基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法

基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法

ID:28173483

大?。?2.50 KB

頁數(shù):4頁

時間:2018-12-08

基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法_第1頁
基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法_第2頁
基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法_第3頁
基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法_第4頁
資源描述:

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

1、基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法南京地鐵運營有限責(zé)任公司江蘇南京210000【摘要】地鐵是現(xiàn)今城市人們出行的一項重要交通工其,為了能夠?qū)Φ罔F交通客流量進行預(yù)測,便于我們相關(guān)工作的開展。在木文中,將就基于數(shù)據(jù)融合的地鐵客流量預(yù)測方法進行一定的研究與分析。【關(guān)鍵詞】數(shù)據(jù)融合;地鐵客流量;預(yù)測1引言在現(xiàn)今城市地鐵運行過程中,對于車站流量信息的預(yù)測是非常重要的一項工作,通過對流量信息的準(zhǔn)確預(yù)測、把握,能夠較好的幫助我們以更為科學(xué)的方式開展相關(guān)調(diào)度工作,以此在更好滿足人們地鐵乘染需求的基礎(chǔ)上獲得更多的經(jīng)濟收益。2傳統(tǒng)預(yù)測

2、方式及缺陷在以往的地鐵流量預(yù)測工作中,主要使用的方式有Kalman濾波以及回歸分析算法等方式,對于這部分方式來說,其是一種平穩(wěn)的預(yù)測方式,但由于地鐵系統(tǒng)具有著線性特征,因此上述方式在這種線性系統(tǒng)中很難獲得較為滿意的結(jié)果。同時,地鐵是一種人人參與的具有較強主動性的交通系統(tǒng),具有較強的擾動性以及非線性特點,這就使上述方式在實際預(yù)測工作開展時存在著以下問題:首先,在每次所獲得數(shù)據(jù)中,都是數(shù)據(jù)變化情況較小時還具有著較好的預(yù)測意義,但是如果這部分?jǐn)?shù)據(jù)值只有較大的變化,就會隨之帶來更大的誤差;其次,獲得的預(yù)測值所產(chǎn)牛.的變

3、化同實測值變化情況相比存在著較為明顯的滯后性;最后,不能對奇異信息所造成的影響進行消除。且所使用的小波分析方式雖然能夠在小波變化之后對相關(guān)數(shù)據(jù)進行預(yù)測,能夠?qū)σ酝A(yù)測方式不能對奇異信息進行徹底消除的缺陷進行解決,但該種方式僅僅能夠?qū)蝹€數(shù)據(jù)序列進行處理,沒有使其發(fā)揮出最大的作用。3數(shù)據(jù)融合技術(shù)概述數(shù)據(jù)融合技術(shù)是一種最高誕生于軍事領(lǐng)域的技術(shù),在技術(shù)誕生之初蘇主要作用是用于目標(biāo)定位、身份識別、航跡跟蹤以及態(tài)勢評估等。在傳統(tǒng)數(shù)據(jù)融合技術(shù)中,其經(jīng)常通過概率理論的應(yīng)用實現(xiàn)對多種類型信息的獲取與研究,并將大量信息中無用部分

4、進行良好去除的基礎(chǔ)上對其中有價值的部分進行保留。而在對信息進行實際處理時,則通過不同方法實現(xiàn)對數(shù)據(jù)屬性特征的體現(xiàn),為了能夠?qū)Τ鞘械罔F運行過程中我們所收集到的數(shù)據(jù)進行充分的利用,并在此基礎(chǔ)上獲得更為可靠、準(zhǔn)確的動態(tài)預(yù)測結(jié)果。我們在數(shù)據(jù)融合的思想下對地鐵客流量預(yù)測進行了一定的研究。4流量融合預(yù)測模型4.1預(yù)測模型結(jié)構(gòu)針對地鐵客流量預(yù)測工作所具有的復(fù)雜性,為了能夠同預(yù)測對象具冇關(guān)系的屬性與其他對象進行良好的表現(xiàn),我們對每一個關(guān)聯(lián)對象的屬性都通過吋間序列方式的應(yīng)用對其進行了表示,以此作為該預(yù)測對象的相關(guān)序列。且所有用于

5、預(yù)測的序列因此共同構(gòu)成了預(yù)測對象序列集。而由于不同方式在數(shù)據(jù)預(yù)測中具冇著不同的效果與作用,我們則針對相關(guān)序列分別對于不冋的預(yù)測方式進行了應(yīng)用。4.2序列集的構(gòu)造為了能夠預(yù)測車站在第i天t吋刻所具冇的流量Foi(t),我們設(shè)該吋刻相關(guān)序列集為:f(t)={fj⑴,l≤j≤n}在上式中,fj(t)代表在t吋刻下的吋間序列,而n則代表吋間序列數(shù)。在上述基礎(chǔ)上,為了能夠幫助我們預(yù)測的更為精準(zhǔn),則可以在相關(guān)固定特性的基礎(chǔ)上對多個數(shù)量的吋間序列進行構(gòu)造。而根據(jù)地鐵客流量特點,我們則可以將流量數(shù)據(jù)構(gòu)造為以下幾個序

6、列,即當(dāng)前、歷史與鄰站序列:4.2.1當(dāng)前序列該序列能夠預(yù)測t時間前該地鐵站點k次流量,并將不冋吋間情況下所記錄的吋間序列作為當(dāng)前序列:FI(t)={Fio(t-l),l≤l≤k}在該序列中,時間是最為關(guān)鍵的一項影響因素,同時,數(shù)據(jù)結(jié)果也會受到氣溫、天氣以及人為等方面因素的影響。在數(shù)據(jù)分布方面,其則具冇著較人的非線性特性以及較寬的頻帶。第I班列車流量如下圖所示:圖3鄰站序列分布特點4.3序列的預(yù)測在上述研究結(jié)果的基礎(chǔ)上,由于不同序列情況在實際地鐵流量預(yù)測工作中所具有的影響情況各不相同,iL在特點差異

7、以及分布規(guī)律方面也具有著較大的差異。對此,對于不冋類型序列我們則需要通過不同方式的應(yīng)用對其進行預(yù)測。在本研究中,我們對于當(dāng)前序列首先進行小波分解,之后再以Kalman方式對其進行預(yù)測,并對鄰站序列以冪級數(shù)多項式進行擬合。4.3.1小波分析在該方式中,我們首先根據(jù)分解指數(shù)對S標(biāo)序列進行小波尺度分解,并在分解后得到了N組高頻信號與一組低頻信號。在對上述信號組使用Mallat塔式算法將其重構(gòu)到原有尺度之后,則能夠獲得這部分信號在原冇尺度上重構(gòu)處理的信號。在具有這部分?jǐn)?shù)據(jù)的基礎(chǔ)上,則對Kalman濾波進行了預(yù)測工作,并

8、獲得N+1個預(yù)測值,并在將這部分預(yù)測值通過適當(dāng)系數(shù)合成之后獲得最終值。4.3.2Kalman濾波濾波方程設(shè)計為:F(t)=φ(t-1)F(t-1)+W(t-1)在上式中,φ(t)代表狀態(tài)轉(zhuǎn)移量,W(t)代表系統(tǒng)誤差。通過該方式的應(yīng)用,則能夠?qū)υ撜军ct-1吋刻下所具奮的狀態(tài)進行估計。5結(jié)束語可以說,通過對地鐵客流量的預(yù)測與掌握,對于我們地鐵調(diào)度工作的開展具有非常積極的作用

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動畫的文件,查看預(yù)覽時可能會顯示錯亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對本文檔版權(quán)有爭議請及時聯(lián)系客服。
3. 下載前請仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時可能由于網(wǎng)絡(luò)波動等原因無法下載或下載錯誤,付費完成后未能成功下載的用戶請聯(lián)系客服處理。