王思韜 韓 斌 蒲 琪

基于移動通信數(shù)據(jù)分析的Elman神經(jīng)網(wǎng)絡(luò)城市軌道交通客流預(yù)測*

王思韜 韓 斌 蒲 琪

（同濟(jì)大學(xué)鐵道與城市軌道交通研究院，201804，上海//第一作者，碩士研究生）

城市軌道交通的短時客流預(yù)測數(shù)據(jù)對運營組織單位面對潛在的大客流或突發(fā)事件的應(yīng)對準(zhǔn)備工作有著重要的作用。以原始移動通信數(shù)據(jù)作為換乘站點換乘客流統(tǒng)計的數(shù)據(jù)來源，得到了精確的單條線路某個換乘站的換乘人數(shù)，并結(jié)合自動售檢票系統(tǒng)的統(tǒng)計數(shù)據(jù)，通過建立Elman神經(jīng)網(wǎng)絡(luò)模型對客流數(shù)據(jù)進(jìn)行樣本對訓(xùn)練，得到下游車站未來1 h內(nèi)斷面客流量的預(yù)測結(jié)果。預(yù)測結(jié)果誤差符合要求，為站點的運營組織方案提供了良好的數(shù)據(jù)支撐。同時為了對比說明建立了ARIMA模型，并對預(yù)測結(jié)果作出分析比較。

城市軌道交通；客流量預(yù)測；移動通信數(shù)據(jù)；基站定位；Elman神經(jīng)網(wǎng)絡(luò)

AbstractShort term passenger flow prediction data plays a significant role in urban rail transit operation and emergency events handling for operators.In this article；the original mobile communication data for passenger flow statistics are used to present the passenger flow at a transfer station and attain the precise amount of the interchange station passenger flow.Through the establishment of an Elman neural network；sample pairs training is conducted together with the AFC data in order to acquire the sectional passenger flow at the next station in the following hour.The prediction error meets the requirements and provides the operation organization scheme with solid confirmation.Meanwhile；ARIMA (autoregressive integrated moving average)model is developed to make a comparison with Elman network prediction results.

Key wordsurban rail transit； passenger flow prediction；mobile communication data； base station location； Elman neural network

Author′s addressInstitute of Urban Rail Transit，Tongji U－niversity，201804，Shanghai，China

為了更好地組織運營服務(wù)、合理地調(diào)配軌道交通資源、提供更加舒適安全的運行環(huán)境，準(zhǔn)確合理地掌握歷史客流規(guī)律以及預(yù)測未來短期內(nèi)的客流強(qiáng)度，是城市軌道交通運營管理過程中的重要一環(huán)。

在當(dāng)前的研究成果中，已經(jīng)提出了各種對客流預(yù)測的方法，并得到了實際應(yīng)用。但是對于單個地鐵站點時變的客流預(yù)測還缺乏準(zhǔn)確有效的方法。以往的研究中關(guān)于交通流量預(yù)測的模型主要有：時間序列模型、歷史趨勢模型、卡爾曼濾波模型及多元線性回歸模型［2-3］等。這些模型由于各自的缺點并不能很好地應(yīng)用在城市軌道交通短時的站點客流預(yù)測中。目前，根據(jù)AFC（自動售檢票）系統(tǒng)計算的線路日換乘量是一種粗略的統(tǒng)計結(jié)果，其計算方法是依據(jù)人的出行OD（起訖）矩陣，以O(shè)D點間的最短換乘路徑作為乘客的交通出行軌跡，即在此路徑上的客流按100%分配。但乘客的實際OD路徑不一定與理想情況相同，故而計算結(jié)果存在誤差，統(tǒng)計的數(shù)據(jù)不能及時指導(dǎo)換乘車站面對真實客流或突發(fā)事件做好應(yīng)急準(zhǔn)備工作以保障線路的運營秩序。因此，是否能獲取原始數(shù)據(jù)，對于用交通流模型進(jìn)行客流量預(yù)測的準(zhǔn)確度和可靠性有很大影響。只有正確的預(yù)測結(jié)果才能對車站實際的運營組織工作進(jìn)行有效引導(dǎo)。

根據(jù)以上分析，本文提出針對某個重要換乘車站，可利用移動通信數(shù)據(jù)分析得到精確的實際換乘客流量，并結(jié)合Elman神經(jīng)網(wǎng)絡(luò)的適應(yīng)時變特性能力進(jìn)行城市軌道交通下游站點的截面客流量預(yù)測。即根據(jù)已知的歷史客流數(shù)據(jù)，建立計算模型，并利用Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱，實現(xiàn)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)后的復(fù)雜計算，再將預(yù)測結(jié)果返回。研究的基礎(chǔ)數(shù)據(jù)包括站點進(jìn)出客流的AFC分時數(shù)據(jù)、線路單向全線客流分時數(shù)據(jù)、站內(nèi)基于移動通信數(shù)據(jù)的分時換乘數(shù)據(jù)和下游站點的截面分時數(shù)據(jù)。

1 基礎(chǔ)數(shù)據(jù)的來源

1.1 移動通信數(shù)據(jù)

移動通信數(shù)據(jù)最初是移動運營商為了運營維護(hù)及計費等目的，采集移動用戶在發(fā)生通信事件（包括開關(guān)機(jī)、主被叫、收發(fā)短信、位置更新以及小區(qū)切換等事件）時的移動信令記錄。

移動通信數(shù)據(jù)應(yīng)用于城市交通數(shù)據(jù)分析，可較為全面、真實地反映移動用戶個體在時空間維度上的連續(xù)移動軌跡。移動臺（即移動用戶的終端設(shè)備，通常為手機(jī)）要完成通信功能需通過城市中的移動基站接入通信網(wǎng)絡(luò)，并相互交換數(shù)據(jù)以完成通信。通信網(wǎng)絡(luò)的服務(wù)區(qū)域可劃分成小區(qū)（Cell）及位置區(qū)（LA）等基本單元，并分別利用小區(qū)碼（CI）和位置區(qū)碼（LAC）進(jìn)行標(biāo)識。每個移動通信基站都有固定且唯一的LAC和CI編碼。

隨著移動臺的不斷運動，其位置不斷發(fā)生變化。移動通信數(shù)據(jù)記錄了移動臺的位置更新過程，進(jìn)而形成對時空間軌跡的連續(xù)記錄與追蹤。通過查詢LAC和CI組合編碼對應(yīng)的經(jīng)緯度地理信息便可確定移動臺的實際運動軌跡。

移動通信數(shù)據(jù)應(yīng)用于城市交通分析時日尚短，僅依靠原始的信令并不能直接獲取分析所需數(shù)據(jù)。我國大部分地鐵均有手機(jī)信號覆蓋。由于地下段的線路距離地面遠(yuǎn)，地面基站信號難以穿透覆蓋，故在車站和隧道沿線均專門布置了小蜂窩網(wǎng)絡(luò)以供乘客使用。利用這種地鐵車站獨有的蜂窩網(wǎng)絡(luò)即可根據(jù)原始移動數(shù)據(jù)信令確定乘客的軌道交通出行路徑，進(jìn)而篩選出具有換乘行為的乘客，得到某站點的實際換乘數(shù)據(jù)。

上海軌道交通人民廣場站為1、2、8號線的換乘車站，其周邊車站及基站分布見圖1。若要判斷某乘客是否在該站從其他線路換乘2號線，需先分析該乘客移動信令中出現(xiàn)過的LAC和CI編碼所對應(yīng)的基站位置。如該基站在連接到人民廣場地鐵站對應(yīng)的通信基站之前，是屬于1號線或者8號線沿線站點或區(qū)間的基站，并且在一定時間內(nèi)該乘客的移動臺連接上2號線沿線除人民廣場站點以外的地鐵通信基站，則可判斷該乘客換乘有效。由1號線、2號線換乘至8號線或者2號線、8號線換乘至1號線的判斷篩選方法類似。根據(jù)這種篩選的規(guī)則，可準(zhǔn)確濾除本站出站乘客、本站進(jìn)站乘客和僅在本站地下通道通過的乘客客流量，從而得到本站每條線路的換乘人數(shù)。在此基礎(chǔ)上，站點在整個換乘通道中的總客流量也就不難計算。

根據(jù)上海軌道交通2014年相關(guān)數(shù)據(jù)統(tǒng)計，原始信令數(shù)據(jù)在剔除清理異常數(shù)據(jù)后，有效的數(shù)據(jù)占總體的95%，符合換乘行為的個體（即總換乘量）約占有效數(shù)據(jù)的43%。將換乘總量分解成小時客流量，并與AFC統(tǒng)計的數(shù)據(jù)比較，可發(fā)現(xiàn)二者殘差的自相關(guān)與偏自相關(guān)系數(shù)均能落入置信水平為90%的區(qū)間。這充分說明通過移動通信原始信令篩選出的換乘數(shù)據(jù)符合實際情況與客流趨勢。繼續(xù)進(jìn)行具體線路換乘方式的按時數(shù)據(jù)細(xì)分，便可以得到具體車站換入換出的分時換乘人數(shù)。

1.2 AFC系統(tǒng)數(shù)據(jù)

目前，我國城市軌道交通建設(shè)正向著網(wǎng)絡(luò)化發(fā)展。AFC系統(tǒng)的聯(lián)網(wǎng)可準(zhǔn)確獲取乘客的出行起訖點等信息，能分時分日監(jiān)測各線路出入閘機(jī)的流量，實現(xiàn)整體線網(wǎng)運營的可視化。AFC系統(tǒng)收集的數(shù)據(jù)信息可實時傳輸?shù)椒?wù)器端，供遠(yuǎn)程電腦實時分析，使管理者能根據(jù)當(dāng)前客流量及時調(diào)整運營方案。

AFC系統(tǒng)也有不足之處。計算機(jī)是基于理想兩點之間的最短線路來推算乘客路徑的，或是以其他概率選擇模型來進(jìn)行路徑推算的，無論哪種方式的結(jié)果都與乘客實際路徑有誤差。因此，本文將由AFC系統(tǒng)精確統(tǒng)計的站點分時進(jìn)出客流數(shù)據(jù)、線路單向全線客流分時數(shù)據(jù)，與由移動通信數(shù)據(jù)得到的實際換乘數(shù)據(jù)相結(jié)合，完成對下游站點斷面客流數(shù)據(jù)的預(yù)測工作。

2 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在典型的前向傳播三層網(wǎng)絡(luò)結(jié)構(gòu)（輸入層、隱層、輸出層）里，Elman網(wǎng)絡(luò)不同于BP（前饋）網(wǎng)絡(luò)或者RBF（徑向基函數(shù)）網(wǎng)絡(luò)，其在一般神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上多了1個承接層。該承接層將其加權(quán)前的結(jié)果儲存起來，并再一次輸入給隱層。因此，可選擇Elman神經(jīng)網(wǎng)絡(luò)建模進(jìn)行軌道交通短時客流的預(yù)測工作。承接層的存在延遲了隱層數(shù)據(jù)的加權(quán)輸出，增強(qiáng)了歷史狀態(tài)數(shù)據(jù)的敏感性。這相當(dāng)于增加了內(nèi)部的反饋網(wǎng)絡(luò)，加強(qiáng)了網(wǎng)絡(luò)自身處理動態(tài)信息的能力，使得Elman神經(jīng)網(wǎng)絡(luò)軌道交通短時下游車站斷面流量預(yù)測的動態(tài)建?？梢詫崿F(xiàn)。Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖2所示。

圖2 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖2的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可得出非線性的狀態(tài)空間表達(dá)式為：

其中，f（.）是隱層神經(jīng)元的傳遞函數(shù)，通常取為Sigmoid型函數(shù)（S 型函數(shù)）；g（.）是輸出層的傳遞函數(shù)，使得隱層輸出的數(shù)據(jù)可以線性組合輸出，通常取為線性函數(shù)。

目前，理論上Elman神經(jīng)網(wǎng)絡(luò)已證明能很好地建立非線性網(wǎng)絡(luò)模型，通過網(wǎng)絡(luò)的訓(xùn)練還可實現(xiàn)任意函數(shù)的逼近。函數(shù)值的逼近和樣本的訓(xùn)練是通過神經(jīng)網(wǎng)絡(luò)各層的傳遞函數(shù)實現(xiàn)的。

Elman神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練的基本方法，就是通過梯度下降法，把網(wǎng)絡(luò)輸出的結(jié)果從輸出層依次向輸入層傳播，通過不斷調(diào)整神經(jīng)元之間的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和E（k）最小，從而使整個網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)。令y（k）為模型實際輸出值，y～（k）為期望輸出值，則：

2.2 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

在地鐵短時站點斷面客流預(yù)測模型中，使用了2014年9月1日至9月7日上海軌道交通人民廣場站進(jìn)站、出站、2號線單向（上行）分小時客流量的AFC系統(tǒng)數(shù)據(jù)，以及根據(jù)移動通信數(shù)據(jù)分析得到的2號線該站分小時換乘流量數(shù)據(jù)。小時數(shù)據(jù)從每天早上5∶30開始統(tǒng)計，每隔半小時統(tǒng)計一次，直至23點結(jié)束統(tǒng)計。研究的主要內(nèi)容是換乘站點的當(dāng)前時段進(jìn)出站、換乘的客流及全線單向客流數(shù)量對該站下游站點斷面客流量影響的預(yù)計。因此，網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為4，輸出層節(jié)點數(shù)為1。隱層數(shù)的選擇并沒有確定的方法和步驟，也缺乏相關(guān)的理論，通常是使用經(jīng)驗法或試探法。根據(jù)Kolmogorov定理，先將隱層數(shù)設(shè)定為9，而實際操作中分別選擇隱層數(shù)為7、8、9、10、11 進(jìn)行試驗。 最后發(fā)現(xiàn)當(dāng)隱層數(shù)為 7 時網(wǎng)絡(luò)收斂速度最快，預(yù)測結(jié)果精度最高、效果最好。故本試驗隱層數(shù)取7。

把進(jìn)站流量、出站、全線單向流量和換乘流量4個輸入量的t時刻數(shù)據(jù)和下游站點t+1時刻的斷面客流數(shù)據(jù)作為1個樣本對，輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，則每天有34個訓(xùn)練樣本對。本研究進(jìn)行7 d，共可構(gòu)成238個樣本對。最后一天的34個樣本對可用作對網(wǎng)絡(luò)訓(xùn)練后預(yù)測結(jié)果的檢驗。

在建立的網(wǎng)絡(luò)模型中，訓(xùn)練方法選用Levenberg-Marquardt法。相對于其他的訓(xùn)練方法，該方法在同樣初始條件下的收斂速度最快。對于大多數(shù)問題來說，使用Levenberg-Marquardt法都可獲得較好的預(yù)測結(jié)果；隱層神經(jīng)元選擇tansig函數(shù)，輸出層神經(jīng)元選擇purlin函數(shù)；設(shè)置學(xué)習(xí)速率為自適應(yīng)學(xué)習(xí)速率，目標(biāo)網(wǎng)絡(luò)誤差是10-3；最大訓(xùn)練步數(shù)設(shè)定為2 000。

經(jīng)過Matlab軟件仿真后得到Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練指標(biāo)參數(shù)如表1所示。

表1 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練指標(biāo)參數(shù)

由表1可見，經(jīng)過65次訓(xùn)練以后，網(wǎng)絡(luò)的訓(xùn)練誤差僅為0.000 605，達(dá)到了設(shè)定的控制標(biāo)準(zhǔn)（0.001 00），Matlab訓(xùn)練的均方誤差下降變化圖如圖3所示。

圖3 訓(xùn)練的均方誤差曲線

用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試，以第7天5：30—22：00的人民廣場進(jìn)站、出站、換乘，以及2號線上行方向全線分時客流量數(shù)據(jù)為輸入，得到第7天2號線南京東路站6：00～23：00點上行的分時斷面客流預(yù)測值（分時間隔為30 min)。預(yù)測值曲線與實際值曲線見圖4。

圖4 分時客流量預(yù)測值與實際值對比曲線

由仿真結(jié)果可見，該交通流量預(yù)測的模型總體上是讓人滿意的，在收斂速度及學(xué)習(xí)適應(yīng)能力等方面表現(xiàn)突出，預(yù)測的數(shù)據(jù)走勢也與實際基本符合，整體網(wǎng)絡(luò)誤差達(dá)到要求，預(yù)測數(shù)據(jù)的精度在可接受范圍之內(nèi)。由計算相對誤差可以看出，最大相對誤差達(dá)到11.93%，最小相對誤差為0.35%，絕對誤差最大值為122人次/30 min，最小僅為4人次/30 min。可見，采用預(yù)測結(jié)果指導(dǎo)車站日常運營工作并不會因預(yù)測誤差過大而出現(xiàn)突發(fā)客流量，從而擾亂運營秩序。因此，該交通流量預(yù)測模型的預(yù)測結(jié)果是可信的。

3 ARIMA時間序列模型的建立與分析

分析Elman神經(jīng)網(wǎng)絡(luò)短時客流預(yù)測效果的優(yōu)劣，本文選擇ARIMA模型對南京東路站上行方向相同時間段內(nèi)的斷面客流進(jìn)行預(yù)測，作為對比。

3.1 ARIMA模型的建立

ARIMA模型預(yù)測時，首先，輸入已確定的預(yù)測目標(biāo)，歷史時間數(shù)據(jù)作為1組序列；然后，通過自回歸和移動平均數(shù)學(xué)模型得到該序列的擬合值，從而確定模型的各參數(shù)；最后，利用參數(shù)回代模型對未來的時間序列進(jìn)行預(yù)測計算。

根據(jù)斷面客流的數(shù)據(jù)序列圖可以發(fā)現(xiàn)其規(guī)律：在每天剛開始運營后與即將結(jié)束運營前的時間段客流量處于低峰值，在早晚高峰呈現(xiàn)高峰值。于是，本文選擇乘積季節(jié)模型 ARIMA（p，d，q）（P，D，Q）S對斷面客流量進(jìn)行預(yù)測（其中，p為自回歸階數(shù)，d為差分次數(shù)，q為移動平均階數(shù)，P、D、Q分別為季節(jié)性的自回歸階數(shù)、差分次數(shù)、移動平均階數(shù)，S為季節(jié)周期），用SPSS軟件可對模型進(jìn)行設(shè)置，并得到估計的參數(shù)值。

首先，對模型進(jìn)行一階差分和一階季節(jié)差分，之后得到平穩(wěn)的序列，確定d=1，D=1；然后，根據(jù)統(tǒng)計量指標(biāo)，對擬合后ARIMA模型的殘差自相關(guān)系數(shù)以及偏自相關(guān)系數(shù)進(jìn)行判斷，觀察其值是否落入95%的置信區(qū)間內(nèi)，從而確定是否為隨機(jī)的白噪聲序列。經(jīng)過不斷嘗試和修正，并選擇標(biāo)準(zhǔn)化貝葉斯信息準(zhǔn)則（BIC值最小、擬合參數(shù)顯著性概率低等擬合優(yōu)度參數(shù)，得到最佳模型為ARIMA（2，1，1）（1，1，1）12。 最佳模型的擬合優(yōu)度判定系數(shù) R2為0.565，標(biāo)準(zhǔn)化BIC為10.077，各參數(shù)P值均遠(yuǎn)小于0.05，說明具有顯著差異性；模型的平均絕對百分誤差（EMAP）為8.45%（小于10%），表明模型能夠很好的對斷面客流歷史數(shù)據(jù)進(jìn)行擬合。由模型的殘差白噪聲檢驗結(jié)果可知，該模型的殘差自相關(guān)系數(shù)和偏自相關(guān)系數(shù)都落在95%的置信區(qū)間內(nèi)，且各系數(shù)的P值都大于0.05。這表明原假設(shè)不成立，該殘差序列為隨機(jī)的白噪聲；模型符合預(yù)期要求，利用模型對上海軌道交通南京東路站上行方向2014年9月的斷面客流量進(jìn)行預(yù)測，結(jié)果如圖5所示。

通過ARIMA季節(jié)模型預(yù)測的結(jié)果可知預(yù)測結(jié)果的相對誤差最小值為1.13%，最大值為15.29%。預(yù)測曲線基本符合時間序列的走行趨勢，對于客流量的預(yù)測有一定的參考價值。

3.2 對比分析

兩種模型的精度評價指標(biāo)如表2所示。由表2發(fā)現(xiàn)，Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度比ARIMA模型好。ARIMA模型只能根據(jù)歷史時間序列的特點擬合模型參數(shù)以達(dá)到建模的目的；其預(yù)測是基于固定的模型表達(dá)式計算得出的，且只能以序列的周期為單位進(jìn)行預(yù)測；周期越長，所需預(yù)測的項就越多，預(yù)測精度也將隨著時間的增加越來越低。ARIMA模型本身不能通過自學(xué)習(xí)更新。而Elman神經(jīng)網(wǎng)絡(luò)模型卻能針對短時的時間數(shù)據(jù)進(jìn)行學(xué)習(xí)和推演，能通過不斷學(xué)習(xí)新的數(shù)據(jù)，對未來短時間段內(nèi)的數(shù)據(jù)作出預(yù)測。可見，Elmam神經(jīng)網(wǎng)絡(luò)模型預(yù)測屬于智能化算法。

圖5 預(yù)測結(jié)果

表2 兩種模型的精度評價指標(biāo)

4 結(jié)語

精確預(yù)測軌道交通客流的變化情況可為運營部門在全日分時最大斷面客流量出現(xiàn)時提供策略支撐，以滿足乘客服務(wù)要求和保障運營秩序。一般策略包括調(diào)整列車運行間隔，增加大編組列車上線的數(shù)量，換乘車站及時根據(jù)客流量調(diào)整換乘通道和進(jìn)出口布局等。本文提出的基于移動通信數(shù)據(jù)的線路換乘流量統(tǒng)計方法可準(zhǔn)確反映出每條線路的換乘人數(shù)。這對于獲取精確的模型預(yù)測結(jié)果有著重要的意義，也使得票務(wù)清分、客流清分的工作變得更為清晰簡單。在此基礎(chǔ)上，建立動態(tài)性良好的Elman神經(jīng)網(wǎng)絡(luò)模型對下游車站的斷面流量進(jìn)行預(yù)測，并得到滿意的結(jié)果。但如何利用好這些預(yù)測數(shù)據(jù)同實時的運營組織相協(xié)調(diào)，還有待于建立更多的歷史數(shù)據(jù)并進(jìn)行深入挖掘后才能實現(xiàn)。

［1］石莊彬，張寧，邵星杰.城市軌道交通客流高峰持續(xù)時間預(yù)測方法［J］.城市軌道交通研究，2016（7）：35-39.

［2］王珺，吳兵，王靖陽.ITS實時檢測交通數(shù)據(jù)的質(zhì)量控制技術(shù)探討［J］.交通控制，2005（7）：30-32.

［3］王俊松.基于Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量建模及預(yù)測［J］.計算機(jī)工程，2009，35（9）：190-191.

［4］蔡于.城市軌道交通應(yīng)急處置中心若干核心問題［J］.城市軌道交通研究，2007（7）：9.

［5］司風(fēng)琪，洪軍，徐治皋.基于改進(jìn)Elman網(wǎng)絡(luò)的動系統(tǒng)測量數(shù)據(jù)檢驗方法［J］.東南大學(xué)學(xué)報，2005，35（1）：50-54.

［6］裘煒毅，孫立光，劉杰，等.一種基于手機(jī)信號數(shù)據(jù)的軌道交通出行方式識別方法：CN201110033832.X［P］.2011-8-17.

［7］李佳.基于手機(jī)定位數(shù)據(jù)的動態(tài)OD矩陣獲取方法的研究［D］.昆明：昆明理工大學(xué)，2013.

［8］姜平，石琴，陳無畏，等.公交客流預(yù)測的神經(jīng)網(wǎng)絡(luò)模型［J］.武漢理工大學(xué)學(xué)報，2009，33（3）：414-417.

［9］丁洪東.淺談城市軌道交通的特性與概念區(qū)分［J］.科技信息，2010，27（1）：457.

［10］楊飛.基于手機(jī)定位的交通OD數(shù)據(jù)獲取技術(shù)［J］.系統(tǒng)工程，2007（1）：42-48.

［11］李春曉，李海鷹，蔣熙，等.基于廣義動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短時車站進(jìn)站客流量預(yù)測［J］.都市快軌交通，2015，28（4）：66-70.

［12］姚閩.城市軌道交通換乘客流問題分析探討［J］.建筑工程技術(shù)與設(shè)計，2015（10）：1551.

［13］熊杰，關(guān)偉，孫宇星.基于Kalman濾波的地鐵換乘客流預(yù)測［J］.北京交通大學(xué)學(xué)報（自然科學(xué)版），2013，37（3）：112-116.

［14］盧立能.基于數(shù)據(jù)挖掘的城市軌道交通換乘客流路徑選擇研究［D］.杭州：浙江理工大學(xué)，2012.

［15］四兵鋒，毛保華，劉智麗.無縫換乘條件下城市軌道交通網(wǎng)絡(luò)客流分配模型及算法［J］.鐵道學(xué)報，2007，29（6）：12-18.

［16］劉狄，吳海燕.城市軌道交通換乘站內(nèi)部換乘客流量算法研究［J］.北京建筑工程學(xué)院學(xué)報，2010，26（2）：44-48.

Elman Neural Network Prediction of Rail Transit Passenger Flow Based on of Mobile Data Analysis

WANG Sitao，HAN Bin，PU Qi

U293.13

10.16037/j.1007-869x.2017.09.014

2016-08-18）

*國家科技支撐計劃項目（2015BAG19B01）；上海市科學(xué)技術(shù)委員會科研計劃項目（15DZ1204304）