城市轨道交通常态与非常态短期客流预测方法研究

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

城市轨道交通常态与非常态短期客流预测方法研究
白丽
【摘要】Urban rail transit passenger flow characteristics show not only the periodicity,seasonal and normality peak,but also the difference and particularity because of holidays,sports events,urban large-scale events,emergencies,special weather and other factors.In this paper,we carry out the method and realization of more mature normal and poorly studied abnormal passenger flow prediction.Firstly,the general ARIMA time series prediction algorithm is used to analyze the sample history data to realize the normal daily passenger flow forecast.Then for the special factors of passenger flow,we not only put forward a combination model of time series and regression analysis,but also introduce dummy variables and similar daily sample data for further improvement.The scheme realizes the high precision solution of the abnormal prediction problem.The simulation results show that this method has good applicability for the short-term forecasting of passenger flow.In particular,the comparison between the abnormal-state improved combination and the single time series model with the same samples and forecast cycle shows that the improved model can be applied to passenger flow predictions including the inherent nature of time invariant and special factors which has strong adaptability and better prediction accuracy.%城市轨道交通客流特征除表现为常态的周期性、季节性及高峰性外,还会因节假日、体育赛事、城市大型活动、突发事件、特殊天气等因素表现出差异性和特殊性,本文对较为成熟的常态及研究较
少的非常态客流预测方法进行了实验.首先利用通用的ARIMA时间序列预测算法分析样本历史数据实现常态日客流预测;其次针对客流特殊因素提出时间序列及回归分析的组合模型,同时引进虚拟变量和结合相似日样本数据进一步改进,实现非常态预测问题的高精度求解.仿真计算结果表明,本文方法对解决短期客流预测具有良好的适用度,尤其同样本同预测周期条件下的非常态组合改进模型和常用单一时间序列模型的对比,证明改进模型可以很好地应用在客流特征既包括随时间固有不变的性质又表现出特殊因素的研究中,具有较强的自适应性和更好的预测精度.
【期刊名称】《交通运输系统工程与信息》
【年(卷),期】2017(017)001
【总页数】9页(P127-135)
【关键词】城市交通;短期客流预测;ARIMA算法;组合改进模型;常态与非常态客流【作者】白丽
【作者单位】中国铁道科学研究院,北京100081
【正文语种】中文
【中图分类】U231.92
随着社会和经济的迅猛发展及城市自动化水平的不断提高,人们的出行频率大幅度增加,城市轨道交通在多个国家及地区已发展成为承担交通重要任务、改善城市交通结构、缓解交通需求和供给矛盾的有力交通工具.尤其随着网络化进程的推进及规模的扩大,客运量也凸显出总量不断增加、客流强度平稳增长、客运效果显著等特点[1],合理而准确地进行客流预测可为轨道交通的客流诱导、安全管理与运营组织提供辅助决策分析手段.
客流预测是指利用一定的方法和技术对未来一定时期内客流的需求、性质进行预先推测和判断.根据不同的预测需求,分别从宏观、中观和微观的角度可以划分为长期预测、中期预测和短期预测[2].中长期客流预测(通常指未来10~25年)是从整体上用来辅助轨道交通线网发展规划及车站设计等;短期客流预测(通常指未来1周/1个月内)则是为评估交通状态,其中以实时管理为目的的客流预测为短时客流预测(通常指未来5 min或15 min内),是实现交通安全控制和有序客流组织的关键.城市轨道交通对于短期的客流预测研究比较少,国外在短时客流预测方面的研究经验具有较高参考价值,Haibo Chen[3]研究了具有较大优势的基于动态排序学习的神经网络模型的短时交通流预测方法;Coskun Hamzacebi[4]提出运用改进的BP神经网络模型对时间序列进行预测的重要参考意义;Luca Quadrifoglio[5]从影响乘客需求响应调度策略的因素方面研究了短时客流预测.国内短时客流预测相关领域的代表文献有:陈秀昌[6]通过EVIEWS软件运用时间序列法对广州地铁2号线进行短时客流预测;邓军生[7]建立了预测精度优于BP神经网络的基于支持向量回归方法的短时预测模型.
本文在分析样本历史数据趋势变化情况基础上,借鉴已有研究成果并有针对性进行改进,实现常态周期性及特殊节假日等情况的客流短期预测分析.
现有较为完整的客流预测方法体系大致分为定性和定量两种,定性预测主要有特尔菲法、经济调查法、类推法等;定量预测主要分为统计学、非线性、神经网络、土地利用、四阶段几大类;在历史数据的因变量较为单一的情况下更为适用的客流预测方法主要有时间序列方法及回归分析方法.时间序列模型[8]是运用历史客流资料对交通生成的时间序列进行未来客流量的预测,有指数平滑法、季节系数法、灰色预测法等方法;回归分析法[9]是根据客流资料建立客运量发生和吸引与主要影响因素之间的回归方程,常用模型有线性回归、非线性回归、多元线性回归等.
1.1 ARIMA模型算法
ARIMA模型全称为自回归积分滑动平均模型 (Autoregressive Integrated Moving Average Model,ARIMA),是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值及随机误差项的现值和滞后值进行回归所建立的模型[10];先根据时间序列识别一个初步模型,再加以诊断并做出调整,反复进行识别、估计直到适合模型.
ARIMA模型在预测过程中既考虑了客流现象在时间序列上的依存性,又考虑了随机波动的干扰性,对于客流短期趋势的预测准确率较高,是比较通用的时间序列预测法和近年应用比较广泛的方法之一.
设{Xn}是非平稳随机序列,第m次差分dmXm=Sn(n>m)且{Sn}是平稳的.
则{Xn}用ARIMA(p,m,q)过程表示,AR是自回归,p为自回归项;MA为移动平均,q为移动平均项数,m为时间序列成为平稳时所做的差分次数.bi为自回归系数,aj为滑动平均系数,Wt为白噪声输入,包含系统的激励和噪声干扰,是均值为零、正态独立分布的随机变量.
建立模型前需根据时间序列的特性(平稳性、非平稳性和季节性)确定建模类型,其中若序列是平稳的,模型为ARMA(p,q)模型;序列是非平稳无季节性,模型为ARIMA(p,d,q)模型;序列是仅有季节性,模型为ARIMA(P,D,Q)S模型;序列是
非平稳有季节性,模型为ARIMA(p,d,q)(P,D,Q)S模型.其实验过程方法如图1所示.
1.2 算例数据分析
梳理现有地铁线路的车站每日进出站客流量,为预测提供数据基础.如图2所示的
日客流量变化图,可以看出该车站自2011年1月1日至2014年9月17日的日进站客流量按照平滑曲线出现增长趋势,在学生暑假或国庆假期期间出现客流大的现象,而在春节前后,作为外来人员较多的一线城市,由于假日人员离城等原因出现客流量减少的现象;同时根据自相关图如图3所示,发现自相关系数没有很快
趋于0,并表现出周(7天)的季节规律性,且如表1所示,未通过ADF检验,判断原始数据为非平稳时序,需要进行差分处理.
1.3 预测模型确定
原始数据是非平稳有季节性,需建立ARIMA (p,d,q)(P,D,Q)S模型,先对原始数
据进行如图4所示的一阶差分和如图5所示的一阶季节差分(步长为7),处理后的数值在0附近波动,没有明显的趋势或周期性;自相关图如图6所示,显示自相
关系数能够趋于0且延迟7阶后在0值附近波动,T统计量的相伴概率小于0.05,且如表2所示,通过ADF校验,故认为处理后的序列平稳.
原始数据经一阶差分后趋势消除,又经一阶季节差分后周期消除,得d=1,D=1,初步选定ARIMA(p,1,q)(P,1,Q)7模型;如表3所示,根据平稳序列的自相关和偏自相关函数图,利用模型选择规则,建立可能性最大的模型,并运用AIC准则作
为模型检验的准则.
式中:N为样本个数;σ2为残差方差.
根据AIC最小和R2最大原则选择相对最优模型ARIMA(1,1,2)(1,1,1)7,模型的数学表达式为
1.4 模拟计算与结果分析
如表4所示,截取部分验证数据及后预测数据($TI_TIME从20140918开始),显
示预测数据($TSFLOW-IN)、预测的上限数据($TSLCI)、预测的下限数据($TSUCI),其预测误差较小.
如图7所示,通过分析不同图例标识的拟合客流数据和真实客流数据,发现变化
趋势基本符合,拟合度较高;且如图8所示,白噪声残差序列的自相关和偏相关
在范围内,Q检验统计量的相伴概率均大于0.05,接受原假设.该模型可以处理历史客流数据以时间为维度单一变化又表现出一定周期性和季节性等非平稳变化的常态特征的日客流预测;具有较高的预测准确精度,且搜集的历史数据越多,模型越
准确,但随着预测时间的延长会出现预测误差增大的现象.
城市轨道交通历史长期客流在时间特性上除了表现为周期性、季节性、高峰性外,同期对比会因节假日、体育赛事、城市大型活动、突发事件、特殊天气等因素表现不同.本文利用具有传统趋势的时间序列模型与回归模型相结合的组合方法实现非常态客流预测.
2.1 组合预测算法
具体实施方式将城市轨道交通随时间固有不变的客流性质用时间序列描述,影响客流的特殊因素(节假日、城市大型活动、特殊天气、突发事件等)用回归方式描述.该组合方法既从宏观的角度上考虑了传统的时间序列方法在周期季节规律性的预测优势,又从微观角度上将实际情况中因突发因素影响表现的偶然差异性充分考虑,具有一定的自适应和动态性.
(1)ARIMA多元季节性模型.
ARIMA模型概念及实现过程已在前文介绍和使用,根据时间序列的特点对应不用的模型;对于多元季节性时间序列模型 ARIMA (p,d,q)(P,D,Q)S分析了自回归关系和外界变量的影响,常规模型表达式为
式中:Yt为因变量;Xkt为对应的第k个自变量;βk(k=0,1,…,n)为参数;S为周期差分步数;ϕ(A)=1-ϕ1A-ϕ2A2-…-ϕpAp为非季节性p阶自回归算子;
Φ(A)=1-Φ1AS-Φ2A2S-…-ΦPAPS为季节性P阶自回归算子;θ(A)=1-θ1A-
θ2A2-…-θqAq为非季节性q阶移动算子;Θ(A)=1-Θ1AS-Θ2A2S-…-ΘQAQS 为季节性Q阶移动算子.
(2)传统多元线性回归模型.
传统的回归分析[11]是研究一个变量关于另一个(些)变量具体依赖关系的计算方法和理论,其表达式为
式中:yt表示一段时间的客流量;χkt表示对应时间段的影响客流值的各个因素;
μt是服从N(0,σ2)高斯分布的白噪声.
(3)引入虚拟变量的组合模型.
在回归分析中,对一些自变量(如节假日标识)是定性变量的作数量化处理,引入只取“0或1”两个值的0-1型虚拟自变量,所引入个数根据下列原则进行选择:对于包含一个具有k种状态的回归模型,若不带常数项,则引入k个0−1型虚拟变量;若有常数项,则引入k-1个0−1型虚拟变量.
(4)特殊节假日的组合模型.
以非常态客流中的节假日因素为例进行模型验证.中国传统法定节假日包括元旦、
春节、清明、五一、端午节、中秋节和国庆节,且按调整方案,一般连续3天或7天.考虑到假期长短,本文分别用HY(是否为元旦假期)、HC1(是否为春节前两天)、HC2(是否为春节前五天)、HC3(是否为春节后两天)、HQ(是否为清明假期)、
HW(是否为五一假期)、HD(是否为端午假期)、HZ(是否为中秋假期)、HG1(是否
为国庆前两天)、HG2(是否为国庆前五天)、HG3(是否为国庆后两天)作为虚拟变量来表示.
将多元季节性时间序列与虚拟变量多元回归结合,μt描述为ARIMA模型et,则
组合动态回归算法公式为
其组合模型实验过程方法如图9所示.
2.2 算例数据分析
通过节假日数据分析,发现同一节假日类型的客流数据逐年变化趋势类似,且表现出每年增幅形势,同时历史数据的久远性具有越远对当前影响度越低的特点,因此在单独进行节假日预测时可选用历年同类型节假日数据进行参考,分别以同年节假日及前后时间段、前一年同类型节假日及前后相同时间段、前两年同类型节假日及前后相同时间段等历史数据,以及节假日虚拟变量进行时间序列和回归分析的组合模型创建.
以国庆节假日为例,如图10所示,原始数据选择2014年度国庆假期及前后时间
段(9月1日-10月31日)、2013年、2012年及2011年同类型同时间段、中秋
和国庆假日作为虚拟变量进行预测分析.原始数据显示该站作为火车站集散地铁站,可以看出因国庆假期较长,乘坐地铁换乘火车出游客流较大,导致每年的9月30日、10月1日进出站客流量剧增,而在假期后几天的客流量减少,同时表现出在
该车站出站客流量远远大于进站客流量的现象.
2.3 模型估计及校验
利用组合方法建立模型,如表5所示,各变量通过参数估计,建立的时间序列模
型为ARIMA (1,1,1)(0,1,1)7,且如图11所示,回归模型各参数均通过显著性校验,调整R2为0.967,且白噪声残差接受原假设模型有效;如图12所示,真实值、
拟合值及残差值显示该模型具有较好的拟合度,结果较为理想.本文还将ARIMA
模型\加入虚拟变量的组合模型\相似日阶段的组合模型进行拟合对比,如图13所示,结果显示选用相似日阶段数据实验的组合模型和原数据的拟合表现出更好的效果,精度更高,提高了算法的自适应性,更为适用客流变化中除包括常态趋势外还包括节假日等特殊因素的非常态客流预测.
在通过对比各种模型的概念、计算过程、应用条件的基础上,结合城市轨道交通业务需求,对现有数据进行挖掘分析,基于ARIMA的传统时间序列模型较为适用于依赖于时间因素规律变化的非平稳常态日客流量预测.本文同时在较为成熟的传统
算法上,深入寻找趋势特征下的突发因素,提出适用于节假日等特殊因素的时间序列和回归分析组合预测方法并进行相似日和虚拟变量的优化,其验证结果表明改进模型对样本数据的分析具有更高的预测精度和动态自适应能力.城市轨道交通常态
与非常态的多场景客流预测可以为交通安全控制和有序客流组织提供参考依据,一定程度上对提高运营管理水平和提升应急决策能力具有现实指导意义.
【相关文献】
[1] 城市轨道交通2015年度统计和分析报告[R].北京:中国城市轨道交通协会,2016.[2015 urban rail transit annual statistics and analysis report[R].Beijing:China Urban Rail Transit Association,2016.]
[2] 沈景炎.城市轨道交通客流预测内容和应用[J].城市交通,2008,6(6):9-20.[SHEN J Y.Forecasting and application of rail transit passenger volumes[J].Urban Transport of China,2008,6(6):9-20.]
[3] CHEN H B,GRANT-MULLER e of sequential learning for short-term traffic flow forecasting[J]. Transportation Research,2001(9):319-336.
[4] COSKUN HAMZACEBI.Improving artificial neural networks performance in seasonal time series forecasting[J].Information Sciences I,2008(78):4550-4559.
[5] LUCA QUADRIFOGLIO,MAGED M DESSOUKY, FEMANDO ORDONEZ.A simulation study of demand responsive transit system design[J].Transportation Research,2008(42):718-737.
[6] 陈秀昌.广州地铁客流预测模型研究[J].中国高新技术企业,2008(16):3-4.[CHEN X C.Research on passenger flow forecasting model of Guangzhou subway[J]. China Academic Journal Electronic Publishing House,2008(16):3-4.]
[7] 邓军生,孔繁钰,陈小峰.基于SVR的轨道交通客流量预测[J].重庆科技学院学报(自然科学版),2008 (10):147-149.[DENG J S,KONG F Y,CHEN X F. Passenger flow forecast of urban rail transit based on support vector regression[J].Journal of Chongqing University of Science and Technology(Natural Sciences Edition),2008(10):147-149.]
[8] 王超,钱进,李军,等.基于时间序列的趋势外推模型预测城市轨道交通车站客流的应用[J].铁路计算机应用,2012,21(5):50-55.[WANG C,QIAN J,LI J,et al. Application of trend extrapolation model based on time series in passenger flow prediction of urban transit
station[J].Railway Computer Application,2012,21(5): 50-55.]
[9] 史文雯.城市轨道交通短时客流预测与最优客运能力调配问题的研究[D].北京:北京交通大
学,2011. [SHI W W.Study on urban rail transit short-term passenger flow forecasting and optimal allocation of passenger transport capacity[D].Beijing :Beijing Jiaotong University,2011.]
[10]何九冉,四兵峰.ARIMA-RBF模型在城市轨道交通客流预测中的应用[J].山东科
学,2013,26(3):75-81. [HE J R,SI B F.Application of an ARIMA-RBF model in the forecast of urban rail traffic volume[J].Shandong Science,2013,26(3):75-81.]
[11]施原.线性回归在世博会散客流量预测中的实验[J].淮阴工学院学报,2010,19(4):49-56.[SHI Y.Implication of multi-linear regression in forecasting fit flow of world expo[J].Journal of Huaiyin Institute of Technology,2010,19(4):49-56.]。

相关文档
最新文档