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》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