,地铁是一种人人参与的具有较强主动性的交通系统,具有较强的扰动性以及非线性特点,这就使上述方式在实际预测工作开展时存在着以下问题:首先,在每次所获得数据中,都是数据变化情况较小时还具有着较好的预测意义,但是如果这部分数据值具有较大的变化,就会随之带来更大的误差;其次,获得的预测值所产生的变化同实测值变化情况相比存在着较为明显的滞后性;最后,不能对奇异信息所造成的影响进行消除。且所使用的小波分析方式虽然能够在小波变化之后对相关数据进行预测,能够对以往预测方式不能对奇异信息进行彻底消除的缺陷进行解决,但该种方式仅仅能够对单个数据序列进行处理,没有使其发挥出最大的作用。
3 数据融合技术概述
数据融合技术是一种最高诞生于军事领域的技术,在技术诞生之初其主要作用是用于目标定位、身份识别、航迹跟踪以及态势评估等。在传统数据融合技术中,其经常通过概率理论的应用实现对多种类型信息的获取与研究,并将大量信息中无用部分进行良好去除的基础上对其中有价值的部分进行保留。而在对信息进行实际处理时,则通过不同方法实现对数据属性特征的体现,为了能够对城市地铁运行过程中我们所收集到的数据进行充分的利用,并在此基础上获得更为可靠、准确的动态预测结果。我们在数据融合的思想下对地铁客流量预测进行了一定的研究。
4 流量融合预测模型
4.1 预测模型结构
针对地铁客流量预测工作所具有的复杂性,为了能够同预测对象具有关系的属性与其他对象进行良好的表现,我们对每一个关联对象的属性都通过时间序列方式的应用对其进行了表示,以此作为该预测对象的相关序列。且所有用于预测的序列因此共同构成了预测对象序列集。而由于不同方式在数据预测中具有着不同的效果与作用,我们则针对相关序列分别对于不同的预测方式进行了应用。
4.2 序列集的构造
为了能够预测车站在第i天t时刻所具有的流量Foi(t),我们设该时刻相关序列集为:
f(t)={fj(t),1≤j≤n}
在上式中,fj(t)代表在t时刻下的时间序列,而n则代表时间序列数。
在上述基础上,为了能够帮助我们预测的更为精准,则可以在相关固定特性的基礎上对多个数量的时间序列进行构造。而根据地铁客流量特点,我们则可以将流量数据构造为以下几个序列,即当前、历史与邻站序列:
4.2.1 当前序列
该序列能够预测t时间前该地铁站点k次流量,并将不同时间情况下所记录的时间序列作为当前序列:
F1(t)={Fio(t-l),1≤l≤k}
在该序列中,时间是最为关键的一项影响因素,同时,数据结果也会受到气温、天气以及人为等方面因素的影响。在数据分布方面,其则具有着较大的非线性特性以及较宽的频带。第l班列车流量如下图所示:
图1 当前序列
4.2.2 历史序列
该序列主要是代表在某一时间下的相邻天数,该序列流量曲线具有着较为相似的特点,日期在其中具有着最为关键的作用。在地铁站点m天以内在t时刻下根据日期对数据进行记录后所形成的时间序列则称之为历史序列:
F2(t)={Foi-p(t),1≤p≤m}
对于节假日与工作日的地铁运输来说,其在客流量方面存在着较大的差异,对此,我们则可以分别对两种情况进行处理。经过观察,该序列总体分布情况较为平稳,频带较窄,且具有震荡显示。第p个工作日在t时刻下流量情况如下图所示:
图2 历史序列分布特点
4.2.3 邻站序列
在邻站序列中,不同分量之间具有着较为密切的关联性,在此种情况下,在以往数据的基础上将相近车站间的相互关系进行解决,则能够在该函数关系基础上对t时刻下该地铁站点的流量情况进行预测。两个相邻车站在一天24小时内流量曲线在经过DB2小波3层变换后如下图所示:
图3 邻站序列分布特点
4.3 序列的预测
在上述研究结果的基础上,由于不同序列情况在实际地铁流量预测工作中所具有的影响情况各不相同,且在特点差异以
【摘 要】地铁是现今城市人们出行的一项重要交通工具,为了能够对地铁交通客流量进行预测,便于我们相关工作的开展。在本文中,将就基于数据融合的地铁客流量预测方法进行一定的研究与分析。
【关键词】数据融合;地铁客流量;预测
1 引言
在现今城市地铁运行过程中,对于车站流量信息的预测是非常重要的一项工作,通过对流量信息的准确预测、把握,能够较好的帮助我们以更为科学的方式开展相关调度工作,以此在更好满足人们地铁乘坐需求的基础上获得更多的经济收益。
2 传统预测方式及缺陷
在以往的地铁流量预测工作中,主要使用的方式有Kalman滤波以及回归分析算法等方式,对于这部分方式来说,其是一种平稳的预测方式,但由于地铁系统具有着线性特征,因此上述方式在这种线性系统中很难获得较为满意的结果。同时,地铁是一种人人参与的具有较强主动性的交通系统,具有较强的扰动性以及非线性特点,这就使上述方式在实际预测工作开展时存在着以下问题:首先,在每次所获得数据中,都是数据变化情况较小时还具有着较好的预测意义,但是如果这部分数据值具有较大的变化,就会随之带来更大的误差;其次,获得的预测值所产生的变化同实测值变化情况相比存在着较为明显的滞后性;最后,不能对奇异信息所造成的影响进行消除。且所使用的小波分析方式虽然能够在小波变化之后对相关数据进行预测,能够对以往预测方式不能对奇异信息进行彻底消除的缺陷进行解决,但该种方式仅仅能够对单个数据序列进行处理,没有使其发挥出最大的作用。
3 数据融合技术概述
数据融合技术是一种最高诞生于军事领域的技术,在技术诞生之初其主要作用是用于目标定位、身份识别、航迹跟踪以及态势评估等。在传统数据融合技术中,其经常通过概率理论的应用实现对多种类型信息的获取与研究,并将大量信息中无用部分进行良好去除的基础上对其中有价值的部分进行保留。而在对信息进行实际处理时,则通过不同方法实现对数据属性特征的体现,为了能够对城市地铁运行过程中我们所收集到的数据进行充分的利用,并在此基础上获得更为可靠、准确的动态预测结果。我们在数据融合的思想下对地铁客流量预测进行了一定的研究。
4 流量融合预测模型
4.1 预测模型结构
针对地铁客流量预测工作所具有的复杂性,为了能够同预测对象具有关系的属性与其他对象进行良好的表现,我们对每一个关联对象的属性都通过时间序列方式的应用对其进行了表示,以此作为该预测对象的相关序列。且所有用于预测的序列因此共同构成了预测对象序列集。而由于不同方式在数据预测中具有着不同的效果与作用,我们则针对相关序列分别对于不同的预测方式进行了应用。
4.2 序列集的构造
为了能够预测车站在第i天t时刻所具有的流量Foi(t),我们设该时刻相关序列集为:
f(t)={fj(t),1≤j≤n}
在上式中,fj(t)代表在t时刻下的时间序列,而n则代表时间序列数。
在上述基础上,为了能够帮助我们预测的更为精准,则可以在相关固定特性的基礎上对多个数量的时间序列进行构造。而根据地铁客流量特点,我们则可以将流量数据构造为以下几个序列,即当前、历史与邻站序列:
4.2.1 当前序列
该序列能够预测t时间前该地铁站点k次流量,并将不同时间情况下所记录的时间序列作为当前序列:
F1(t)={Fio(t-l),1≤l≤k}
在该序列中,时间是最为关键的一项影响因素,同时,数据结果也会受到气温、天气以及人为等方面因素的影响。在数据分布方面,其则具有着较大的非线性特性以及较宽的频带。第l班列车流量如下图所示:
图1 当前序列
4.2.2 历史序列
该序列主要是代表在某一时间下的相邻天数,该序列流量曲线具有着较为相似的特点,日期在其中具有着最为关键的作用。在地铁站点m天以内在t时刻下根据日期对数据进行记录后所形成的时间序列则称之为历史序列:
F2(t)={Foi-p(t),1≤p≤m}
对于节假日与工作日的地铁运输来说,其在客流量方面存在着较大的差异,对此,我们则可以分别对两种情况进行处理。经过观察,该序列总体分布情况较为平稳,频带较窄,且具有震荡显示。第p个工作日在t时刻下流量情况如下图所示:
图2 历史序列分布特点
4.2.3 邻站序列
在邻站序列中,不同分量之间具有着较为密切的关联性,在此种情况下,在以往数据的基础上将相近车站间的相互关系进行解决,则能够在该函数关系基础上对t时刻下该地铁站点的流量情况进行预测。两个相邻车站在一天24小时内流量曲线在经过DB2小波3层变换后如下图所示:
图3 邻站序列分布特点
4.3 序列的预测
在上述研究结果的基础上,由于不同序列情况在实际地铁流量预测工作中所具有的影响情况各不相同,且在特点差异以