CN103425884B - 一种地铁换乘通道通行状态的模糊预测方法 - Google Patents

Abstract

一种地铁换乘通道通行状态的模糊预测方法，由布设在地铁换乘通道出入口的摄像头构成采集环境，根据摄像头记录的乘客通过出入口的时刻，计算出乘客通过换乘通道的平均行程时间，识别及剔除平均行程时间记录数据的异常值，弥补平均行程时间的缺失数据，计算当天每个地铁到站时刻对应的时间占空比，应用模糊C‑均值聚类分析法，根据预设的通行状态，对当天及以前所有记录的时间占空比数据进行通行状态的模糊划分，得到模糊集，计算每个聚类对应的高斯隶属函数的参数，选用一阶Sugeno模糊推理系统作为预测模型的基本框架，通过对训练样本的学习，建立模糊预测模型并进行预测，预测结果反模糊化并最终输出通行状态预测结果的精确值和模糊值。

Description

一种地铁换乘通道通行状态的模糊预测方法

技术领域

本发明涉及一种地铁换乘通道通行状态的预测方法，属于地铁信息智能分析及处理领域。

背景技术

目前，地铁因其便捷、安全、准时、和环保等优势，成为城市交通发展的主要方向之一，但是高效的地铁网络也存在一些安全隐患。某些地铁换乘通道狭长曲折且相对封闭，在人流密集的高峰时段，易造成拥堵，也是恐怖袭击的首选地点之一，直接构成安全隐患。此外，地铁换乘通道空间相对封闭，对于客流较大时的突发事件应急处理难度较大。现有方法只能对换乘通道通行状态进行实时监控，由于实时信息不能说明通行状态的发展趋势，所以无法起到很好的预防作用。因此，为了预防突发事件、提供预警信息、缓解拥堵状态，有必要对换乘通道通行状态进行有效地预测。预测结果一方面可用于地铁的管理及控制，另一方面可为出行者（出行者尚未抵达换乘站）提供参考。

发明内容

由于目前还没有对换乘通道通行状态进行预测的方法，因此本发明目的在于，提供一种可以实现预测换乘通道通行状态的方法。该方法首先对客流通过换乘通道的平均行程时间进行检测，其次对采集的平均行程时间进行异常值识别及剔除处理并对缺失数据进行弥补操作，并引入时间占空比来刻画通行状态，接着对通行状态进行模糊划分并确定相关隶属函数的参数，视当天记录数据量，建立当天训练样本或非当天训练样本，并在此基础上通过对训练样本的学习实现模糊预测模型的建立及预测，再对预测结果的精确值进行模糊化，从而实现预测结果精确值与模糊值两种形式的输出。

具体技术方案如下：

一种地铁换乘通道通行状态的模糊预测方法，由布设在地铁换乘通道出入口的摄像头构成采集环境，根据摄像头记录的乘客通过出入口的时刻，计算出乘客通过换乘通道的平均行程时间，将地铁到站时刻以及对应每个地铁到站时刻的平均行程时间输入到计算机中；

在每班地铁到站后，记录地铁到站时刻t_k及换乘客流通过换乘通道的平均行程时间T_k,即（t_k，T_k）。运用人工观测法，在地铁到站后，检测员通过观察取自换乘通道入口及出口的视频图像，随机选择N个乘客，分别记录第j个乘客通过入口及出口的时刻t_ji和t_jo，并计算该乘客通过换乘通道的行程时间。在完成对N个乘客的行程时间计算后，取其平均值作为客流通过换乘通道的平均行程时间

（1）平均行程时间记录数据的异常值识别及剔除：

因检测方法和设备的局限性，如视频图像的短暂失真、检测员的观测误差等，所采集的平均行程时间数据可能含有异常值。为了提高数据质量及保证预测效果，需要对采集的数据中可能的异常值进行识别及剔除。

当天在预测时刻之前共记录了n_c组地铁到站时刻，以及对应的平均行程时间数据，漏检数据除外，对于地铁在t_k时刻到站时记录的平均行程时间数据T_k，k为小于等于n_c的正整数，找出与t_k时刻近邻的p个地铁到站时刻及对应的平均行程时间，记为{（t₁，T₁）,（t₂，T₂）,…,（t_p，T_p）}，p为事先设定的小于等于n_c的正整数，计算p个近邻数据的加权平均值其中q为大于0小于10的正整数，

再计算这些近邻数据与加权平均值的均方差

若其中λ是预先设定的值，取值范围为1到10的正整数，则数据T_k为异常值，并进行剔除；

（2）平均行程时间缺失数据的弥补：

不仅漏检的数据需要弥补，而且剔除的异常值也需要补充完整。对照地铁到站时刻表，查找出需要弥补的数据。

查找当天在预测时刻之前的所有n_c次地铁到站时刻，若t_k时刻缺失平均行程时间数据T_k，k为小于等于n_c的正整数，则计算弥补平均行程时间数据计算方法为，在采集数据中找到与t_k时刻近邻的p个地铁到站时刻及对应的平均行程时间，p为小于等于n_c的正整数，记为{（t₁，T₁）,（t₂，T₂）,…,（t_p，T_p）}，弥补平均行程时间数据等于这些近邻数据的加权平均值T_k1和中位数T_k2的平均值；

其中，T_k1的计算公式如下：

$T_{k1}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\α}}_i{T}_i,$ 其中 ${\mathrm{\α}}_i=\frac{{(t_k-t_i)}^{2q}}{\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{(t_k-t_i)}^{2q}},$ q为大于0小于10的整数，

其中，T_k2的计算方法如下：

将T₁,T₂，…,T_p按从小到大排列为T'₁,T'₂，…,T'_p，当p为奇数时，；当p为偶数时， $T_{k2}=\frac{1}{2}({T^{\′}}_{p/2-1}+{T^{\′}}_{p/2+1});$

（3）计算当天每个地铁到站时刻对应的时间占空比，该方法引入时间占空比用来表征通行的状态，计算公式如下：

$s_k=\frac{T_k}{T_{\mathrm{kd}}}\×100\%$

其中，s_k表示t_k时刻的时间占空比，T_k表示t_k时刻对应的客流平均行程时间，T_kd表示相邻两班地铁到站间隔，T_kd=t_k+1-t_k；

（4）应用模糊C-均值(Fuzzy C-Means,FCM)聚类分析法，根据预设的c个通行状态，对当天及以前所有记录的时间占空比数据进行通行状态的模糊划分，得到模糊集，并输出聚类中心z_k，以及第i个时间占空比数据属于第k个聚类，即第k个通行状态的的隶属度，其中k=1，2，…，c；

对于通行状态，即时间占空比的模糊划分，可以有效地处理通行状态在程度上的不确定性，而且模糊形式更接近于自然语言形式，便于理解及推理。该方法基于所记录的时间占空比信息，应用模糊C-均值（FCM）聚类分析，按照事先给定的集合数目，即模糊状态数目c，构造模糊集。具体包括以下步骤：

（4.1）按照预先给定的集合数目c，从当天及以前所有记录的时间占空比数据中随机地选定c个数据作为初始聚类中心，所述的预先给定的集合代表预设的通行状态；

（4.2）计算当天及以前所有记录的时间占空比数据属于每一类的隶属度，计算公式如下：

${\mathrm{\μ}}_k^i=\frac{1}{\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{D_k^i}{D_j^i}\right)}^{\frac{2}{m-1}}},$

其中，表示第i个时间占空比数据属于第k（k=1、2、…、c）个聚类的隶属度，m表示加权指数，为大于1小于10的整数，和分别表示第i个时间占空比数据到第k个和第j个类中心的欧式距离,其中k,j=1、2、…、c；

（4.3）更新所有聚类中心，计算公式如下：

$z_k=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_k^i\right)}^m{s}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_k^i\right)}^m}$

其中，z_k表示第k（k=1、2、…、c）个聚类中心，n表示当天及以前所有记录的时间占空比数据个数，表示第i个时间占空比数据属于第k个聚类的隶属度，s_i表示第i个时间占空比数据，m表示加权指数，为大于1小于10的整数；

（4.4）计算目标函数 $J=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{c}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_j^i\right)}^m{\left(D_j^i\right)}^2;$

（4.5）若当前目标函数相对于上次目标函数的变化值小于设定阈值，阈值范围为0.000001到0.00001，停止计算并输出各聚类中心及所有数据的隶属度，继续步骤5；否则返回步骤4.2继续进行；

（5）计算每个聚类对应的高斯隶属函数的参数，有了参数即可对于每个聚类构造高斯隶属函数：

高斯隶属函数包含两个参数，即均值和标准差，其中第K个高斯隶属函数的均值为利用模糊C-均值聚类分析法确定的第k个类的聚类中心，第K个高斯隶属函数的标准差其中，n表示当天及以前所有记录的时间占空比数据个数，z_k表示第k个聚类中心，s_i表示第i个时间占空比数据，表示第i个时间占空比数据属于第k个聚类的隶属度；

（6）选用一阶Sugeno模糊推理系统作为预测模型的基本框架，通过对训练样本的学习，建立模糊预测模型，并进行预测。

本发明采用时间占空比的时间序列作为预测基础，主要是因为影响乘客换乘的其它因素，如天气情况等的精确值较难获取。预测方法选用一阶Sugeno模糊推理系统作为预测模型的基本框架，即多输入单输出模型，通过对训练样本的学习，建立模糊预测模型，并进行预测。对于早班地铁到站后通行状态的预测，由于当天历史数据少，从而依此建立的预测模型精度较低，所以在建立模糊预测模型前，先计算当天历史数据量并进行判断，若当天历史数据足够多，则利用当天历史数据创建训练样本，否则，利用预测当天之前位于预测时刻的历史数据，假设这些历史数据足够多，建立训练样本。具体步骤如下：

（6.1）判断训练样本量n_s是否小于设定值n_m，n_m的取值范围为30到80的正整数，若n_s小于设定值n_m，则转到步骤6.3，否则转到步骤6.2，训练样本量n_s计算公式如下，

n_s=n_c-l-d+1

其中，l表示预测步长，因地铁到站时刻为离散序列，所以只需知道预测步长即可，l取值范围为1到10的正整数，d表示预先设定的输入向量的维数，取值范围为1到5的正整数，n_c表示当天的时间占空比数据总数，

（6.2）建立当天训练样本S以及预测输入向量X，从当天时间占空比数据中取最近采集的n_d＝n_m+d+l-1个时间占空比数据，构造当天训练样本S，其中步骤6.1给出了n_m，d和l的定义，

$S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{n_d-l-d+1}\\ s_2& s_3& ...& s_{n_d-l-d+2}\\ ...& ...& ...& ...\\ s_d& s_{d+1}& ...& s_{n_d-l}\\ s_{d+l}& s_{d+l+1}& ...& s_{n_d}\end{array}\right],$

其中，为当天最近采集的n_d个时间占空比数据，为最近采集的时间占空比数据，前d行为训练输入矩阵 $\mathrm{Xs}=\left[\begin{array}{cccc}{x}_S^1& x_S^2& ...& x_S^{n_m}\end{array}\right]$ ，即Xs包含n_m个列向量，最后一行为训练输出Ys，即 $Y_S=\left[\begin{array}{cccc}{s}_{d+l}& s_{d+l+1}& ...& s_{n_d}\end{array}\right]$ ；

预测输入向量X由当天最近的d个时间占空比数据组成，即： $X={\left[\begin{array}{ccccc}{s}_{n_d-d+1}& s_{n_d-d+2}& ...& s_{n_d-1}& s_{n_d}\end{array}\right]}^T;$

（6.3）建立非当天训练样本S及预测输入向量X：

取最近n_t＝n_m+d天的预测时刻t的历史时间占空比数据，构造非当天训练样本S，其中步骤6.1给出了n_m和d的定义，

$S=\left[\begin{array}{cccc}{s}_1^t& s_2^t& ...& s_{n_t-d}^t\\ s_2^t& s_3^t& ...& s_{n_t-d+1}^t\\ ...& ...& ...& ...\\ s_d^t& s_{d+1}^t& ...& s_{n_t+1}^t\\ s_{d+1}^t& s_{d+2}^t& ...& s_{n_t}^t\end{array}\right],$

其中，分别为最近n_t天的预测时刻t的历史时间占空比数据，为前一天预测时刻的数据，前d行为训练输入矩阵 $\mathrm{Xs}=\left[\begin{array}{cccc}{x}_S^1& x_S^2& ...& x_S^{n_m}\end{array}\right],$ Xs包含n_m个列向量，而最后一行为训练输出Ys，即

预测输入向量X由最近d天的预测时刻t的时间占空比数据组成，即： $X={\left[\begin{array}{ccccc}{s}_{n_t-d+1}^t& s_{n_t-d+2}^t& ...& s_{n_t-1}^t& s_{n_t}^t\end{array}\right]}^T;$

（6.4）确定Sugeno模糊预测模型的规则集和后件参数B，建立Sugeno模糊预测模型：

运用模糊C-均值聚类分析法，根据预先设定的类数目r，此处的类数目r和第4步中的类数目c可以不同，因为此处聚类分析的目的是为了确定输入与输出的关联关系，对训练输入矩阵Xs进行聚类，得到每个聚类的高斯隶属函数的均值向量v_k=[v_k1 v_k2 … v_kd]^T，隶属度，及相应的模糊集A_k，其中k∈[1,2,…,r]，i∈[1,2,…,n_m]，标准差向量则为 其中，n_m表示训练样本的个数，v_k表示第k个聚类的高斯隶属函数的均值向量，表示训练输入样本Xs的第i个向量，表示属于第k个聚类的隶属度。

根据聚类结果，构造出规则集，该规则集包括r条规则[R₁，…,R_r]，即每个聚类对应一条规则，其中R_k表示第k条规则，具体为：若是A_k1并且是A_k2…并且是A_kj…并且是A_kd，则 $y_k^i=b_{k0}+b_{k1}{x}_1^i+...+b_{\mathrm{kj}}{x}_j^i+...+b_{\mathrm{kd}}{x}_d^i,$ 其中表示训练输入向量的第j维分量（其中i∈[1,2,…,n_m]，j∈[1,2,…,d]），A_kj表示第k个模糊集A_k在输入训练样本Xs构成的空间中第j维坐标上的投影，k∈[1,2,…,r]，表示对应于第k条规则当训练输入向量为时的输出值，b_kj是对应于第k条规则的后件参数b_k中第j个分量，b_k=[b_k0 b_k1 b_k2… b_kj … b_kd]^T，并且b_k∈B，其中k∈[1,2,…,r]。

后件参数b_kj（其中k∈[1,2,…,r]，j∈[1,2,…,d]）的辨识如下：首先对所有规则计算（其中表示属于A_kj的隶属度）和再构造 $P={\left[\begin{array}{cccccccccc}{b}_{10}& ...& b_{r0}& b_{11}& ...& b_{r1}& ...& b_{1d}& ...& b_{\mathrm{rd}}\end{array}\right]}^T$ 和 $Q=\left[\begin{array}{cccccccccc}{\mathrm{\β}}_1^1& ...& {\mathrm{\β}}_r^1& {\mathrm{\β}}_1^1{x}_1^1& ...& {\mathrm{\β}}_r^1{x}_1^1& ...& {\mathrm{\β}}_1^1{x}_d^1& ...& {\mathrm{\β}}_r^1{x}_d^1\\ {\mathrm{\β}}_1^2& ...& {\mathrm{\β}}_r^2& {\mathrm{\β}}_1^2{x}_1^2& ...& {\mathrm{\β}}_r^2{x}_1^2& ...& {\mathrm{\β}}_1^2{x}_d^2& ...& {\mathrm{\β}}_r^2{x}_d^2\\ ...& ...& ...& ...& ...& ...& ...& ...& ...& ...\\ {\mathrm{\β}}_1^{n_m}& ...& {\mathrm{\β}}_r^{n_m}& {\mathrm{\β}}_1^{n_m}{x}_1^{n_m}& ...& {\mathrm{\β}}_r^{n_m}{x}_1^{n_m}& ...& {\mathrm{\β}}_1^{n_m}{x}_d^{n_m}& ...& {\mathrm{\β}}_r^{n_m}{x}_d^{n_m}\end{array}\right],$ 最后计算，则可得到后件参数b_kj，其中k∈[1,2,…,r]，j∈[1,2,…,d]；至此完成对模糊预测模型的建立。

（6.5）利用建立的Sugeno模糊预测模型，计算表征预测的通行状态精确值y，具体如下：

首先将d维的预测输入向量X模糊化，计算X的第j个分量x_j隶属于第k类的隶属度其中，j∈[1,2,…,d]，k∈[1,2,…,r]，r是步骤6.4中的类数目，v_kj是步骤6.4中对应于第k类的均值向量v_k的第j个分量，u_kj是步骤6.4中对应于第k类的标准差向量u_k的第j个分量；

其次计算推理前件匹配度

再计算对应于各规则的输出y_k＝b_k0+b_k1x₁+...+b_kjx_j+...+b_kdx_d，k∈[1,2,…,r]，

最后按加权平均求得表征预测的通行状态精确值

7）通行状态预测结果精确值y的模糊化：

计算上步得到的预测结果y属于由步骤4得到聚类结果的第i类的隶属度其中，i=[1,2,…,c]，z_i，σ_i分别是步骤5得到的第i个聚类的隶属函数的均值和标准差，再按最大隶属函数值原则计算该预测结果y对应的模糊状态η＝argmax{μ₁,μ₂,...,μ_c}，η用于表征预测的通行状态模糊值；

8）输出通行状态预测结果的精确值y和模糊值η。

有益效果

使用本方法可以对地铁换乘通道的通行状态进行有效预测，为预防突发事件、提供预警信息、缓解拥堵状态提供了可靠的依据。

附图说明

图1是本发明方法流程图

图2是主程序流程图

图3是平均行程时间异常值识别及剔除子程序流程图

图4是平均行程时间缺失数据弥补子程序流程图

图5是通行状态模糊划分及相关参数确定子程序流程图

图6是通行状态模糊预测子程序流程图

具体实施方式

本发明在具体实施中，通过设在换乘通道出入口的摄像头，采集乘客通行的图像信息，位于控制室的检测员观察传来的图像画面，在地铁t_k时刻到站后，随机选择多名乘客，分别记录不同乘客到达通道出入口的时间，并计算各乘客的行程时间，然后取这些乘客（在本实施例中取6名乘客）行程时间的平均值作为通过换乘通道的平均行程时间T_k，并将地铁到站时刻及平均行程时间（t_k,T_k），输入至计算机中。在计算中将按照图2所示的主程序流程进行预测，首先导入数据并初始化参数，其次计算平均行程时间数据的长度，接着调用平均行程时间异常值识别及剔除子程序实现对异常值的判断及剔除处理，再调用平均行程时间缺失数据弥补子程序完成缺失数据的弥补，再根据上述结果计算时间占空比，接下来通过调用通行状态模糊划分及相关参数确定子程序实现对记录数据的模糊化，完后再调用通行状态模糊预测子程序实现预测，并将预测结果的精确值进行模糊化处理，最后输出预测结果的精确值和模糊值。

参见图2，在完成数据检测后，在计算机中完成以下程序：

1）：将采集的地铁到站时刻及平均行程时间，导入计算机，并初始化参数，在本实施例中设定，近邻数据个数p=10，加权参数q=1，比例系数λ=2，模糊状态数c=3，加权指数m=2，停止阈值g=0.00001，当天最小样本量n_m=50，预测步长l=1，输入向量维数d=3，规则数（即聚类数目）r=3。

2）对采集的平均行程时间数据，计算数据的长度n_c（即个数）。

3）识别平均行程时间数据中的异常值并将异常值剔除，具体方法参见图3所示的平均行程时间异常值识别及剔除子程序：

（1）设循环次数k=0；

（2）令当前循环次数为k=k+1；

（3）对于第k个数据T_k，按照地铁到站时刻的远近关系，找出数据T_k的p个近邻数据{（t₁，T₁）,（t₂，T₂）,…,（t_p，T_p）}；

（4）首先计算各近邻数据的权重再计算这些近邻数据的加权平均值 ${\stackrel{\‾}{T}}_k=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\α}}_i{T}_i;$

（5）计算数据T_k的p个近邻数据的均方差

（6）判断是否成立，若成立则认为该数据为异常值，并将其剔除，否则保留该数据；

（7）如果对所有记录的平均行程时间数据都完成上述异常值识别及剔除处理，则输出处理后的数据并返回主程序，否则对下一个数据进行处理。

4）弥补记录的平均行程时间数据中的缺失数据，具体方法参见图4所示的平均行程时间缺失数据弥补子程序：

（1）设循环次数k=0；

（2）对照地铁到站时刻表，查找出平均行程时间数据中缺失的数据，并计算缺失数据长度N；

（3）令当前循环次数为k=k+1；

（4）对于t_k时刻的数据缺失，按照地铁到站时刻的远近关系，找出该数据的p个近邻数据{（t₁，T₁）,（t₂，T₂）,…,（t_p，T_p）}；

（5）首先计算各近邻数据的权重再计算这些近邻数据的加权平均值 $T_{k1}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\α}}_i{T}_i;$

（6）先将T₁,T₂，…,T_p按从小到大排列为T'₁,T'₂，…,T'_p，再计算中位数T_k2，分两种情况：（1）p为奇数时，（2）p为偶数时，因本实施例中参数p设定为10，所以按偶数情况计算中位数。

（7）计算加权平均值T_k1与中位数T_k2的均值，并将此结果作为弥补数据；

（8）如果对所有缺失数据都完成上述弥补处理，则输出处理后的数据并返回主程序，否则对下一个缺失数据进行处理。

5）先根据相邻两班地铁到站的时刻计算出地铁到站间隔T_kd=t_k+1-t_k，再根据上述步骤处理后的平均行程时间数据，计算出相应的时间占空比；

6）对时间占空比表征的通行状态进行模糊划分并确定高斯隶属函数的参数，具体方法参见图5所示的通行状态模糊划分及相关参数确定子程序：

（1）设循环次数h=0，在时间占空比数据中随机地选定c个类中心，并计算时间占空比数据长度n。在本实施例中，由于类数目c设定为3（即分为畅通、缓慢、和拥堵3个模糊状态），因此随机地选定3个时间占空比数据作为初始类中心{z₁,z₂,z₃}；

（2）令当前循环次数为h=h+1，数据指示i=0；

（3）令当前数据指示i=i+1，类指示k=0；

（4）令当前类指示k=k+1；

（5）先计算第i个数据到各类中心z_j的（在本实施例中j∈[1,2,3]）欧式距离，再计算第i个数据属于第k类的隶属度其中在本实施例中加权指数m为2；

（6）如果计算完第i个数据的所有隶属度，则进入下一步，否则计算该数据属于下一个类的隶属度；

（7）如果计算完所有数据的所有隶属度，则进入下一步，否则计算下一个数据的隶属度；

（8）令类指示k=0；

（9）令当前类指示k=k+1；

（10）更新第k个类中心其中在本实施例中加权指数m为2；

（11）如果更新完所有类的中心，则进入下一步，否则更新下一个类中心；

（12）计算目标函数其中在本实施例中类数目c为3，加权指数m为2；

（13）若当前第h次循环的目标函数J^（h）相对于上次第h-1次循环的J^（h-1）的变化值小于设定阈值g，即|J^（h）-J^（h-1）|＜g，则进入下一步，否则返回步骤6.2继续进行；

（14）令类指示k=0；

（15）令当前类指示k=k+1；

（16）对于第k个聚类的高斯隶属函数，计算

（17）如果计算完所有隶属函数的参数σ，则对应输出{z_k}，{σ_k}，及{μ_ik}，并返回主程序，否则计算下一个参数。

7）对通行状态进行模糊预测，具体方法参见图6所示的通行状态模糊预测子程序：

（7.1）计算由当天记录数据所构成的训练样本量n_s＝n_c-l-d+1，其中n_c为当天采集的数据量，预测步长l及输入向量维数d在本实施例中分别为1和3；

（7.2）判断当天样本量n_s是否小于设定值n_m，即：n_s＜n_m，若不小于转到第7.3步，否则转到第7.4步；

（7.3）建立当天训练样本S以及预测输入向量X，从当天时间占空比数据中取最近采集的n_d＝n_m+d+l-1个时间占空比数据，建立当天训练样本

$S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{n_d-l-d+1}\\ s_2& s_3& ...& s_{n_d-l-d+2}\\ ...& ...& ...& ...\\ s_d& s_{d+1}& ...& S_{n_d-l}\\ s_{d+l}& s_{d+l+1}& ...& s_{n_d}\end{array}\right],$

其中，为当天最近采集的n_d个时间占空比数据，为最近采集的时间占空比数据，前d行为训练输入矩阵Xs，Xs包含n_m个列向量，最后一行为训练输出Ys；

预测输入向量X由当天最近的d个时间占空比数据组成，即： $X={\left[\begin{array}{ccccc}{s}_{n_d-d+1}& s_{n_d-d+2}& ...& s_{n_d-1}& s_{n_d}\end{array}\right]}^T;$

（7.4）建立非当天训练样本S及预测输入向量X,将当天以前预测时刻t的n_t＝n_m+d个历史数据转化为训练样本：

$S=\left[\begin{array}{cccc}{s}_1^t& s_2^t& ...& s_{n_t-d}^t\\ s_2^t& s_3^t& ...& s_{n_t-d+1}^t\\ ...& ...& ...& ...\\ s_d^t& s_{d+1}^t& ...& s_{n_t-1}^t\\ s_{d+1}^t& s_{d+2}^t& ...& s_{n_t}^t\end{array}\right],$

其中，分别为最近n_t天的预测时刻t的历史时间占空比数据，为前一天预测时刻的数据，前d行为训练输入矩阵Xs，Xs包含n_m个列向量，而最后一行为训练输出Ys；

预测输入向量X由最近d天的预测时刻t的时间占空比数据组成，即： $X={\left[\begin{array}{ccccc}{s}_{n_t-d+1}^t& s_{n_t-d+2}^t& ...& s_{n_t-1}^t& s_{n_t}^t\end{array}\right]}^T;$

（7.5）根据预先设定的类数目r,在本实施例中r为3，调用通行状态模糊划分及相关参数确定子程序，对训练输入矩阵Xs进行聚类，得到每个聚类的高斯隶属函数的均值向量，标准差向量，隶属度，及相应的模糊集，其中v_k表示第k个聚类的高斯隶属函数的均值向量，u_k表示第k个聚类的高斯隶属函数的标准差向量，表示第i个训练输入向量属于第k个聚类的隶属度，A_k表示第k个模糊集，k∈[1,2,…,r]，i∈[1,2,…,n_m]。

（7.6）根据上步结果，构造出r条规则{R_i}，i∈[1,2,…,r]；

（7.7）结合步骤7.5所得的隶属度结果，首先对所有规则计算和再构造P＝[b₁₀ ... b_r0 b₁₁ ... b_r1 ... b_1d ... b_rd]^T和 $Q=\left[\begin{array}{cccccccccc}{\mathrm{\β}}_1^1& ...& {\mathrm{\β}}_r^1& {\mathrm{\β}}_1^1{x}_1^1& ...& {\mathrm{\β}}_r^1{x}_1^1& ...& {\mathrm{\β}}_1^1{x}_d^1& ...& {\mathrm{\β}}_r^1{x}_d^1\\ {\mathrm{\β}}_1^2& ...& {\mathrm{\β}}_r^2& {\mathrm{\β}}_1^2{x}_1^2& ...& {\mathrm{\β}}_r^2{x}_1^2& ...& {\mathrm{\β}}_1^2{x}_d^2& ...& {\mathrm{\β}}_r^2{x}_d^2\\ ...& ...& ...& ...& ...& ...& ...& ...& ...& ...\\ {\mathrm{\β}}_1^{n_m}& ...& {\mathrm{\β}}_r^{n_m}& {\mathrm{\β}}_1^{n_m}{x}_1^{n_m}& ...& {\mathrm{\β}}_r^{n_m}{x}_1^{n_m}& ...& {\mathrm{\β}}_1^{n_m}{x}_d^{n_m}& ...& {\mathrm{\β}}_r^{n_m}{x}_d^{n_m}\end{array}\right],$ 最后计算，则可估算出后件参数b_kj，其中k∈[1,2,…,r]，j∈[1,2,…,d]；

（7.8）计算预测输入向量X的分量x_j属于第k类的隶属度v_kj是对应于第k类的均值向量v_k的第j个分量，u_kj是对应于第k类的标准差向量u_k的第j个分量,完成对输入向量的模糊化；

（9）计算各推理前件对应的匹配度完成所有推理前件匹配度的计算；

（10）计算对应于各规则的输出y_k＝b_k0+b_k1x₁+...+b_kjx_j+...+b_kdx_d；

（11）计算各输出的加权平均值即预测结果的精确值；

（12）反模糊化。首先，结合第五步确定的隶属函数参数{（z_i，σ_i）}（i∈[1,2,…,c]），计算上步得到的预测结果精确值y属于预设模糊集A_i，即畅通、缓慢、和拥堵3个模糊状态的隶属度再按最大隶属函数值原则计算该预测结果y对应的模糊状态η＝argmax{μ₁,μ₂,μ₃}；

（13）输出预测结果的精确值和模糊值，并返回主程序。

Claims (4)

1.一种地铁换乘通道通行状态的模糊预测方法，由布设在地铁换乘通道出入口的摄像头构成采集环境，根据摄像头记录的乘客通过出入口的时刻，计算出乘客通过换乘通道的平均行程时间，将地铁到站时刻以及对应每个地铁到站时刻的平均行程时间输入到计算机中，其特征在于还依次包括下述步骤：

1)平均行程时间记录数据的异常值识别及剔除：

当天在预测时刻之前共记录了n_c组地铁到站时刻，以及对应的平均行程时间数据，漏检数据除外，对于地铁在t_k时刻到站时记录的平均行程时间数据T_k，k为小于等于n_c的正整数，找出与t_k时刻近邻的p个地铁到站时刻及对应的平均行程时间，记为{(t₁，T₁),(t₂，T₂),…,(t_p，T_p)}，p为事先设定的小于等于n_c的正整数，计算p个近邻数据的加权平均值其中q为大于0小于10的正整数，

再计算这些近邻数据与加权平均值的均方差

若其中λ是预先设定的值，取值范围为1到10的正整数，则数据T_k为异常值，并进行剔除；

2)平均行程时间缺失数据的弥补：

查找当天在预测时刻之前的所有n_c次地铁到站时刻，若t_k时刻缺失平均行程时间数据T_k，k为小于等于n_c的正整数，则计算弥补平均行程时间数据 计算方法为，在采集数据中找到与t_k时刻近邻的p个地铁到站时刻及对应的平均行程时间，p为小于等于n_c的正整数，记为{(t₁，T₁),(t₂，T₂),…,(t_p，T_p)}，弥补平均行程时间数据等于这些近邻数据的加权平均值T_k1和中位数T_k2的平均值；

其中，T_k1的计算公式如下：

其中q为大于0小于10的整数，

其中，T_k2的计算方法如下：

将T₁,T₂，…,T_p按从小到大排列为T'₁,T'₂，…,T'_p，当p为奇数时，当p为偶数时，

3)计算当天每个地铁到站时刻对应的时间占空比，计算公式如下：

$s_k=\frac{T_k}{T_{kd}}\×100\%$

其中，s_k表示t_k时刻的时间占空比，T_kd表示相邻两班地铁到站间隔；

4)应用模糊C-均值聚类分析法，根据预设的c个通行状态，对当天及以前所有记录的时间占空比数据进行通行状态的模糊划分，得到模糊集，并输出聚类中心z_h，以及第i个时间占空比数据属于第h个聚类的隶属度其中h＝1，2，…，c；

5)计算每个聚类对应的高斯隶属函数的参数：

高斯隶属函数包含两个参数，即均值和标准差：对于模糊C-均值聚类分析法确定的第h个聚类，其对应的高斯隶属函数均值即为该聚类中心z_h，其对应的高斯隶属函数标准差为其中，n表示当天及以前记录的所有时间占空比数据个数，z_h表示第h个聚类中心，s_i表示第i个时间占空比数据，表示第i个时间占空比数据属于第h个聚类的隶属度；

6)选用一阶Sugeno模糊推理系统作为预测模型的基本框架，通过对训练样本的学习，建立模糊预测模型，并进行预测，具体步骤如下：

(6.1)判断训练样本量n_s是否小于设定值n_m，n_m的取值范围为30到80的正整数，若n_s小于设定值n_m，则转到步骤6.3，否则转到步骤6.2，训练样本量n_s计算公式如下，

n_s＝n_c-l-d+1

其中，l表示预测步长，取值范围为1到10的正整数，d表示预先设定的输入向量的维数，取值范围为1到5的正整数，n_c表示当天的时间占空比数据总数；

(6.2)建立当天训练样本S以及预测输入向量X，

从当天时间占空比数据中，取最近采集的n_d＝n_m+d+l-1个时间占空比数据，构造当天训练样本S，其中步骤6.1给出了n_m，d和l的定义，

$S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{n_d-l-d+1}\\ s_2& s_3& ...& s_{n_d-l-d+2}\\ ...& ...& ...& ...\\ s_d& s_{d+1}& ...& s_{n_d-l}\\ s_{d+l}& s_{d+l+1}& ...& s_{n_d}\end{array}\right],$

其中， 为当天最近采集的n_d个时间占空比数据，为最近采集的时间占空比数据，前d行为训练输入矩阵Xs，

$Xs=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{n_d-l-d+1}\\ s_2& s_3& ...& s_{n_d-l-d+2}\\ ...& ...& ...& ...\\ s_d& s_{d+1}& ...& s_{n_d-l}\end{array}\right],$

最后一行为训练输出Ys，即

预测输入向量X由当天最近的d个时间占空比数据组成，即：

(6.3)建立非当天训练样本S及预测输入向量X：

取最近n_t＝n_m+d天的预测时刻t的历史时间占空比数据，构造非当天训练样本S，其中步骤6.1给出了n_m和d的定义，

$S=\left[\begin{array}{cccc}{s}_1^t& s_2^t& ...& s_{n_t-d}^t\\ s_2^t& s_3^t& ...& s_{n_t-d+1}^t\\ ...& ...& ...& ...\\ s_d^t& s_{d+1}^t& ...& s_{n_t+1}^t\\ s_{d+1}^t& s_{d+2}^t& ...& s_{n_t}^t\end{array}\right],$

其中， 分别为最近n_t天的预测时刻t的历史时间占空比数据，前d行为训练输入矩阵Xs，

而最后一行为训练输出Ys，即

预测输入向量X由最近d天的预测时刻t的时间占空比数据组成，即：

(6.4)确定Sugeno模糊预测模型的规则集和参数，建立Sugeno模糊预测模型：

运用模糊C-均值聚类分析法，根据预先设定的聚类数目r，对训练输入矩阵Xs进行聚类，得到每个聚类的高斯隶属函数的均值向量、标准差向量、隶属度、以及相应的模糊集，其中第g个聚类的均值向量为v_g＝[v_g1 v_g2 … v_gd]^T、第g个聚类的标准差向量为u_g＝[u_g1 u_g2… u_gd]^T、第e个训练输入向量即训练输入矩阵Xs中第e个列向量，属于第g个聚类的隶属度为第g个模糊集为A_g，其中g∈[1,2,…,r]，e∈[1,2,…,n_m]，v_g1、v_g2、和v_gd分别为第g个聚类的高斯隶属函数均值向量的第1、2、d个分量，u_g1、u_g2、和u_gd分别为第g个聚类的高斯隶属函数标准差向量的第1、2、d个分量，根据聚类结果，构造出规则集，该规则集包括r条规则[R₁，…,R_r]，即每个聚类对应一条规则，其中R_g表示第g条规则；

(6.5)利用建立的Sugeno模糊预测模型，计算表征预测的通行状态精确值y，具体如下：

首先将d维的预测输入向量X模糊化，计算X的第j个分量x_j隶属于第g类的隶属度其中，j∈[1,2,…,d]，g∈[1,2,…,r]，r是步骤6.4中的类数目，v_gj是步骤6.4中对应于第g类的均值向量v_g的第j个分量，u_gj是步骤6.4中对应于第g类的标准差向量u_g的第j个分量；

其次计算推理前件匹配度

再计算对应于各规则的输出y_g＝b_g0+b_g1x₁+...+b_gjx_j+...+b_gdx_d，g∈[1,2,…,r]，b_gj为第g个聚类对应的规则的后件参数b_g中第j个分量；

最后按加权平均求得表征预测的通行状态精确值

7)通行状态预测结果精确值y的模糊化：

计算上步得到的精确值y属于由步骤4得到聚类结果的第h类的隶属度其中，h∈[1,2,…,c]，z_h，σ_h分别是步骤5得到的第h个聚类的隶属函数的均值和标准差，再按最大隶属函数值原则计算该精确值y对应的模糊状态η＝argmax{μ₁,μ₂,...,μ_c}，η用于表征预测的通行状态模糊值；

8)输出通行状态预测结果的精确值y和模糊值η。

2.根据权利要求1所述的一种地铁换乘通道通行状态的模糊预测方法，其特征在于：步骤4)所述的应用模糊C-均值聚类分析法，按照预先给定的c个通行状态，对待分类数据进行模糊聚类，包括以下步骤：

(2.1)按照预先给定的集合数目c，从待分类数据中随机地选定c个数据作为聚类中心，所述的预先给定的集合代表预设的通行状态；

(2.2)计算待分类数据属于预先给定的集合中每一类的隶属度，计算公式如下：

${\mathrm{\μ}}_h^i=\frac{1}{\underset{f=1}{\overset{c}{\Σ}}{\left(\frac{D_h^i}{D_f^i}\right)}^{\frac{2}{m-1}}},$

其中，表示第i个时间占空比数据属于第h个聚类的隶属度，h∈[1,2,…,c]；m表示加权指数，为大于1小于10的整数，和分别表示第i个时间占空比数据到第h个和第f个聚类中心的欧式距离,其中f＝1、2、…、c；

(2.3)更新所有聚类中心，计算公式如下：

$z_h=\frac{\underset{i=1}{\overset{n}{\Σ}}{\left({\mathrm{\μ}}_h^i\right)}^m{s}_i}{\underset{i=1}{\overset{n}{\Σ}}{\left({\mathrm{\μ}}_h^i\right)}^m}$

其中，z_h表示第h个聚类中心，h∈[1,2,…,c]；n表示待分类数据个数，表示第i个时间占空比数据属于第h个聚类的隶属度，s_i表示第i个时间占空比数据，m表示加权指数，为大于1小于10的整数；

(2.4)计算目标函数

(2.5)若当前目标函数相对于上次目标函数的变化值小于设定阈值，阈值范围为0.000001到0.00001，停止计算并输出各个聚类中心及所有数据的隶属度；否则返回步骤2.2继续进行。

3.根据权利要求1所述的一种地铁换乘通道通行状态的模糊预测方法，其特征在于：步骤6.4所述的规则具体为：若是A_g1并且是A_g2…并且是A_gj…并且是A_gd，则其中表示训练输入矩阵Xs的第e个列向量的第j个分量，其中e∈[1,2,…,n_m]，j∈[1,2,…,d]，A_gj表示第g个聚类对应的模糊集A_g在输入训练样本Xs构成的空间中第j维坐标上的投影，g∈[1,2,…,r]，表示当训练输入向量为训练输入矩阵Xs中第e个列向量时第g个聚类对应的规则的输出值，b_gj是第g个聚类对应的规则的后件参数b_g中第j个分量，b_g＝[b_g0 b_g1 b_g2 … b_gj … b_gd]^T，并且b_g∈B，其中g∈[1,2,…,r]，B为后件参数。

4.根据权利要求3所述的一种地铁换乘通道通行状态的模糊预测方法，其特征在于：步骤6.4中后件参数b_g中第j个分量b_gj的辨识如下：首先对所有聚类对应的规则计算和其中表示训练输入矩阵Xs中第e个列向量的第j个元素属于A_g的隶属度，再构造P＝[b₁₀ ... b_r0 b₁₁ ... b_r1 ... b_1d ... b_rd]^T和计算则得到后件参数b_gj，其中g∈[1,2,…,r]，j∈[1,2,…,d]。