一種公交短時客流的預(yù)測方法
【專利摘要】本發(fā)明公開了一種公交短時客流的預(yù)測方法，其包括以下步驟：將公交IC卡的乘客數(shù)據(jù)按預(yù)設(shè)的時間間隔(如5min)進(jìn)行聚合；以周、日和時間間隔為尺度建立相應(yīng)的時間序列，分析時間序列的平穩(wěn)性、季節(jié)性和異方差性；根據(jù)時間序列的特性建立相應(yīng)的時間序列模型；根據(jù)單一模型的預(yù)測結(jié)果，利用卡爾曼濾波及交互多模型算法建立混合模型對客流進(jìn)行精確預(yù)測。本發(fā)明充分考慮了城市公交客流在不同時間尺度上的時變特征，相比傳統(tǒng)的非參數(shù)模型獲得了較高的預(yù)測精度。
【專利說明】一種公交短時客流的預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是交通系統(tǒng)，具體涉及的是一種公交短時客流的預(yù)測方法，屬于智 能交通系統(tǒng)領(lǐng)域。

【背景技術(shù)】
[0002] 及時、準(zhǔn)確的短時公交客流預(yù)測在公交編組的配置、公交時刻表的制定及公交智 能調(diào)度中發(fā)揮著重要作用。傳統(tǒng)的公交客流預(yù)測，選取的時間尺度較大（通常為年、月、日 客流量），主要研宄客流變化的長期趨勢，一般用于公交線路規(guī)劃。現(xiàn)有的短時客流預(yù)測主 要基于非參數(shù)方法，例如K-NN方法。該方法模型簡單，但容易受噪聲影響，僅適用于預(yù)測較 為穩(wěn)定的公交客流。人工神經(jīng)網(wǎng)絡(luò)方法（ANN)用于客流預(yù)測也取得了不錯的效果，但對于 較大數(shù)據(jù)量的客流預(yù)測，神經(jīng)網(wǎng)絡(luò)的預(yù)測精度較低，且無法描述公交客流的時變特性。以 ARMA模型為代表的時間序列模型應(yīng)用于短時客流的一步實時預(yù)測可以取得較高的預(yù)測精 度。但單一模型僅能擬合客流數(shù)據(jù)的一種特征，難以擬合公交客流在不同時間尺度上存在 的不同特性。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的不足，提供一種公交短時客流的預(yù)測方 法，利用公交客流的歷史數(shù)據(jù)，建立不同時間尺度上的時間序列，通過分析時間序列的時變 特性建立相應(yīng)的預(yù)測模型，利用卡爾曼濾波及交互多模型算法建立混合模型，以獲得提高 預(yù)測準(zhǔn)確率的效果。
[0004] 為達(dá)到以上目的，本發(fā)明所采用的解決方案是：
[0005] 一種公交短時客流的預(yù)測方法，其包括以下步驟：
[0006] 1)對從公交IC卡數(shù)據(jù)中獲取的公交客流歷史數(shù)據(jù)按指定的時間間隔聚合；
[0007] 2)從周、日和時間間隔三個時間尺度建立時間序列；
[0008] 3)檢驗時間序列的平穩(wěn)性和季節(jié)性，并對非平穩(wěn)時間序列進(jìn)一步校驗異方差性， 根據(jù)時間序列的時變特征建立相應(yīng)的時間序列預(yù)測模型，分別對客流進(jìn)行預(yù)測；
[0009] 4)基于單一模型的預(yù)測結(jié)果，利用卡爾曼濾波及交互多模型算法建立混合預(yù)測模 型；
[0010] 5)利用所述預(yù)測模型預(yù)測短時公交客流。
[0011] 進(jìn)一步地，利用公交車上安裝的公交IC卡刷卡器，讀取乘客的刷卡時間及線路 ID，同時利用公交車自動報站系統(tǒng)（Automated Voice Annunciation System, AVAS)獲取 公交站點數(shù)據(jù)，以時間為關(guān)鍵字段，將乘客的刷卡信息與自動報站系統(tǒng)（Automated Voice Annunciation System, AVAS)中的站點信息進(jìn)行數(shù)據(jù)匹配，獲得所述的公交客流歷史數(shù)據(jù)。
[0012] 進(jìn)一步地，對于某一公交線路，將指定時間間隔（如5min)內(nèi)的公交客流歷史數(shù)據(jù) 進(jìn)行聚合，得到該公交線路指定時間間隔的客流數(shù)據(jù)。
[0013] 進(jìn)一步地，所述步驟3)進(jìn)一步包括以下步驟：
[0014] A，校驗時間序列自相關(guān)函數(shù)及偏自相關(guān)函數(shù)的拖尾、截尾特性并進(jìn)行 ADF(Augmented Dickey-Fuller)檢驗，驗證時間序列的平穩(wěn)性、季節(jié)性，初步驗證非平穩(wěn)序 列的異方差性；
[0015] B，根據(jù)時間序列的時變特征，對平穩(wěn)時間序列建立ARMA模型，對季節(jié)性時間序 列建立SARIMA模型，對非平穩(wěn)時間序列建立ARIMA模型，根據(jù)AIC (Akaike Information Criterion)準(zhǔn)則及SC(Schwarz Criterion)準(zhǔn)則，確定時間序列預(yù)測模型的最佳滯后階數(shù) 及差分階數(shù)；
[0016] C，對存在異方差性的非平穩(wěn)時間序列進(jìn)行ARCH-LM檢驗，進(jìn)一步建立 ARIMA-GARCH復(fù)合模型；
[0017] D，利用RLS (Recursive Least Square)算法對建立的時間序列模型進(jìn)行參數(shù)及噪 聲估計，模型噪聲均為白噪聲序列；
[0018] E，利用不同時間尺度的預(yù)測模型進(jìn)行客流預(yù)測，輸出三組預(yù)測結(jié)果序列。
[0019] 進(jìn)一步地，所述的時間序列預(yù)測模型包括：
[0020] A，對平穩(wěn)的周時間序列建立ARMA模型：
[0021]

【權(quán)利要求】
1. 一種公交短時客流的預(yù)測方法，其特征在于：其包括以下步驟： 1) 對從公交IC卡數(shù)據(jù)中獲取的公交客流歷史數(shù)據(jù)按指定的時間間隔聚合； 2) 從周、日和時間間隔三個時間尺度建立時間序列； 3) 檢驗時間序列的平穩(wěn)性和季節(jié)性，并對非平穩(wěn)時間序列進(jìn)一步校驗異方差性，根據(jù) 時間序列的時變特征建立相應(yīng)的時間序列預(yù)測模型，分別對客流進(jìn)行預(yù)測； 4) 基于單一模型的預(yù)測結(jié)果，利用卡爾曼濾波及交互多模型算法建立混合預(yù)測模型； 5) 利用所述預(yù)測模型預(yù)測短時公交客流。
2. 根據(jù)權(quán)利要求1所述的公交短時客流的預(yù)測方法，其特征在于，利用公交車上安裝 的公交IC卡刷卡器，讀取乘客的刷卡時間及線路ID，同時利用公交車自動報站系統(tǒng)獲取公 交站點數(shù)據(jù)，以時間為關(guān)鍵字段，將乘客的刷卡信息與自動報站系統(tǒng)中的站點信息進(jìn)行數(shù) 據(jù)匹配，獲得所述的公交客流歷史數(shù)據(jù)。
3. 根據(jù)權(quán)利要求1所述的公交短時客流的預(yù)測方法，其特征在于，對于某一公交線路， 將指定時間間隔內(nèi)的公交客流歷史數(shù)據(jù)進(jìn)行聚合，得到該公交線路指定時間間隔的客流數(shù) 據(jù)。
4. 根據(jù)權(quán)利要求1所述的公交短時客流的預(yù)測方法，其特征在于，所述步驟3)進(jìn)一步 包括以下步驟： A，校驗時間序列自相關(guān)函數(shù)及偏自相關(guān)函數(shù)的拖尾、截尾特性并進(jìn)行ADF檢驗，驗證 時間序列的平穩(wěn)性、季節(jié)性，初步驗證非平穩(wěn)序列的異方差性； B，根據(jù)時間序列的時變特征，對平穩(wěn)時間序列建立ARMA模型，對季節(jié)性時間序列建立 SARIMA模型，對非平穩(wěn)時間序列建立ARIMA模型，根據(jù)AIC準(zhǔn)則及SC準(zhǔn)則，確定時間序列預(yù) 測模型的最佳滯后階數(shù)及差分階數(shù)； C，對存在異方差性的非平穩(wěn)時間序列進(jìn)行ARCH-LM檢驗，進(jìn)一步建立ARIMA-GARCH復(fù) 合模型； D，利用不同時間尺度的預(yù)測模型進(jìn)行客流預(yù)測，輸出三組預(yù)測結(jié)果序列。
5. 根據(jù)權(quán)利要求1所述的短時公交客流預(yù)測方法，其特征在于，所述的時間序列預(yù)測 模型包括： 1) 對平穩(wěn)的周時間序列建立ARMA模型： y., (O = ^uiYw (t-〇 + ^2yv (t-2) + aw + (l-l) + <9!i2aw (t-2) 其中，yw為公交客流周時間序列；3"為白噪聲序列；％，θ￥分別為自回歸參數(shù)和滑動 平均參數(shù)； 2) 對存在季節(jié)性的日時間序列建立周期為24的SARIMA模型： yd (i) = (i - 0+?% (i - 2) + (i - 24) + (i - 25) + %5*yd (i - 26) + ad (i) + ^d*ad (i_ 〇 + ^2*ad (i_ 2)+i?a*ad (i_3) 其中，yd為公交客流曰時間序列；ad為白噪聲序列；％，0d分別為自回歸參數(shù)和滑動 平均參數(shù)； 3) 對存在異方差性的非平穩(wěn)時間間隔序列建立ARIMA-GARCH復(fù)合模型： yn, (Ο = ΨηΛ * y,n (1 - 1 ) + Ψη,Ι * y,n (? - 2) + Ψη" ^ Ym + (l) W=4"+化/a〃, 其中，ymS公交客流按指定時間間隔組成的時間序列；am為白噪聲序列；I為自回歸 參數(shù)；Qm, I^m分別為GARCH模型的白噪聲參數(shù)和方差參數(shù)，0f為白噪聲序列方差。
6. 根據(jù)權(quán)利要求1所述的公交短時客流的預(yù)測方法，其特征在于，所述步驟4)進(jìn)一步 包括以下步驟： A，根據(jù)單一模型預(yù)測序列在不同時段預(yù)測的有效性，計算模型概率向量并建立狀態(tài)轉(zhuǎn) 移矩陣； B，將上述預(yù)測模型改寫為狀態(tài)空間形式： y (t+1) = Fj (t) *y (t) +Gj (t) *w (t) z (t) = Hj (k) *y (t) +v (t) 其中：y為狀態(tài)向量，F(xiàn)j(t)為對應(yīng)于模型j的狀態(tài)轉(zhuǎn)移矩陣，Gj為模型j的噪聲矩陣， w為輸入白噪聲，z為觀測向量，?為觀測矩陣，V為觀測白噪聲； C，利用交互多模型算法建立混合預(yù)測模型，其中利用卡爾曼濾波完成模型狀態(tài)更新， 利用狀態(tài)轉(zhuǎn)移矩陣實現(xiàn)模型交互，輸出混合預(yù)測結(jié)果。
7. 根據(jù)權(quán)利要求1所述的公交短時客流的預(yù)測方法，其特征在于，所述交互多模型算 法進(jìn)一步包括以下步驟： A，輸入交互： 假設(shè)已知t-Ι時刻的濾波狀態(tài)免(小），協(xié)方差矩陣Pi (t 11)及模型概率向量μ i (t-2)已 知，i，j e [1，3]， //.. (/ -11 / -1) = Pimi (/ -1) IflJ7 (O) - = π-〇μ-Χ? -1) (?-ι|?-i)=[i^(?-1)-其中：μ u(t-l I t-l)為t-l時刻從模型i轉(zhuǎn)移至模型j的概率，5為模型j有效的概 率，九_(，-||，-|)為狀態(tài)輸入值，$(，-i|z-1)為協(xié)方差輸入值； B，模型濾波： >·,. (/| / -1) = (/ -1) >；; (/| r -1) P,{l\l -1) = F1U -1)/^(/ -1|/ - l)(f；(7 -1))7 + G1U - 1)Q(/ - 1)(G,(/ -1))7 殘差： 殘差協(xié)方差： Si (t) = Hi (t) Pi (t 11-1) (Hi (t)) T+Qi (t) 濾波增益： Ki(t) = PiUIt-I) (HiU) V(SiU))-1 狀態(tài)估計更新： V/ I i) = y, {l\l-\) + Ki(I)Ziil) 協(xié)方差矩陣更新： Pi (t 11) = Pi (t I t-i) -Ki (t) Si (t) (Ki (t))τ 其中，Qi為模型i的輸入噪聲方差矩陣； C，模型概率更新： 似然函數(shù)：
模型概率更新：
D，混合輸出： t時刻狀態(tài)估計輸出：
t時刻協(xié)方差矩陣：
E，進(jìn)入下一循環(huán)遞推計算。
【文檔編號】G06Q10/04GK104517159SQ201410797092
【公開日】2015年4月15日 申請日期:2014年12月18日 優(yōu)先權(quán)日:2014年12月18日
【發(fā)明者】孫健, 薛睿, 陳書愷, 張穎 申請人:上海交通大學(xué)