基于數(shù)據(jù)融合的地鐵客流量預測方法論文

《基于數(shù)據(jù)融合的地鐵客流量預測方法論文》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。

1、基于數(shù)據(jù)融合的地鐵客流量預測方法論文.freelan濾波等。這些方法假定過程是平穩(wěn)的,系統(tǒng)是線性的,系統(tǒng)的干擾是白噪聲,因此在線性系統(tǒng)平穩(wěn)的隨機時間序列預測中能夠獲得滿意的結果。然而,交通問題是有人參與的主動系統(tǒng),.freel天在時刻t的流量按日期先后記錄下來的數(shù)據(jù)構成的時間序列為歷史序列,即f2(t)={F0i-p(t),1≤p≤m}(3)工作日和節(jié)假日流量差別較大,可將它們分類處理。該序列整體分布較平穩(wěn),有震蕩,但頻帶較窄。第p個工作日在時刻t的流量如圖3所示。鄰站序列圖4為本站與鄰近2個車站24h的流量曲線經(jīng)DB2小波3層變換后的近似分量,可見各分量關聯(lián)性較大。

2、如果根據(jù)以前的數(shù)據(jù)將各鄰近車站相互關系解算出來,就可以利用這種函數(shù)關系預測時刻t在本站的流量。最近m天在時刻t的流量按日期先后記錄下來的各鄰站歷史序列為本站的鄰站序列,即qf2+q(t)={Fi-p(t),1≤p≤m,1≤q≤s}(4)q式中,Fi-p(t)表示第q個鄰近站的第(i-p)天的流量;s表示鄰近站數(shù)。1.3相關序列的預測由于各相關序列在預測中具有不同的影響,且分布規(guī)律和特點差異較大,因而各序列使用不同的預測方法。本文對當前序列進行小波分解后用Kalman預測,對歷史序列直接進行Kalman預測,對鄰站序列用冪級數(shù)多項式進行擬合。1.3.1小波分析根據(jù)設置的

3、分解指數(shù)η對序列進行小波N尺度分解,得到一組低頻信號和N組高頻信號,對這N+1組信號分別用Mallat塔式算法重構到原尺度上,得到N+1組在原始尺度上的經(jīng)過分解重構處理的信號。分別對信號用Kalman濾波進行預測,得到N+1個預測值,再將這N+1個預測值用權系數(shù)合成最終的預測值。具體算法請參見文獻1。1.3.2Kalman濾波離散線性Kalman濾波方程為F(t)=Φ(t-1)F(t-1)+ATLAB的ANN工具箱構造神經(jīng)網(wǎng)絡。隱層神經(jīng)元的激勵函數(shù)為tansig函數(shù)(正切S型傳遞函數(shù)),輸出層神經(jīng)元的激勵函數(shù)為purelin函數(shù)(線性傳遞函數(shù)),這樣整個網(wǎng)絡的輸出可以

4、取任意值。采取批處理學習方式和快速BP算法訓練。2.3神經(jīng)網(wǎng)絡的訓練將網(wǎng)絡的訓練標準SSE設為64(60組訓練樣本),利用上述樣本對神經(jīng)網(wǎng)絡進行訓練,訓練6000次時網(wǎng)絡的權值和閾值將達到最佳值,即達到了訓練目標。神經(jīng)網(wǎng)絡訓練目標接近過程,如圖5所示。從圖5中可以看出,訓練開始時,網(wǎng)絡收斂速度較快,接近目標時收斂速度會減慢?？梢?訓練次數(shù)越多,得到的結果越好。當然,這是以訓練時間的增長作為代價的。3實驗對比分析采用本文算法和傳統(tǒng)的Kalman算法分別對2003年3月2日的各整點時刻的流量進行預測。算法各時刻均通過訓練后的神經(jīng)網(wǎng)絡預測,預測與實測結果的比較,如圖6所示。

5、傳統(tǒng)的Kalman濾波是直接在當前序列的基礎上進行預測的,預測與實測結果的比較如圖7所示。2種預測方法的誤差指標對比見表1。表1實驗結果對比比較可得,由于傳統(tǒng)的Kalman預測方法只能以某一類序列的數(shù)據(jù)作為預測基礎,無法利用其他序列信息,且對變化大的數(shù)據(jù)采樣要求較高,因而具有較大的誤差,而本文所述方法有效地克服了這些缺點。4結論通過分析城市地鐵站客流量的相互關系和特點,在對流量信息進行以預測為目的相關序列集構造的基礎上,提出了一種基于數(shù)據(jù)融合的預測模型。該預測模型不僅是一個多信息接收和處理的融合模型,而且還是一個動力學系統(tǒng),網(wǎng)絡的訓練樣本也是動態(tài)的,如果訓練的次數(shù)適當

6、,預測的精度也可以隨之變化調(diào)整。實驗結果表明,基于數(shù)據(jù)融合的預測與傳統(tǒng)的預測方法相比,由于充分利用了所有預測信息,在預測的準確程度上有較大提高。