程浩++徐昕

摘 要

本文主要以城市軌道交通的客流預(yù)測為研究對象，簡單介紹幾種目前國內(nèi)外主流的預(yù)測方法。之后運用BP神經(jīng)網(wǎng)絡(luò)算法，對上海軌道交通的實際客流做預(yù)測，并給出預(yù)測結(jié)果數(shù)據(jù)和分析。希望能夠通過對客流預(yù)測的研究，為城市軌道交通的調(diào)度與緊急情況下的疏散客流提供數(shù)據(jù)支持。

【關(guān)鍵詞】城市軌道交通 客流 預(yù)測

隨著全球城市現(xiàn)代化公共交通進程的不斷推進，軌道交通作為一種新型的具有較大運量、較高效率的公共交通方式具有巨大的優(yōu)勢，能夠有效的提高居民的出行效率、緩解城市的交通壓力，因此城市軌道交通在我國近些年發(fā)展迅速。隨著軌道交通客流量的增長，對于軌道交通的客流預(yù)測的研究也隨之而興起。通過精確的客流預(yù)測，可以為軌道運營單位提供相對準(zhǔn)確的數(shù)據(jù)支撐。使其日常的運力配置、客運組織更合理，在緊急突發(fā)事件下的預(yù)警和疏散更高效。因此，對軌道交通客流短期預(yù)測和分析的研究顯得越來越重要。

1 正文

1.1 國內(nèi)外預(yù)測方法介紹

軌道交通短期客流預(yù)測交通客流預(yù)測在國際上是一個比較活躍，但是預(yù)測結(jié)果一直不怎么不令人滿意的研究課題。因為軌道交通是一個有人參與的、時變的復(fù)雜系統(tǒng)，具有高度的不確定性，這種不確定性給軌道交通客流預(yù)測帶來了困難。目前，在國內(nèi)外交通客流預(yù)測分析領(lǐng)域的很多專家學(xué)者也在進行這方面的研究，并有了一些成果。這里介紹幾種常用方法：

1.1.1 基于四階段法的預(yù)測模型

以1962年美國芝加哥市發(fā)表的《Chicago Area Transportation Study》為標(biāo)志，作為一種交通規(guī)劃理論和方法得以誕生。它以居民出行調(diào)查為基礎(chǔ)，由出行生成、出行分布、出行方式劃分、出行量分配四個階段組成。四階段法將研究對象劃分為交通小區(qū)，并通過對區(qū)域內(nèi)人口、土地利用、就業(yè)情況、出行信息等相關(guān)資料進行綜合分析，建立數(shù)學(xué)模型，最終對客流總量進行預(yù)測。通過運營經(jīng)驗確定軌道交通站點客流吸引范圍，之后在此范圍內(nèi)進行出行調(diào)查。根據(jù)第36屆軌道交通國際會議的經(jīng)驗值，軌道交通站點客流吸引半徑為：在城市中心地區(qū)，行人由所在地到達軌道交通車站，其步行距離大約為550米左右則較為合適；而在城市外圍區(qū)，其步行距離應(yīng)該在八百至一千米左右則較為適宜。

1.1.2 基于統(tǒng)計方法的預(yù)測模型

例如時間序列預(yù)測模型（將被預(yù)測量按照時間順序排列起來，構(gòu)成一個連續(xù)的時間序列，并分析這組時間序列的過去變化，來推測今后可能的變化趨勢和變化規(guī)律）、卡爾曼濾波模型（卡爾曼濾波模型由Kalman于1960年提出的一種應(yīng)用廣泛的代控制理論方法。卡爾曼預(yù)測方法主要將控制理論中的卡爾曼模型應(yīng)用于交通客、的預(yù)測，由狀態(tài)方程和觀測方程組成的狀態(tài)空間模型描述交通系統(tǒng)，并利用狀態(tài)方程、觀測方程和卡爾曼濾波預(yù)測交通流）。另外還有歷史平均模型、線性回歸模型、極大似然估計模型等。

1.1.3 基于灰色馬爾科夫的預(yù)測模型

其基礎(chǔ)理論——灰色理論，是由我國華中科技大學(xué)的鄧聚龍教授于上世紀(jì)80年代首先提出的理論。其理論概念為：通過少量的、不完全的信息，建立灰色微分預(yù)測模型，對事物發(fā)展規(guī)律作出模糊性的長期描述?；疑R爾科夫模型是采用灰色模型對客流數(shù)據(jù)進行擬合，分析和判斷大客流的變化趨勢，并在灰色預(yù)測基礎(chǔ)上進行馬爾科夫修正預(yù)測，相對單純采用灰色模型，預(yù)測精度和效果有較大提高。

1.1.4 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

神經(jīng)網(wǎng)絡(luò)是一種新型的模擬人腦結(jié)構(gòu)及其功能的處理系統(tǒng)，其利用大量的歷史數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，得到輸出對輸入的一種映射關(guān)系，利用這種映射關(guān)系對相應(yīng)的輸入可以得到相關(guān)的預(yù)測結(jié)果。在1943年，美國心理學(xué)家W.S.McCulloeh和數(shù)學(xué)家W.Pitts提出了MP模型，首次提出了對人工神經(jīng)網(wǎng)絡(luò)的研究。

1.2 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測實例

接下來，本文介紹利用BP神經(jīng)網(wǎng)絡(luò)的一個軌道客流短期預(yù)測的實例，運用上海軌道交通的歷史實際客流數(shù)據(jù)做為時間序列，對網(wǎng)絡(luò)進行訓(xùn)練，進行之后某日的客流預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出的，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。他能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是通過信息的正向傳播和誤差的反向傳播這兩個過程來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（Input）、隱層（Hidden）和輸出層（Output）。示意圖如圖1。

其詳細原理，本文不再贅述。

本文采用了2015年上海軌道交通從某日開始的連續(xù)100天的日客流總量的統(tǒng)計數(shù)據(jù)，對其按時間序列進行排序，形成一組數(shù)據(jù)向量，記為：

FlowData[i]；其中i=1，2，……100。

其分布圖如圖2。

注：由于數(shù)據(jù)敏感性，本文僅作方法研究，不提供完整的準(zhǔn)確客流數(shù)據(jù)。

眾所周知，軌道交通日客流在大體趨勢上是隨著每周（也就是7天）有著周期性規(guī)律變化的（正如圖所示）。因此我們將FlowData進行重新整理，以每前7日客流為輸入項，第8日客流為輸出項。形成如下的輸入和輸出形式：

Input[1]={ FlowData[1]， FlowData[2] ……FlowData[7]}；

Output[1]= FlowData[8]；

……

Input[92]={ FlowData[92]， FlowData[93] ……FlowData[98]}；

Output[92]= FlowData[99]；

一共92組訓(xùn)練數(shù)據(jù)，進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)。在訓(xùn)練學(xué)習(xí)效果達到在一定的誤差范圍之內(nèi)后，采用：

NewInput[]={FlowData[93]， FlowData[94] ……FlowData[99]}

作為網(wǎng)絡(luò)的輸入，讓網(wǎng)絡(luò)模擬計算，輸出結(jié)果，與實際結(jié)果FlowData [100]進行對比分析。

本文采用AForge.Net中的Neuro神經(jīng)網(wǎng)絡(luò)庫所封裝的BP神經(jīng)網(wǎng)絡(luò)算法進行編程，實現(xiàn)上述過程，其核心代碼如下：

//建立網(wǎng)絡(luò)

ActivationNetwork network = new ActivationNetwork（

new BipolarSigmoidFunction（sigmoidAlphaValue），

7， 14， 1）；

//采用BP學(xué)習(xí)算法

BackPropagationLearning teacher = new BackPropagationLearning（network）；

//訓(xùn)練網(wǎng)絡(luò)

double error = teacher.RunEpoch（input， output）；

//模擬計算結(jié)果

double result = network.Compute（networkInput）；

運行結(jié)果：

FlowData [100]真實值為5561126；經(jīng)過BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)后，計算得出的預(yù)測值為5737446。誤差為3.17%。由此可以看出BP神經(jīng)網(wǎng)絡(luò)是比較適用于預(yù)測短期的單日客流的。當(dāng)網(wǎng)絡(luò)經(jīng)過一定數(shù)據(jù)量的訓(xùn)練，網(wǎng)絡(luò)的誤差在一定范圍內(nèi)后，進行計算預(yù)測，則預(yù)測的精度和效果會比較理想。

2 展望

本文探討了軌道客流短期預(yù)測的一些方法，并利用BP神經(jīng)網(wǎng)絡(luò)，進行了一個簡單的實例試算短期日客流的預(yù)測，還未能進行更加深入的研究?；谏窠?jīng)網(wǎng)絡(luò)的軌道交通預(yù)測應(yīng)該是一個比較好的方法和研究方向。如果要進行準(zhǔn)實時客流的預(yù)警（即在更短、更細分的時間段內(nèi)做客流預(yù)測），則需更為細致的歷史數(shù)據(jù)和實時數(shù)據(jù)的支持。

參考文獻

[1]李梟.軌道交通換乘站客流預(yù)測方法研究[D].北京：北京交通大學(xué)交通運輸學(xué)院，2010.

[2]楊軍.地鐵客流短期預(yù)測及客流疏散模擬研究[D].北京：北京交通大學(xué)，2013.

[3]呂利民.城市軌道交通短期客流預(yù)測方法[J].都市快軌交通，2015，28（02）：21-24.

[4]孔雪萍.短時交通信息動態(tài)預(yù)測方法的研究與實現(xiàn)[D].北京：北京航空航天大學(xué)計算機學(xué)院，2010.

[5]王奕.基于周期時變特點的城市軌道交通短期客流預(yù)測研究[J].城市軌道交通研究，2010，01（118）：47-49

[6]謝輝.軌道交通短期客流預(yù)測方法及其算法研究[J].現(xiàn)代城市軌道交通，2011（03）：97-99.

[7]楊軍.地鐵客流短期預(yù)測及客流疏散模擬研究[D].北京：北京交通大學(xué)，2013.

[8]百度百科，關(guān)于灰色模型的內(nèi)容.http：//baike.baidu.com/link？url=jkuFG3cX03C1QBBva0Kx-sZBKYhxDRlCPCJgZlS_q6swZKAwbGf-7mAU_GzizahbAPS7QN4eSYf742o8Fv92Ma.

[9]McCulloch W and Pitts W.A logical calculus of ideas immanent in nervous activity[J].Bulletin of Mathematical Biophysics，1943（05）：115-133.

[10]百度百科，關(guān)于BP神經(jīng)網(wǎng)絡(luò)的內(nèi)容.http：//baike.baidu.com/link？url=0lSAjVyuKJioHWSXvKEWiQEDKwrSzjk3Dxw1dU8DVDB2cFfrgIBquUXf1N73Vtwjiebq7oD8vxfAa1xAFCZ-PK.

[11]Rumelhart D E，Hinton G E，Williams R J.Learing representations by back-propagation errors[J].Nature，1986（323）：533-536.

作者簡介

程浩（1984-），男，上海市人。碩士學(xué)位?，F(xiàn)為上海交通大學(xué)機械與動力工程學(xué)院工業(yè)工程專業(yè)2014級碩士研究生。研究方向為企業(yè)需求預(yù)測。

徐昕（1981-），男，上海市人。碩士學(xué)位。現(xiàn)為上海交通大學(xué)機械與動力工程學(xué)院工業(yè)工程專業(yè)2014級碩士研究生。研究方向為信息網(wǎng)絡(luò)資源管控。

作者單位

上海交通大學(xué)機械與動力工程學(xué)院 上海市 200240