技術(shù)領(lǐng)域

本發(fā)明提供一種基于支持向量機(jī)（SupportVectorMachineorSVM）預(yù)測乘客出行概率的軌道交通客流預(yù)測方法，即提供一種基于SVM預(yù)測乘客出行概率的軌道交通客流預(yù)測方法，屬于計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域。

背景技術(shù)：

隨著國民經(jīng)濟(jì)的快速發(fā)展，城市化進(jìn)程的不斷加快，城市人口密度的不斷增長，城市交通所承受的壓力也逐漸加大。軌道交通具有客運(yùn)量大、速度快、時(shí)間準(zhǔn)、運(yùn)距長、舒適度高、受外界因素影響小等特點(diǎn)，如今已經(jīng)被越來越多的城市作為重點(diǎn)建設(shè)項(xiàng)目之一。

軌道交通客流預(yù)測是以軌道交通運(yùn)行數(shù)據(jù)為基礎(chǔ)，預(yù)測較短一段時(shí)間內(nèi)站點(diǎn)的進(jìn)出站客流、區(qū)段斷面客流，換乘站換乘客流，地鐵站內(nèi)部客流分布等，能夠監(jiān)測地鐵網(wǎng)絡(luò)中客流情況并為突發(fā)事件提供預(yù)警，對(duì)于軌道交通系統(tǒng)安全高效運(yùn)行具有重要的意義。

現(xiàn)存技術(shù)中一種軌道交通客流的預(yù)測方法，是簡單的面向地鐵站點(diǎn)，將地鐵客流看作簡單的時(shí)間序列，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，主要處理過程如下：

1.利用采集裝置采集一段時(shí)間的軌道交通客流數(shù)據(jù)，將數(shù)據(jù)集分成兩部分，訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。

2.確定神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括神經(jīng)網(wǎng)絡(luò)的層數(shù)、各層神經(jīng)元的數(shù)目、層與層之間的傳遞函數(shù)、學(xué)習(xí)算法等。

3.利用訓(xùn)練數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練好的網(wǎng)絡(luò)利用測試數(shù)據(jù)集進(jìn)行測試。如果測試結(jié)果不滿足要求，則修改網(wǎng)絡(luò)參數(shù)，重新進(jìn)行訓(xùn)練和預(yù)測。

4.利用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測軌道交通客流。

上述方法最大的問題就是孤立地處理一個(gè)地鐵站，沒有將地鐵網(wǎng)絡(luò)當(dāng)作一個(gè)整體來對(duì)待，也就不能利用乘客出行規(guī)律進(jìn)行預(yù)測，降低了預(yù)測的精度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于SVM預(yù)測乘客出行概率的軌道交通客流預(yù)測方法，將地鐵網(wǎng)絡(luò)當(dāng)作一個(gè)整體來對(duì)待，利用乘客出行規(guī)律進(jìn)行預(yù)測，提高預(yù)測的精度并且提供實(shí)時(shí)預(yù)測進(jìn)站客流的功能。

本發(fā)明一種基于SVM預(yù)測乘客出行概率的軌道交通客流預(yù)測方法，其具體步驟如下：

步驟一：采集一段時(shí)間的軌道交通歷史數(shù)據(jù)，該數(shù)據(jù)可以看作是乘客出行記錄的集合，其中每條記錄包括乘客出行的起始站點(diǎn)、目的站點(diǎn)，進(jìn)站時(shí)刻和出站時(shí)刻；

步驟二：基于歷史數(shù)據(jù)，統(tǒng)計(jì)乘客出行比例，針對(duì)每一個(gè)地鐵站，統(tǒng)計(jì)乘客由該站進(jìn)入去往其它站的比例；

步驟三：利用統(tǒng)計(jì)得到的出行比例數(shù)據(jù)訓(xùn)練最小二乘支持向量機(jī)（LSSVM），預(yù)測乘客出行概率，即針對(duì)每一個(gè)地鐵站，預(yù)測乘客由該站進(jìn)入去往其它站的概率；

步驟四：存儲(chǔ)預(yù)測得到的出行概率，供實(shí)時(shí)客流預(yù)測模塊使用；

步驟五：采集實(shí)時(shí)進(jìn)站客流數(shù)據(jù)；該數(shù)據(jù)可以看作是乘客進(jìn)站記錄的集合，進(jìn)站記錄包括乘客的起始站點(diǎn)和進(jìn)站時(shí)間；

步驟六：獲取在步驟四中存儲(chǔ)的乘客在該站的出行概率，預(yù)測乘客出行的目的站點(diǎn)；

步驟七：結(jié)合列車的發(fā)車間隔，模擬乘客出行，計(jì)算乘客到達(dá)和離開每一個(gè)站點(diǎn)的時(shí)間，并更新全路網(wǎng)客流。

其中，在步驟一中所述的“采集一段時(shí)間的軌道交通歷史數(shù)據(jù)”，可以通過在地鐵進(jìn)出站閘機(jī)口布設(shè)裝置，獲取乘客刷卡信息采集得到。

其中，在步驟三中所述的“最小二乘支持向量機(jī)”，是支持向量機(jī)的一種擴(kuò)展，在構(gòu)造最優(yōu)決策函數(shù)時(shí)，遵循了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，同時(shí)引入了間隔的概念，并巧妙地利用了原空間的核函數(shù)取代了高維特征點(diǎn)的點(diǎn)積運(yùn)算，降低了計(jì)算的復(fù)雜度。

其中，在步驟三中所述的“利用統(tǒng)計(jì)得到的出行比例數(shù)據(jù)訓(xùn)練最小二乘支持向量機(jī)（LSSVM），預(yù)測乘客出行概率”，其訓(xùn)練內(nèi)容和步驟為：

最小二乘支持向量機(jī)的訓(xùn)練數(shù)據(jù)樣本可以表示為：(x1,y1)，(x2,y2)，…(xn,yn)。其中yi是目標(biāo)值，xi是輸入向量。

非線性回歸問題可以描述為求解下面問題：

minω,b,etJ(ω,e)={12ωTω+γ12Σt=1Net2}]]>

約束條件為：

其中是核空間映射函數(shù)，權(quán)矢量ω∈Rnh，誤差變量ξt∈R，b是偏差量，γ是可調(diào)參數(shù)。核函數(shù)可以將原始空間中的樣本映射為高維特征空間中的一個(gè)向量，已解決線性不可分問題，可以用拉格朗日求解這個(gè)優(yōu)化問題，得到預(yù)測值

y(x)=Σt=1nαtK(x,xi)+b]]>

K為核函數(shù)，選擇徑向基函數(shù)

其中at,i=1,…n是拉格朗日乘子，b是偏差量，σ為核函數(shù)的調(diào)整參數(shù)

參數(shù)at、b、σ、γ是以統(tǒng)計(jì)得到的出行比例為訓(xùn)練數(shù)據(jù)，通過訓(xùn)練支持向量機(jī)而自動(dòng)得到。

其中，在步驟四中所述的“存儲(chǔ)預(yù)測得到的出行概率”，可以以文件的形式存儲(chǔ)在磁碟、光盤、只讀存儲(chǔ)記憶體（Read-OnlyMemory，ROM）或隨機(jī)存儲(chǔ)記憶體（RandomAccessMemory，RAM），也可以以關(guān)系數(shù)據(jù)的形式存儲(chǔ)在關(guān)系數(shù)據(jù)庫系統(tǒng)中。

其中，在步驟五中所述的“采集實(shí)時(shí)進(jìn)站客流數(shù)據(jù)”，可以通過在地鐵進(jìn)站閘機(jī)口布設(shè)裝置，獲取乘客刷卡信息采集得到。

本發(fā)明一種基于SVM預(yù)測乘客出行概率的軌道交通客流預(yù)測方法和裝置，其優(yōu)點(diǎn)和功效是：

1.將地鐵網(wǎng)絡(luò)當(dāng)作一個(gè)整體來對(duì)待，利用乘客出行規(guī)律進(jìn)行預(yù)測，提高了預(yù)測的精度。

2.能夠?qū)崟r(shí)對(duì)進(jìn)站客流進(jìn)行預(yù)測。

附圖說明

圖1為本發(fā)明所述方法流程框圖

具體實(shí)施方式

本發(fā)明提供了一種基于SVM預(yù)測乘客出行概率的軌道交通客流預(yù)測方法，通過對(duì)歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)并采用SVM預(yù)測得到乘客出行概率，對(duì)實(shí)時(shí)進(jìn)站客流，按照乘客出行概率預(yù)測乘客出行目的站，模擬乘客分配預(yù)測全路網(wǎng)客流。

為便于對(duì)本發(fā)明實(shí)施例的理解，下面將結(jié)合附圖以一個(gè)具體實(shí)施例為例做進(jìn)一步的解釋說明，且實(shí)施例并不構(gòu)成對(duì)本發(fā)明實(shí)施例的限定。

實(shí)施例

本實(shí)施例以北京地鐵2012年4月24日，5月1日，5月8日，5月15日，5月22日預(yù)測5月29日的客流。

見圖1所示，本發(fā)明一種基于SVM預(yù)測乘客出行概率的軌道交通客流預(yù)測方法，其步驟如下：

1.采集歷史數(shù)據(jù)

通過在地鐵進(jìn)出站閘機(jī)口布設(shè)裝置，獲取乘客刷卡信息采集得到2012年4月24日，5月1日，5月8日，5月15日，5月22日歷史客流數(shù)據(jù)。

2.統(tǒng)計(jì)出行比例

2012年北京地鐵共m個(gè)地鐵站點(diǎn)，編號(hào)Si(i=1,2,..m)。統(tǒng)計(jì)2012年4月24日由Si去往Sj的人數(shù)，記為

同理，統(tǒng)計(jì)得到其它日期的出行比例其中(i=1,2,..216)。

3.預(yù)測5月29日乘客出行概率。

利用統(tǒng)計(jì)得到的出行比例訓(xùn)練最小二乘支持向量機(jī)，預(yù)測5月29日乘客出行概率。

預(yù)測S1站進(jìn)站乘客的出行概率。以為訓(xùn)練數(shù)據(jù)，訓(xùn)練最小二乘支持向量機(jī)，預(yù)測得到5月29日S1去往S2出行比例重復(fù)上述過程，預(yù)測歸一化上述出行比例，得到5月22日S1站進(jìn)站乘客的出行概率

重復(fù)過程，預(yù)測5月29日乘客出行概率

4.存儲(chǔ)出行概率

計(jì)算得到的出行概率，可以以文件的形式存儲(chǔ)在磁碟、光盤、只讀存儲(chǔ)記憶體（Read‐OnlyMemory，ROM）或隨機(jī)存儲(chǔ)記憶體（RandomAccessMemory，RAM），也可以以關(guān)系數(shù)據(jù)的形式存儲(chǔ)在關(guān)系數(shù)據(jù)庫系統(tǒng)中。

5.采集5月29日實(shí)時(shí)進(jìn)站客流

通過在地鐵進(jìn)站閘機(jī)口布設(shè)裝置，獲取乘客刷卡信息采集得到2012年5月29日實(shí)時(shí)進(jìn)站客流數(shù)據(jù)。

6.處理5月29日進(jìn)站客流，預(yù)測乘客目的站點(diǎn)

根據(jù)存儲(chǔ)下來的5月29日乘客出行概率處理5月29日進(jìn)站客流。

設(shè)5月29日有n條進(jìn)站記錄，每條進(jìn)站記錄為二元組，其中為第i記錄對(duì)應(yīng)進(jìn)站站點(diǎn)，ti第i記錄對(duì)應(yīng)進(jìn)站時(shí)刻。對(duì)為于第1條記錄進(jìn)行處理，預(yù)測其出行目的站，模擬乘客出行并更新路網(wǎng)客流，過程如下：

1)查詢站的乘客出行概率生成一個(gè)（0,1）

之間的隨機(jī)數(shù)r，如果Sj滿足

則認(rèn)為Sj為乘客出行的終點(diǎn)站。

重復(fù)以上過程，處理5月29日進(jìn)站客流全部進(jìn)站客流，就預(yù)測得到5月29日每條進(jìn)站記錄的出站預(yù)測值。

7.模擬乘客走行，更新全路網(wǎng)客流

設(shè)5月29日有n條進(jìn)站記錄，每條進(jìn)站記錄為三元組其中為第i記錄對(duì)應(yīng)進(jìn)站站點(diǎn)，ti對(duì)應(yīng)第i記錄進(jìn)站時(shí)刻，對(duì)應(yīng)第i記錄進(jìn)站時(shí)刻預(yù)測出站站點(diǎn)。對(duì)于第1條記錄進(jìn)行處理，，

模擬乘客出行并更新路網(wǎng)客流，過程如下：

2)確定乘客在時(shí)刻t1在進(jìn)站去往Sj站，根據(jù)客流分配算法，得到乘客出行的路徑即站點(diǎn)序列，其中S~k=Sj.]]>

3)根據(jù)乘客出行的路徑結(jié)合列車發(fā)車間隔，模擬乘客出行，計(jì)算乘客到達(dá)地鐵站的時(shí)間ArriveTimei和離開地鐵站的時(shí)間DepartTimei，(i=1,2...k)。

4)更新全路網(wǎng)客流。比如乘客在ArriveTimei時(shí)刻到達(dá)DepartTimei時(shí)刻離開則在站內(nèi)客流人數(shù)在（ArriveTimei，DepartTimei）時(shí)間段內(nèi)增一。比如乘客在DepartTimei時(shí)刻離開在ArriveTimei+1時(shí)刻到達(dá)而和是相鄰的兩個(gè)非換乘地鐵站，則到區(qū)段客流人數(shù)在（DepartTimei+1，ArriveTimei）時(shí)間段內(nèi)增一。比如乘客在DepartTimei時(shí)刻離開在ArriveTimei+1時(shí)刻到達(dá)而和是相鄰的兩個(gè)換乘地鐵站，則到換乘通道客流人數(shù)在（DepartTimei+1，ArriveTimei）時(shí)間段內(nèi)增一。

重復(fù)以上過程，處理5月29日進(jìn)站客流全部進(jìn)站客流，就預(yù)測得到5月29日全路網(wǎng)在任意時(shí)刻的客流分布。

對(duì)于本發(fā)明提供的軌道交通客流預(yù)測方法，采用RME和RMSE標(biāo)準(zhǔn)進(jìn)行評(píng)價(jià)，并與現(xiàn)存方法進(jìn)行比較，發(fā)現(xiàn)本方法預(yù)測結(jié)果更加準(zhǔn)確。

RME，又稱平均相對(duì)誤差，統(tǒng)計(jì)的是預(yù)測數(shù)據(jù)與對(duì)應(yīng)真實(shí)數(shù)據(jù)的相對(duì)誤差的平均值，計(jì)算公式如下：

RME=1nΣi=1n|yi-y^i|yi]]>

公式中y={y1,y2,...yn}為真實(shí)值序列，為對(duì)應(yīng)的預(yù)測值序列。

RME越接近0，說明數(shù)據(jù)擬合程度越好，數(shù)據(jù)預(yù)測算法的正確性也越高。

RMSE，又稱均方根誤差，統(tǒng)計(jì)的是預(yù)測數(shù)據(jù)和原始數(shù)據(jù)對(duì)應(yīng)點(diǎn)誤差的平方和均值的平方根，計(jì)算公式如下：

RMSE=1nΣi=1n(yi-y^i)2]]>

公式中y={y1,y2,...yn}為真實(shí)值序列，為對(duì)應(yīng)的預(yù)測值序列。

RMSE越接近0，說明數(shù)據(jù)擬合程度越好，數(shù)據(jù)預(yù)測算法的正確性也越高。

表格1本發(fā)明與現(xiàn)存方法比較

本發(fā)明現(xiàn)存方法1現(xiàn)存方法2RME0.06080.18690.2925RMSE19.962530.641840.3411

從上述表1可以看出，使用基于SVM預(yù)測乘客出行概率的軌道交通客流預(yù)測方法預(yù)測效果最好。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過計(jì)算機(jī)程序來指令相關(guān)的硬件來完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤、只讀存儲(chǔ)記憶體（Read-OnlyMemory，ROM）或隨機(jī)存儲(chǔ)記憶體（RandomAccessMemory，RAM）等。