一種公交客流組合預(yù)測方法
【專利說明】一種公交客流組合預(yù)測方法 所屬技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及基于灰度模型，自回歸滑動平均模型的公交客流組合預(yù)測方法，屬于 智慧城市、智能公交領(lǐng)域。
【背景技術(shù)】
[0002] 隨著國民經(jīng)濟(jì)能力不斷提升，居民生活水平得到改善，市民出行量的急劇增加導(dǎo) 致城市擁堵問題越來越明顯，嚴(yán)重影響了市民出行效率和生活質(zhì)量，限制了城市交通的快 速發(fā)展。"智能公交系統(tǒng)"是綜合利用全球定位、無線通信、地理信息等技術(shù)建立智能車輛終 端信息網(wǎng)絡(luò)，將公交車輛的運(yùn)行和運(yùn)營管理智能化、信息化、可視化，實(shí)現(xiàn)對車輛的集中調(diào) 度，統(tǒng)一管理，優(yōu)化人力、運(yùn)力資源配置，降低公交運(yùn)營成本，提高調(diào)度應(yīng)變能力和乘客服務(wù) 水平。
[0003] 客流量是影響公交運(yùn)行效率的重要因素。公交公司可以根據(jù)客流量的變化情況最 優(yōu)地調(diào)度公交車輛，節(jié)省運(yùn)營成本，市民也可以參考站點(diǎn)上車客流量信息制定出行計(jì)劃從 而節(jié)省出行時間。因此，及時準(zhǔn)確預(yù)測未來時段站點(diǎn)客流量是實(shí)現(xiàn)智能公交系統(tǒng)過程中的 重要環(huán)節(jié)。
[0004] 現(xiàn)有公交客流預(yù)測方法包括：神經(jīng)網(wǎng)絡(luò)、時間序列分析、支持向量機(jī)等方法，但主 要集中于中長期預(yù)測。短時公交客流預(yù)測方法包括：卡爾曼濾波，小波變換，神經(jīng)網(wǎng)絡(luò)，自回 歸滑動平均法等。但卡爾曼濾波要求數(shù)據(jù)序列的誤差滿足于線性分布，不適用于非線性分 布的復(fù)雜情況；神經(jīng)網(wǎng)絡(luò)與小波變換，觀測尺度的變化對序列特性影響較大，影響算法參數(shù) 選?。蛔曰貧w滑動平均法雖算法簡單，但用于預(yù)測具有復(fù)雜變化的客流量誤差較大。

【發(fā)明內(nèi)容】
：
[0005] 本發(fā)明的目的在于，交通流過程的復(fù)雜性和不確定性，決定了準(zhǔn)確的交通流預(yù)測 不是單一的模型或方法所能解決和完成的，各種預(yù)測模型在具體的情況下各有其優(yōu)缺點(diǎn)， 各有其適用范圍和應(yīng)用條件?，F(xiàn)有的公交客流預(yù)測方法多集中于長期預(yù)測，時效性不強(qiáng)，不 能具備一定的實(shí)時參考性，而短時預(yù)測模型預(yù)測精度不高，本發(fā)明通過建立將灰度模型和 自回歸滑動平均模型相結(jié)合的組合預(yù)測模型，利用最小二乘法對模型參數(shù)進(jìn)行估計(jì)，能夠 提供實(shí)時準(zhǔn)確的公交客流預(yù)測值。
[0006] 為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明借助兩種預(yù)測模型結(jié)合的組合預(yù)測模型，采用最小 二乘法，預(yù)測短時段內(nèi)公交站點(diǎn)客流量。
[0007] 本發(fā)明具體包含如下步驟：(A)采集歷史客流數(shù)據(jù)。（B)建立灰度預(yù)測模型預(yù)測 第i+Ι天的客流量為M 1+1，并作客流統(tǒng)計(jì)，計(jì)算出第i天第t個時間段的客流量在一天中總 客流量的比例rlt。（C)以自回歸滑動平均預(yù)測模型作短時預(yù)測，預(yù)測第t+Ι個時間段的客 流量H t+1。（D)建立預(yù)測模型：S1= α ·Μ1+1·Γ?+β *Ht+1，采用最小二乘法根據(jù)歷史值求出 α，β即可。
[0008] 所述步驟（Α)中，歷史客流數(shù)據(jù)包括公交GPS數(shù)據(jù)、公交站點(diǎn)位置信息和1C卡刷 卡數(shù)據(jù)。
[0009] 所述步驟（B)中，首先，選取某一公交樞紐站的客流量作為預(yù)測對象，統(tǒng)計(jì)出第i 天第t個時間段的客流量在一天中總客流量的比例rlt。然后，建立灰度預(yù)測模型，預(yù)測第 i+Ι天的客流量，記為M1+1。具體步驟如下：（1)由原始數(shù)據(jù)序列M?計(jì)算一次累加序列M(1); ⑵建立矩陣B，Y ; (3)求逆矩陣（BTB) 1 ; (4)根據(jù)
、求估計(jì)值S和 (5)把估計(jì)值L I帶入1-AG0式中得時間響應(yīng)方程得擬合值，再用后減運(yùn)算還，即
[0010] 所述步驟（C)中，選取同一公交樞紐站的客流量作為預(yù)測對象，建立自回 歸滑動平均模型作短時預(yù)測，預(yù)測第t+Ι個時間段的客流量，記為H t+1。具體步驟 如下：（1)生成不同時序數(shù)據(jù)。H = {Ht| t = 1，2,…，m}，氏=H(m-t*10min)，…，
(2)數(shù)據(jù)檢驗(yàn) 和預(yù)處理。數(shù)據(jù)檢驗(yàn)包括正態(tài)檢驗(yàn)，零均值檢驗(yàn)等；預(yù)處理要清除原始序列的趨 勢性、波動性等影響。（3)結(jié)合歷史數(shù)據(jù)和實(shí)時數(shù)據(jù)，建立自回歸滑動平均模型。 >其中，Ht+11為歷史數(shù)據(jù)，δ?+1。 η />-i
η .?-i 為白噪聲，P，q為模型階數(shù)。（4)自回歸滑動平均模型的參數(shù)初步估算瓦豕4,成.>
[0011] 所述步驟（D)中，建立基于灰度模型和自回歸滑動平均模型的組合預(yù)測模型，具 體模型如下：Si = a *Mi+1 *Ht+1。其中，α，β是參數(shù)估計(jì)值，Mi+1是通過灰度模型 預(yù)測的第i+Ι天的公交客流量，k是比例因子
其中，Mi表示第i天 的總客流量，Ht表示第i天第t個時間段的客流量。Ht+1是通過自回歸滑動平均模型預(yù)測 的第t+Ι個時間段的客流量。
[0012] 根據(jù)最小二乘原?
R出α、β即可。
【附圖說明】
[0013] 下面結(jié)合附圖和實(shí)施例對本發(fā)明進(jìn)一步說明。
[0014] 圖1公交站點(diǎn)客流組合預(yù)測總體流程圖
[0015] 圖2灰度模型客流預(yù)測流程圖
[0016] 圖3自回歸滑動平均模型客流預(yù)測流程圖
【具體實(shí)施方式】：
[0017] 為使本發(fā)明的上述目的、特征和有點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí) 施例，進(jìn)一步對本發(fā)明提供的一種公交客流組合預(yù)測方法進(jìn)行詳細(xì)說明。
[0018] 如圖1所示為公交站點(diǎn)客流組合預(yù)測總體流程圖，包括如下步驟：采集數(shù)據(jù)，包括 公交GPS數(shù)據(jù)、公交站點(diǎn)位置信息和1C卡刷卡數(shù)據(jù)；建立灰度模型預(yù)測某一天的客流量，并 作客流統(tǒng)計(jì)，統(tǒng)計(jì)某一時段客流量在一天中所占比例；建立自回歸滑動平均模型，預(yù)測同一 天某一時段的客流量；建立組合預(yù)測模型，進(jìn)行客流量預(yù)測。
[0019] 下面結(jié)合實(shí)例進(jìn)一步說明。
[0020] 采集數(shù)據(jù)包括：公交GPS數(shù)據(jù)、公交站點(diǎn)位置信息和1C卡刷卡數(shù)據(jù)。
[0021] 參照圖2,根據(jù)步驟（A)中得到的公交GPS數(shù)據(jù)、公交站點(diǎn)位置信息和1C卡刷卡數(shù) 據(jù)，建立灰度預(yù)測模型，預(yù)測第i+Ι天的客流量為M 1+1，并作客流統(tǒng)計(jì)，計(jì)算出第i天第t個 時間段的客流量在一天中總客流量的比例rlt。
[0022] (B1)根據(jù)歷史客流數(shù)據(jù)，計(jì)算出某個時段的客流量在一天中總客流量的比例，記 為'
KMi表示第i天的總客流量，Ht表示第i天第t個時間段的 客流量。
[0023] (B2)建立灰度模型預(yù)測i+Ι天的客流量，記為M1+1。具體步驟如下：
[0024] (1)設(shè)某一站點(diǎn)前i天的客流量如下
[0025] .....
[0026] 對此歷史數(shù)據(jù)經(jīng)過一次累加得生成，此式記為l_AGO(Accumulated Generating Operation)
[0027]
[0028]
[0029] (2)新生成的序列滿足如下一階線性微分方程。
[0030] M(0) (k)+aZ(1) (k) =u
[0031] 因此模型的建立工作轉(zhuǎn)化為正確的根據(jù)歷史真實(shí)值計(jì)算出a，u的值。
[0032] 將^^.離散化，得 df 。 求出微分方程的解為
根據(jù)1-AG0式子逆推