李淑慶,李 偉,劉耀鴻,馬 波

(重慶交通大學(xué) 交通運(yùn)輸學(xué)院,重慶 400074)

0 引 言

隨著軌道交通的飛速發(fā)展,軌道交通網(wǎng)絡(luò)化運(yùn)營(yíng)不斷加強(qiáng),這對(duì)軌道交通的運(yùn)營(yíng)組織調(diào)度、車(chē)站管理與服務(wù)提出了越來(lái)越高的要求。軌道交通短時(shí)進(jìn)站客流是影響車(chē)站運(yùn)營(yíng)和預(yù)警管理與服務(wù)水平的重要因素,及時(shí)、準(zhǔn)確和高精度地對(duì)軌道交通短時(shí)進(jìn)站客流進(jìn)行預(yù)測(cè)是提高軌道交通系統(tǒng)運(yùn)行效率、安全、管理水平和服務(wù)水平的關(guān)鍵。

目前軌道交通短時(shí)客流預(yù)測(cè)主要分為傳統(tǒng)統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)模型、神經(jīng)網(wǎng)絡(luò)模型和組合模型等4種方法。傳統(tǒng)統(tǒng)計(jì)模型主要包括整合移動(dòng)平均自回歸(ARIMA)模型[1]、滑動(dòng)平均法[2]和卡爾曼濾波[3]等,這類(lèi)模型計(jì)算簡(jiǎn)單,但無(wú)法處理客流序列數(shù)據(jù)的波動(dòng)性和非線性關(guān)系。機(jī)器學(xué)習(xí)模型主要包括貝葉斯網(wǎng)絡(luò)[4]、K近鄰(KNN)[5]和支持向量回歸(SVR)[6]等,這類(lèi)模型在訓(xùn)練時(shí)會(huì)消耗大量的內(nèi)存,無(wú)法應(yīng)用在大樣本數(shù)據(jù)中。神經(jīng)網(wǎng)絡(luò)模型主要包括BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)等,惠陽(yáng)等[7]采用粒子群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化,基于天氣、節(jié)假日和非節(jié)假日等因素對(duì)不同站點(diǎn)不同時(shí)段的客流進(jìn)行了預(yù)測(cè);MA Xiaolei等[8]將交通流預(yù)測(cè)定義為圖像學(xué)習(xí)的問(wèn)題,利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型對(duì)北京二環(huán)路和東北的交通網(wǎng)絡(luò)進(jìn)行了預(yù)測(cè),證明CNN模型可在合理的訓(xùn)練時(shí)間內(nèi)使預(yù)測(cè)精度提高,適合于對(duì)大規(guī)模運(yùn)輸網(wǎng)絡(luò)的預(yù)測(cè);YANG Xin等[9]基于客運(yùn)量歷史數(shù)據(jù)、車(chē)站OD矩陣和部分軌道交通網(wǎng)絡(luò)運(yùn)營(yíng)數(shù)據(jù),提出了改進(jìn)的時(shí)空長(zhǎng)短期記憶模型(SP-LSTM),并用來(lái)預(yù)測(cè)城市軌道交通單個(gè)站點(diǎn)的短期出站客運(yùn)量。這類(lèi)模型憑借其強(qiáng)大的非線性處理能力被廣泛應(yīng)用于短時(shí)交通流預(yù)測(cè)中,但單個(gè)神經(jīng)網(wǎng)絡(luò)模型仍存在特征提取不全面而導(dǎo)致預(yù)測(cè)精度較低的缺陷。部分學(xué)者將多種模型進(jìn)行組合,對(duì)軌道交通客流進(jìn)行了預(yù)測(cè)。LI Wei等[10]提出了一種結(jié)合季節(jié)性ARIMA和支持向量機(jī)(SVM)的混合模型,該模型結(jié)合了單一模型的優(yōu)勢(shì),能很好地對(duì)客流數(shù)據(jù)集下不同形式的關(guān)系進(jìn)行建模;趙陽(yáng)陽(yáng)等[11]從歷史客流量出發(fā),結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì),對(duì)上海地鐵人民廣場(chǎng)站進(jìn)行了預(yù)測(cè),結(jié)果表明該模型相比傳統(tǒng)模型具有更高的預(yù)測(cè)精度;王秋雯等[12]為進(jìn)一步提高軌道客流的預(yù)測(cè)精度,通過(guò)K-Means聚類(lèi)算法實(shí)現(xiàn)了客流時(shí)段特征的提取,并結(jié)合卷積長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型對(duì)深圳北站的地鐵客流進(jìn)行了預(yù)測(cè)。

綜上,隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,國(guó)內(nèi)外學(xué)者將其應(yīng)用于軌道交通短時(shí)客流預(yù)測(cè)中,并取得了較好效果,但軌道交通短時(shí)客流具有很強(qiáng)的非線性和波動(dòng)性,易受到各種外部因素影響,使得現(xiàn)有模型的特征信息學(xué)習(xí)因不全面而導(dǎo)致預(yù)測(cè)精度還不夠高、泛化能力還不夠強(qiáng)。針對(duì)以上問(wèn)題,筆者基于軌道交通內(nèi)部客流特性與外部環(huán)境因素,結(jié)合CNN、ResNet、BiLSTM等3種模型各自的優(yōu)勢(shì),構(gòu)建了一種多因素的CNN-ResNet-BiLSTM組合模型,并對(duì)軌道交通短時(shí)進(jìn)站客流進(jìn)行了預(yù)測(cè)。

1 問(wèn)題描述

軌道交通短時(shí)進(jìn)站客流預(yù)測(cè)一般是利用歷史時(shí)間片段信息構(gòu)造模型,捕捉進(jìn)站客流內(nèi)部的復(fù)雜關(guān)系,對(duì)未來(lái)某一時(shí)段的進(jìn)站客流量進(jìn)行預(yù)測(cè)的方法。

假設(shè)t時(shí)刻預(yù)測(cè)的進(jìn)站客流片段為q[t,t+Δt],預(yù)測(cè)時(shí)間粒度為Δt,令qt=q[t,t+Δt],則有qt=f[(xt-1,xt-2,…,xt-k)T],其中,(xt-1,xt-2,…,xt-k)T表示前k時(shí)刻輸入的客流影響因素。軌道交通短時(shí)進(jìn)站客流預(yù)測(cè)問(wèn)題可轉(zhuǎn)化為尋找一個(gè)映射函數(shù)g,并使g≈f的過(guò)程,這實(shí)現(xiàn)了對(duì)未來(lái)軌道交通各個(gè)站點(diǎn)進(jìn)站客流量的預(yù)測(cè)。

2 多因素特征變量選取

從軌道交通運(yùn)營(yíng)組織調(diào)度與預(yù)警管理需求而言,以10 min作為軌道交通短時(shí)進(jìn)站客流的預(yù)測(cè)時(shí)間粒度比較合適[13]。影響軌道交通進(jìn)站客流的因素很多,主要分為內(nèi)部客流特征和外部環(huán)境特征。

2.1 內(nèi)部客流特征

2.1.1 前序時(shí)間客流

當(dāng)前時(shí)刻客流與前序時(shí)刻客流具有一定的相關(guān)性[14],故選取前10、20、30、40 min的客流作為特征變量。

2.1.2 統(tǒng)計(jì)特征

在進(jìn)行軌道交通短時(shí)進(jìn)站客流預(yù)測(cè)時(shí),應(yīng)考慮到進(jìn)出站客流的影響[15]。對(duì)每個(gè)站點(diǎn)每10 min和每1 h的客流量進(jìn)行分組統(tǒng)計(jì),通過(guò)分析進(jìn)出站客流的最大值、最小值和平均值來(lái)反映客流的分鐘細(xì)粒度特征和小時(shí)細(xì)粒度特征。統(tǒng)計(jì)前5 d同一時(shí)段的進(jìn)出站客流最大值、最小值和均值來(lái)反映一周工作日的客流特征。

2.1.3 變化特征

利用前3 d進(jìn)出站客流的平均值,第1、2 d客流的差值,第2、3 d客流的差值,兩次變化的差值,第1、2 d的比值,第2、3 d的比值來(lái)反映客流變化特征。

2.2 外部環(huán)境特征

2.2.1 天氣特征

天氣變化在一定程度上會(huì)對(duì)人們出行產(chǎn)生影響,從而導(dǎo)致軌道客流的短期波動(dòng)[16]。選取能夠反映天氣與客流關(guān)系且易于量化的特征變量作為客流預(yù)測(cè)的輸入變量,如表1。

表1 天氣特征變量描述Table 1 Description of weather characteristic variables

2.2.2 空氣質(zhì)量

與天氣條件類(lèi)似,空氣質(zhì)量也會(huì)對(duì)軌道交通客流產(chǎn)生一定影響[17]?？諝赓|(zhì)量數(shù)據(jù)均為數(shù)值型變量,將其作為輸入特征變量。

2.2.3 道路交通擁堵指數(shù)

軌道交通客流與道路交通擁堵指數(shù)之間存在一定的相關(guān)性[18]。故將道路交通擁堵指數(shù)作為輸入特征變量。

2.2.4 標(biāo)記特征

標(biāo)記每個(gè)站點(diǎn)的編號(hào)和站點(diǎn)類(lèi)型,用來(lái)反映不同站點(diǎn)的客流特性;將全網(wǎng)的軌道交通站點(diǎn)分為6類(lèi),站點(diǎn)類(lèi)型編號(hào)為1～6[19]。為反映客流的時(shí)間特性,標(biāo)記當(dāng)月的日期范圍、對(duì)應(yīng)的周日、軌道運(yùn)營(yíng)小時(shí)區(qū)間。

3 CNN-ResNet-BiLSTM組合模型

3.1 卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)

卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network,CNN)是深度學(xué)習(xí)中比較經(jīng)典的模型,其思想源于模擬自然生物的視覺(jué)系統(tǒng),近年來(lái)在圖像分類(lèi)和目標(biāo)檢測(cè)方面得到了很好應(yīng)用[20]。CNN在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上增加了卷積層和池化層,通過(guò)局部連接和權(quán)重共享方式,使其能對(duì)輸入特征進(jìn)行高效提取,其結(jié)構(gòu)如圖1。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 CNN structure

CNN中每個(gè)位置的特征數(shù)據(jù)都可與同一卷積核的權(quán)值參數(shù)進(jìn)行計(jì)算,這與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中每個(gè)權(quán)值參數(shù)只能計(jì)算一次不同。權(quán)值共享不僅極大地減少了參數(shù)數(shù)量,還充分挖掘了特征局部相關(guān)性,通過(guò)卷積操作自動(dòng)提取了相應(yīng)特征,提高了模型的學(xué)習(xí)效率。

3.2 殘差神經(jīng)網(wǎng)絡(luò)(ResNet)

網(wǎng)絡(luò)模型的性能往往與其深度有關(guān),一般情況下,只要提供足夠的訓(xùn)練數(shù)據(jù),隨著網(wǎng)絡(luò)結(jié)構(gòu)深度增加,模型的預(yù)測(cè)效果就會(huì)越來(lái)越好;但當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)深度達(dá)到一定程度時(shí),繼續(xù)增加網(wǎng)絡(luò)結(jié)構(gòu),模型則會(huì)出現(xiàn)泛化能力減弱的情況,這說(shuō)明網(wǎng)絡(luò)結(jié)構(gòu)深度對(duì)預(yù)測(cè)結(jié)果影響較大。HE Kaiming等[21]提出了一種新的網(wǎng)絡(luò)結(jié)構(gòu),即殘差神經(jīng)網(wǎng)絡(luò)(ResNet),該網(wǎng)絡(luò)在普通的堆疊卷積操作外,引入了一個(gè)“快捷連接”,將輸入張量x直接傳送到輸出張量中,實(shí)現(xiàn)了恒等變換,其結(jié)構(gòu)如圖2。

圖2 殘差模塊網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 ResNet structure

由圖2可知：假設(shè)神經(jīng)網(wǎng)絡(luò)的輸入張量為x,期望輸出為H(x),原來(lái)的神經(jīng)網(wǎng)絡(luò)層操作變換為f(x),則殘差模塊計(jì)算輸出可表示為H(x)=f(x)+x。如將f(x)的相關(guān)參數(shù)設(shè)為0,即f(x)=0,此時(shí)只有“快捷連接”的輸入張量x能通過(guò),原來(lái)神經(jīng)網(wǎng)絡(luò)層中的操作都被屏蔽,這樣殘差模塊就實(shí)現(xiàn)了恒等變換。殘差模塊計(jì)算如式(1)：

y=w2σ1(w1x)+x

(1)

式中：y為殘差模塊輸出張量;w2為第2個(gè)權(quán)重層的權(quán)重參數(shù);σ1為ReLU激活函數(shù);w1為第1個(gè)權(quán)重層的權(quán)重參數(shù)。

對(duì)原始?xì)埐罹W(wǎng)絡(luò)進(jìn)行改進(jìn),將原本殘差網(wǎng)絡(luò)中Addition層后的ReLU層放在右側(cè)分支層,將批歸一化層放在ReLU層前面,并對(duì)權(quán)重層進(jìn)行預(yù)激活,證明了改進(jìn)后殘差網(wǎng)絡(luò)的有效性[22],如圖3。

圖3 殘差模塊原始版本與改進(jìn)版本對(duì)比Fig.3 Comparison diagram of original version and improved version of ResNet model

改進(jìn)后的殘差模塊使用批歸一化可提高模型的正則化,從而減少了過(guò)擬合風(fēng)險(xiǎn),更有利于訓(xùn)練,泛化能力也更強(qiáng);改進(jìn)后的殘差模塊梯度傳播更加順暢,減少了信息流失。

3.3 雙向LSTM模型(BiLSTM)

長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory,LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體形式,可適用于軌道交通短時(shí)客流時(shí)間序列預(yù)測(cè)。該模型是在RNN基礎(chǔ)上添加了門(mén)控制單元,能對(duì)歷史信息進(jìn)行選擇性記憶或遺忘,將重要信息記錄下來(lái),遺忘掉價(jià)值不大的信息,這種方式能很好地維持模型對(duì)輸入數(shù)據(jù)的長(zhǎng)期記憶,并在一定程度上解決了RNN只有短期記憶的問(wèn)題[23]。

LSTM雖可很好地進(jìn)行時(shí)間序列預(yù)測(cè),但只能從軌道交通客流單一方向進(jìn)行數(shù)據(jù)特征學(xué)習(xí)。為了提高軌道交通客流預(yù)測(cè)準(zhǔn)確性,筆者采用雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型(BiLSTM)對(duì)客流數(shù)據(jù)的時(shí)間特征進(jìn)行提取。LSTM由正、反向模型組合而成[24],其結(jié)構(gòu)如圖4。

圖4 BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 BiLSTM structure

(2)

式中：?為整合操作。

3.4 CNN-ResNet-BiLSTM組合模型

CNN能從復(fù)雜數(shù)據(jù)中自動(dòng)提取多維度特征,但不能很好地處理時(shí)間序列數(shù)據(jù);LSTM能很好地捕捉時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴(lài)信息,但只能從單一方向進(jìn)行特征學(xué)習(xí),沒(méi)有充分考慮到軌道交通客流前后方向信息對(duì)當(dāng)前狀態(tài)影響;BiLSTM模型將兩個(gè)LSTM模型結(jié)合,從前后兩個(gè)方向捕捉了軌道交通客流序列的時(shí)間特征,但在處理長(zhǎng)時(shí)間多維度特征時(shí)會(huì)存在信息丟失、挖掘不充分而導(dǎo)致預(yù)測(cè)精度較低的問(wèn)題;ResNet可緩解因模型層數(shù)增加而出現(xiàn)的梯度消失或梯度爆炸問(wèn)題?；诖?筆者綜合上述3類(lèi)深度學(xué)習(xí)模型優(yōu)點(diǎn),結(jié)合軌道交通內(nèi)部客流特征與外部環(huán)境特征,將這3類(lèi)進(jìn)行組合,提出了CNN-ResNet-BiLSTM組合模型(以下簡(jiǎn)稱(chēng)：C-R-B組合模型),如圖5。

圖5 多因素CNN-ResNet-BiLSTM組合模型結(jié)構(gòu)Fig.5 Structure diagram of multi-factor CNN-ResNet-BiLSTM combined model

由圖5可知：多因素C-R-B組合模型結(jié)構(gòu)由輸入層、隱含層和輸出層構(gòu)成。在輸入層中,融合了包括前序時(shí)間客流、統(tǒng)計(jì)客流及變化客流的內(nèi)部客流特征因素和包括天氣、空氣質(zhì)量、道路交通擁堵指數(shù)及標(biāo)記特征的外部環(huán)境特征,并按時(shí)間、站點(diǎn)編號(hào)順序構(gòu)造輸入的多因素特征矩陣。在第1個(gè)隱含層中,利用CNN中的卷積、池化操作提取多因素客流時(shí)間序列特征,減少時(shí)間序列數(shù)據(jù)長(zhǎng)度,降低后續(xù)網(wǎng)絡(luò)分析的難度;在CNN中加入殘差網(wǎng)絡(luò)ResNet,以加深網(wǎng)絡(luò)結(jié)構(gòu)的深度,提高模型的預(yù)測(cè)效果;在第2個(gè)隱含層中,將CNN提取到的特征輸入到BiLSTM中,完成前后兩個(gè)方向的時(shí)間序列特征提取;在輸出層中,將BiLSTM提取到最終特征進(jìn)行展平,接入到全連接層,得到最后客流的預(yù)測(cè)輸出值。

3.5 模型訓(xùn)練流程

多因素C-R-B組合模型的訓(xùn)練流程分為8個(gè)步驟：

1)選取特征變量構(gòu)造多因素的軌道交通客流特征矩陣,將其歸一化后劃分為訓(xùn)練集和測(cè)試集;

2)設(shè)定模型的批處理大小、模型層數(shù)、神經(jīng)元數(shù)及學(xué)習(xí)率下降策略;

3)初始化多因素C-R-B組合模型的所有權(quán)重參數(shù);

4)搭建多因素C-R-B組合模型;

5)計(jì)算模型在正向傳播網(wǎng)絡(luò)層中每個(gè)神經(jīng)元的輸出值與真實(shí)值的誤差;

6)將正向傳播的輸出誤差反向傳播,計(jì)算其誤差項(xiàng)以確定每個(gè)參數(shù)的梯度,利用優(yōu)化算法對(duì)權(quán)重參數(shù)進(jìn)行更新;

7)當(dāng)梯度誤差達(dá)到要求或者迭代次數(shù)達(dá)到設(shè)定值時(shí),完成本輪訓(xùn)練,否則繼續(xù)迭代;

8)當(dāng)模型達(dá)到最大訓(xùn)練次數(shù)時(shí),輸出多因素C-R-B組合模型的預(yù)測(cè)結(jié)果,計(jì)算評(píng)價(jià)指標(biāo),保存模型。

3.6 評(píng)價(jià)指標(biāo)

選取常用的均方根誤差(ERMS)、平均絕對(duì)誤差(EMA)和平均絕對(duì)百分比誤差(EMAP)等3個(gè)指標(biāo)來(lái)衡量模型的預(yù)測(cè)精度,其計(jì)算為：

(3)

(4)

(5)

4 實(shí)證分析

4.1 數(shù)據(jù)集及實(shí)驗(yàn)環(huán)境

筆者選用2019年1月2日—26日杭州地鐵全網(wǎng)80個(gè)軌道站點(diǎn)的刷卡數(shù)據(jù)(合計(jì)7 000多萬(wàn)條)進(jìn)行分析;選取2019年1月2日—23日的工作日數(shù)據(jù)作為訓(xùn)練集,1月24、25日工作日的數(shù)據(jù)作為驗(yàn)證集,訓(xùn)練集、驗(yàn)證集數(shù)據(jù)比例為8∶1,統(tǒng)計(jì)時(shí)間粒度為10 min。

硬件環(huán)境為Intel(R) Core(TM) I7-9750H CPU和NVIDIA GTX 1660Ti GPU的Windows10 64位操作系統(tǒng),開(kāi)發(fā)語(yǔ)言為Python,編輯器為Pycharm,利用Tensor-Flow的高級(jí)API-keras搭建深度學(xué)習(xí)網(wǎng)絡(luò)。

4.2 模型參數(shù)設(shè)定

采用網(wǎng)格搜索法對(duì)批處理大小、模型層數(shù)和神經(jīng)元數(shù)進(jìn)行調(diào)節(jié)。經(jīng)反復(fù)調(diào)參后,得到了多因素C-R-B組合模型的最終優(yōu)化參數(shù)。其中：ResNet網(wǎng)絡(luò)的層數(shù)為3,神經(jīng)元數(shù)均為32;BiLSTM網(wǎng)絡(luò)層數(shù)為1,神經(jīng)元數(shù)為64;設(shè)定初始學(xué)習(xí)率為0.001,當(dāng)?shù)?次模型效果不再提升時(shí),降低學(xué)習(xí)率;采用Dropout為0.2來(lái)避免模型訓(xùn)練過(guò)程中過(guò)擬合發(fā)生。

4.3 不同類(lèi)型站點(diǎn)預(yù)測(cè)結(jié)果

為評(píng)估模型對(duì)不同類(lèi)別站點(diǎn)進(jìn)站客流的預(yù)測(cè)性能,將訓(xùn)練好的多因素C-R-B組合模型分別對(duì)不同類(lèi)型站點(diǎn)進(jìn)站客流進(jìn)行預(yù)測(cè),如圖6。

圖6 不同類(lèi)型站點(diǎn)進(jìn)站客流預(yù)測(cè)結(jié)果Fig.6 Prediction results of inbound passenger flow at different types of stations

由圖6可知：即便軌道交通進(jìn)站客流真實(shí)值具有一定波動(dòng)性,筆者所建立模型仍可精準(zhǔn)地捕捉到短時(shí)進(jìn)站客流變化情況,預(yù)測(cè)效果良好。

4.4 不同模型預(yù)測(cè)對(duì)比

為驗(yàn)證筆者所構(gòu)建的模型準(zhǔn)確性和有效性,選取8個(gè)常用的模型與文中構(gòu)建模型進(jìn)行對(duì)比,其中CNN、LSTM、BiLSTM、CNN-LSTM、CNN-ResNet-LSTM和單因素C-R-B模型的配置參數(shù)值與文中構(gòu)建模型一致。基于評(píng)價(jià)指標(biāo)對(duì)各個(gè)模型預(yù)測(cè)誤差進(jìn)行計(jì)算,結(jié)果如表2、表3。

表2 不同模型預(yù)測(cè)誤差Table 2 Prediction error of different models

表3 誤差損失值下降百分比Table 3 Percentage decrease in error loss value %

由表2可知：多因素C-R-B組合模型的各指標(biāo)均優(yōu)于常用模型,各誤差指標(biāo)均最小。其中：ERMS=21.909 63,EMA=12.884 94,EMAP=12.777 37%。

由表3可知：對(duì)比ARIMA、SVR、CNN、LSTM和BiLSTM模型,多因素C-R-B組合模型的ERMS相比單一模型分別降低了34.71%、36.12%、15.92%、16.87%和10.61%;EMA分別降低了43.26%、36.23%、20.63%、17.35%和15.63%;EMAP分別降低了47.23%、38.73%、17.20%、12.18%和17.57%。

在常用單一模型中,深度學(xué)習(xí)模型的預(yù)測(cè)表現(xiàn)遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)統(tǒng)計(jì)模型ARIMA和機(jī)器學(xué)習(xí)模型SVR。其中,ARIMA預(yù)測(cè)表現(xiàn)最差,無(wú)法很好地捕捉軌道客流非線性,而SVR在建模時(shí)消耗大量計(jì)算時(shí)間,不適用于大型數(shù)據(jù)集建模。在單一深度學(xué)習(xí)模型中,具有處理時(shí)間序列數(shù)據(jù)能力的LSTM效果優(yōu)于CNN型,而B(niǎo)iLSTM效果要優(yōu)于單向的LSTM,這是因?yàn)锽iLSTM能同時(shí)處理前后兩個(gè)方向的時(shí)間序列數(shù)據(jù)。然而,單一模型只能學(xué)習(xí)到單個(gè)模型特征,無(wú)法結(jié)合其他模型優(yōu)勢(shì)而導(dǎo)致預(yù)測(cè)精度較低。

由表3可知：對(duì)比CNN-LSTM和CNN-ResNet-LSTM模型,多因素C-R-B模型的ERMS比常用組合模型分別降低了9.24%和8.50%;EMA分別降低了10.00%和6.76%,EMAP分別降低了10.14%和6.52%。

在4個(gè)組合模型與5個(gè)單一模型對(duì)比方面,4個(gè)組合模型的3個(gè)評(píng)價(jià)指標(biāo)均低于常用單一模型,這說(shuō)明組合模型能結(jié)合單一模型優(yōu)勢(shì),提高軌道交通短時(shí)進(jìn)站客流的預(yù)測(cè)精度。然而對(duì)于常用的組合模型,CNN-LSTM只能提取淺層的空間特征信息,CNN-ResNet-LSTM雖能提取深層空間特征信息,但也只能提取到單向的時(shí)間序列信息,無(wú)法捕捉軌道交通客流的雙向時(shí)間信息。

多因素C-R-B組合模型相比單因素C-R-B模型的ERMS、EMA和EMAP分別降低了11.74%、6.74%和30.13%。這說(shuō)明增加的天氣、空氣質(zhì)量和道路交通擁堵指數(shù)等外部環(huán)境因素能提高模型的預(yù)測(cè)精度,這是因?yàn)橐氲耐獠凯h(huán)境因素使模型學(xué)習(xí)到了更多特征,驗(yàn)證了文中模型引入多因素特征的有效性。

5 結(jié) 論

通過(guò)融入內(nèi)部客流特征和外部環(huán)境特征多因素,筆者提出了多因素C-R-B組合模型,并對(duì)軌道交通短時(shí)進(jìn)站客流進(jìn)行預(yù)測(cè)。得出主要結(jié)論如下：

1)結(jié)合了CNN模型能對(duì)多因素客流時(shí)間序列的自動(dòng)提取,ResNet模型能對(duì)更深網(wǎng)絡(luò)結(jié)構(gòu)的高效訓(xùn)練,BiLSTM模型能對(duì)客流時(shí)間序列的長(zhǎng)期依賴(lài),提出了多因素組合模型,實(shí)現(xiàn)了對(duì)客流時(shí)間序列特征的有效提取;

2)除考慮內(nèi)部客流特征外,還引入了天氣、空氣質(zhì)量和道路交通擁堵指數(shù)等外部環(huán)境因素,通過(guò)實(shí)例驗(yàn)證了引入多因素特征的有效性;

3)多因素C-R-B組合模型的ERMS、EMA和EMAP值相比于常用的幾種模型分別降低了8.50%～36.12%、6.74%～43.26%和6.52%～47.23%,表現(xiàn)出更加準(zhǔn)確的預(yù)測(cè)結(jié)果;

4)筆者僅對(duì)常規(guī)條件下的軌道交通短時(shí)進(jìn)站客流進(jìn)行了預(yù)測(cè),下一步可考慮對(duì)節(jié)假日、大型活動(dòng)或突發(fā)事件等特殊情況下的軌道交通短時(shí)進(jìn)站客流進(jìn)行預(yù)測(cè),并尋找更多更新數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證。