CN105512447A - 一种基于Holt-Winters模型的公交客量预测方法 - Google Patents

Abstract

本发明利用车辆GPS数据及公交IC卡数据，建立Holt-Winters模型对客流进行预测。通过简单聚类获得乘客IC卡上车站点信息和某公交线路各个站点上客量时间序列数据，克服传统聚类识别站点方法中不具可伸缩性、限制聚类个数等不足。ARMA模型和Holt-Winters模型都属于短期预测模型，Holt-Winters模型较ARMA模型具有一定的优势，在于Holt-Winters模型所给出平滑参数可以采用系统自定的方法，通过多次比较给出最优的参数值，运行方便。

Description

一种基于Holt-Winters模型的公交客量预测方法

所属技术领域

本发明涉及基于Holt-Winters模型的公交站点客流量短时预测方法，属于智慧城市、智能交通领域。

背景技术

随着经济的快速发展，城市化进程越来越高，城市的面积逐渐变大，城市人口逐渐变多，城市的车辆也不断的增多。在城市快速发展的同时，交通压力变大等问题也随之而来。随着智能交通概念的提出，智能交通技术越来越得到各地学者的关注，其中客流的分析与监测是智能交通技术的重要组成部分。

客流量是影响公交运行效率的重要因素。对公交客流实时监控分析和预测可以很好的协助公交调度、城市公交线路调整、线网优化、站点布局优化、换乘推荐、路线推荐、时段推荐等，可以有效的缓解交通压力，有助于改善公共交通，对城市交通发展起到极大地促进作用，并将切实惠及人民生活。

现有公交客流预测方法包括：神经网络、时间序列分析、支持向量机等方法，但主要集中于中长期预测。短时公交客流预测方法包括：卡尔曼滤波，小波变换，神经网络，自回归滑动平均法等。但卡尔曼滤波不适用于非线性分布的复杂情况；神经网络与小波变换，序列特性受观测尺度的变化影响较大，并且观测尺度的变化还会影响算法参数选取；自回归滑动平均法虽算法简单，但用于预测具有复杂变化的客流量误差较大。

发明内容

本发明的目的在于，现有公交客流预测方法多集中于长期预测，时效性不强，不能具备一定的实时参考性，本发明通过聚类获得乘客IC卡上车站点信息和某公交线路各个站点上客量时间序列数据后，采用Holt-Winters模型预测未来时段上车客流量。

本发明具体包括如下步骤：

(A)采集公交车GPS数据、公交站点位置信息和公交IC卡刷卡数据。

(B)根据步骤(A)中得到的公交GPS数据和IC卡数据，根据步骤(A)中得到的公交GPS数据、公交站点位置数据和公交IC卡刷卡记录数据，获取车辆停靠时间和停靠站点信息，识别IC卡刷卡数据上车站点信息。

(C)统计同一线路不同车辆不同时间停靠同一站点的上车客流量，统计某路线不同时间间隔各站点上客量。

(D)站点客流预测。根据站点历史上车客流量变化规律与实时上车客流量变化情况，建立Holt-Winters模型，预测未来时段上车客流量。

所述步骤(A)中，公交GPS数据包括：公交车辆车牌编号，公交线路编号，数据采集时间，车辆位置(经度、纬度)和车辆容客量；公交站点位置数据包括站点名称，线路名称，站点位置(经度、纬度)；IC卡刷卡数据包括：卡号，卡类型，刷卡时间，乘车车牌编号。

所述步骤(B)中，对数据初步清理。GPS数据与IC卡刷卡数据中存在大量缺失和不符合实际情况的记录，通过公交车牌号和时间按日期进行匹配相应的IC卡刷卡数据和GPS数据，清除错误数据。

所述步骤(C)中包括如下步骤：

(C1)统计同一线路不同车辆不同时间停靠同一站点的上车客流量。按(B)中得到含有站点信息的各车辆IC卡刷卡数据，统计同一路线所有车辆，设路线集L(i)＝{L(1),L(2),...,L(n)}，{L_i(j)}表示第i条路线的第j个车辆，与车辆停靠时间T_ij(k)＝{t_ij(1),...,t_ij(m)}比较，统计某时刻在停靠站点{S}的上车客流量，得到某一车辆各个站点基于时间序列的上车客流量{P}。

(C2)统计不同时间间隔同一公交线路站点上客量时间序列数据。从(C1)中得到的集合{P}中查找同一线路所有车辆不同时间某站点客流量，假设时间间隔为10min，该路线某站点对一天内时间进行排序，统计该站点中每隔10min上客量。

所述步骤(D)中包括如下步骤：

(D1)建立模型预测方程

$\hat{y}=(T_t+{\mathrm{mb}}_t)S_{t+m-\mathrm{nL}}(\mathrm{\τ}=\mathrm{1,2},...)$

式中n为整数，且(n-1)L+1≤t≤nL，以保证S_t+m-nL是落在观测值最后一个周期的与第t+m期同季节的季节指数。

式中：T_t为t时刻的周期项，是除去了季节变化影响的时间序列指数平滑平均数；b_t为t时刻的趋势项，是时间序列变化趋势的指数平滑平均数；S_t为为t时刻的季节项，是季节因子的指数平滑平均项；L为季节长度或时间周期。

(D2)确定α,β,γ的值。理论上讲是使预测值与观测值之间的均方误差最小。并且使得历史数据满足：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(d_i-{\stackrel{\‾}{d}}_i)}^2=\underset{\mathrm{\α},\mathrm{\β},\mathrm{\γ}}{\min }\left|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(d_i-{\stackrel{\‾}{d}}_i)}^2\right|$

其中，α,β,γ分别为平滑系数，在(0,1)之间取值，d_t为t时刻实际值。

(D3)确定初始值

取季节长度L＝4，利用前两个周期的数据取初始值，

$A_1=\frac{1}{L}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{y}_1,A_2=\frac{1}{L}\underset{i=L+1}{\overset{2L}{\mathrm{\Σ}}}{y}_i$

代入数据计算A₁,A₂的值，各初始值按下面公式计算：

$b_L=\frac{A_2-A_1}{L}$

$T_L=A_1+\frac{L-1}{2}{b}_L$

$S_i=\frac{y_i}{T_L-(L-1)b_L}$

式中，α,β,γ为平滑系数，取值在(0,1)区间。

(D4)根据如下公式计算T_t,b_t,S_t：

$T_t=\mathrm{\α}\frac{y_t}{S_{t-L}}+(1-\mathrm{\α})(T_{t-1}+b_{t-1})$

b_t＝β(T_t-T_t-1)+(1-β)b_t-1

$S_t=\mathrm{\γ}\frac{y_t}{T_t}+(1+\mathrm{\γ})S_{t-l}$

式中：T_t为t时刻的周期项，是除去了季节变化影响的时间序列指数平滑平均数；b_t为t时刻的趋势项，是时间序列变化趋势的指数平滑平均数；S_t为为t时刻的季节项，是季节因子的指数平滑平均项；L为季节长度或时间周期；α,β,γ分别为平滑系数，在(0,1)之间取值。

从第二个周期开始计算计算。每计算一个周期的季节指数后，都要进行季节指数正态化。

(D5)季节指数进行正态化，建立预测模型：

$\hat{y}=(T_t+{\mathrm{mb}}_t)S_{t+m-\mathrm{nL}}(\mathrm{m\τ}=\mathrm{1,2},...)$

附图说明

下面结合附图和实施例对本发明进一步说明。

图1本发明的总体流程图

图2某路线站点客流量统计

图3站点客流量预测总体流程图

具体实施方式

为使本发明的上述目的、特征和有点能够更加明显易懂，下面结合附图和具体实施例，进一步对本发明提供的基于时间序列的公交站点上车客流量预测方法进行详细说明。

如图1所示为公交站点上车客流量预测总体流程图，包括如下步骤：获取各公交车行驶轨迹GPS数据，IC卡刷卡数据及公交路线站点GPS数据；结合刷卡数据与GPS数据获取公交站点上车客流量清理问题数据与补充缺失数据；统计IC卡数据，获取特定线路公交车不同站点上车客流量时间序列变化数据；根据历史站点上车客流量变化趋势与实时客流量变化数据预测下一时段公交站点上车客流量。下面结合实例进一步说明。

数据采集包括：公交车GPS数据、公交站点位置信息和公交IC卡刷卡数据。公交GPS数据包括：公交车辆车牌编号，公交线路编号，数据采集时间，车辆位置(经度、纬度)和车辆容客量；公交站点位置数据包括站点名称，线路名称，站点位置(经度、纬度)；IC卡刷卡数据包括：卡号，卡类型，刷卡时间，乘车车牌编号；

根据步骤(A)中得到的公交GPS数据、公交站点位置数据和公交IC卡刷卡记录数据，获取车辆停靠时间和停靠站点信息，识别IC卡刷卡数据上车站点信息。

对数据初步清理。GPS数据与IC卡刷卡数据中存在大量缺失和不符合实际情况的记录，通过公交车牌号和时间按日期进行匹配相应的IC卡刷卡数据和GPS数据，清除错误数据。

参照图2，统计某公交路线不同时间间隔站点上客量。

具体步骤为：

(C1)统计同一线路不同车辆不同时间停靠同一站点的上车客流量。按(B)中得到含有站点信息的各车辆IC卡刷卡数据，统计同一路线所有车辆，设路线集L(i)＝{L(1),L(2),...,L(n)}，{L_i(j)}表示第i条路线的第j个车辆，与车辆停靠时间T_ij(k)＝{t_ij(1),...,t_ij(m)}比较，统计某时刻在停靠站点{S}的上车客流量，得到某一车辆各个站点基于时间序列的上车客流量{P}。

(C2)统计不同时间间隔同一公交线路站点上客量时间序列数据。从(C1)中得到的集合{P}中查找同一线路所有车辆不同时间某站点客流量,假设时间间隔为10min，该路线某站点对一天内时间进行排序，统计该站点中每隔10min上客量。

参照图3,根据站点历史上车客流量变化规律与实时上车客流量变化情况预测该站点下一时段公交上车客流量。

(D1)建立模型预测方程

$\hat{y}=(T_t+{\mathrm{mb}}_t)S_{t+m-\mathrm{nL}}(\mathrm{\τ}=\mathrm{1,2},...)$

式中n为整数，且(n-1)L+1≤t≤nL，以保证S_t+m-nL是落在观测值最后一个周期的与第t+m期同季节的季节指数。

式中：T_t为t时刻的周期项，是除去了季节变化影响的时间序列指数平滑平均数；b_t为t时刻的趋势项，是时间序列变化趋势的指数平滑平均数；S_t为为t时刻的季节项，是季节因子的指数平滑平均项；L为季节长度或时间周期。

(D2)确定α,β,γ的值。理论上讲是使预测值与观测值之间的均方误差最小。并且使得历史数据满足：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(d_i-{\stackrel{\‾}{d}}_i)}^2=\underset{\mathrm{\α},\mathrm{\β},\mathrm{\γ}}{\min }\left|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(d_i-{\stackrel{\‾}{d}}_i)}^2\right|$

其中，α,β,γ分别为平滑系数，在(0,1)之间取值，d_t为t时刻实际值。

(D3)确定初始值

取季节长度L＝4，利用前两个周期的数据取初始值，

$A_1=\frac{1}{L}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{y}_1,A_2=\frac{1}{L}\underset{i=L+1}{\overset{2L}{\mathrm{\Σ}}}{y}_i$

代入数据计算A₁,A₂的值，各初始值按下面公式计算：

$b_L=\frac{A_2-A_1}{L}$

$T_L=A_1+\frac{L-1}{2}{b}_L$

$S_i=\frac{y_i}{T_L-(L-1)b_L}$

式中，α,β,γ为平滑系数，取值在(0,1)区间。

(D4)根据如下公式计算T_t,b_t,S_t：

$T_t=\mathrm{\α}\frac{y_t}{S_{t-L}}+(1-\mathrm{\α})(T_{t-1}+b_{t-1})$

b_t＝β(T_t-T_t-1)+(1-β)b_t-1

$S_t=\mathrm{\γ}\frac{y_t}{T_t}+(1+\mathrm{\γ})S_{t-l}$

式中：T_t为t时刻的周期项，是除去了季节变化影响的时间序列指数平滑平均数；b_t为t时刻的趋势项，是时间序列变化趋势的指数平滑平均数；S_t为为t时刻的季节项，是季节因子的指数平滑平均项；L为季节长度或时间周期；α,β,γ分别为平滑系数，在(0,1)之间取值。

从第二个周期开始计算计算。每计算一个周期的季节指数后，都要进行季节指数正态化。

(D5)季节指数进行正态化，建立预测模型：

$\hat{y}=(T_t+{\mathrm{mb}}_t)S_{t+m-\mathrm{nL}}(\mathrm{m\τ}=\mathrm{1,2},...)$

Claims (6)

1.基于时间序列的单线路公交站点客流量预测方法，其特征在于，包括如下步骤：

(A)采集公交车GPS数据、公交站点位置信息和公交IC卡刷卡数据。

(B)根据步骤(A)中得到的公交GPS数据和IC卡数据，根据步骤(A)中得到的公交GPS数据、公交站点位置数据和公交IC卡刷卡记录数据，获取车辆停靠时间和停靠站点信息，识别IC卡刷卡数据上车站点信息。

(C)统计同一线路不同车辆不同时间停靠同一站点的上车客流量，统计某路线不同时间间隔各站点上客量。

(D)站点客流预测。根据站点历史上车客流量变化规律与实时上车客流量变化情况，生成建立Holt-Winters模型，进一步对之后h时刻的客流作出预测。

2.根据权利要求1所述的基于时间序列的单线路公交站点短时客流量预测方法，其特征在于：所述步骤(A)中，公交GPS数据包括：公交车辆车牌编号，公交线路编号，数据采集时间，车辆位置(经度、纬度)和车辆容客量；公交站点位置数据包括站点名称，线路名称，站点位置(经度、纬度)；IC卡刷卡数据包括：卡号，卡类型，刷卡时间，乘车车牌编号。

3.根据权利要求1所述的基于时间序列的单线路公交站点短时客流量预测方法，其特征在于：所述步骤(B)中，首先，对数据初步清理。GPS数据与IC卡刷卡数据中存在大量缺失和不符合实际情况的记录，通过公交车牌号和时间按日期进行匹配相应的IC卡刷卡数据和GPS数据，清除错误数据。

4.根据权利要求1或3所述的基于时间序列的单线路公交站点短时客流量预测方法，其特征在于：所述步骤(C)中包括如下步骤：

(C1)统计同一线路不同车辆不同时间停靠同一站点的上车客流量。按

(B)中得到含有站点信息的各车辆IC卡刷卡数据，统计同一路线所有车辆，设路线集L(i)＝{L(1),L(2),...,L(n)}，{L_i(j)}表示第i条路线的第j个车辆，与车辆停靠时间T_ij(k)＝{t_ij(1),...,t_ij(m)}比较，统计某时刻在停靠站点{S}的上车客流量，得到某一车辆各个站点基于时间序列的上车客流量{P}。

(C2)统计不同时间间隔同一公交线路站点上客量时间序列数据。从(C1)中得到的集合{P}中查找同一线路所有车辆不同时间某站点客流量，假设时间间隔为10min，该路线某站点对一天内时间进行排序，统计该站点中每隔10min上客量。

5.根据权利要求3或4所述的基于时间序列的单线路公交站点短时客流量预测方法，其特征在于：所述步骤(D)中包括如下步骤：

结合历史数据和实时数据，建立Holt-Winters模型。

(D1)建立模型预测方程

$\hat{y}=(T_t+{\mathrm{mb}}_t)S_{t+m-\mathrm{nL}}(\mathrm{\τ}=\mathrm{1,2},...)$

式中n为整数，且(n-1)L+1≤t≤nL，以保证S_t+m-nL是落在观测值最后一个周期的与第t+m期同季节的季节指数。

式中：T_t为t时刻的周期项，是除去了季节变化影响的时间序列指数平滑平均数；b_t为t时刻的趋势项，是时间序列变化趋势的指数平滑平均数；S_t为为t时刻的季节项，是季节因子的指数平滑平均项；L为季节长度或时间周期。

(D2)确定α,β,γ的值。理论上讲是使预测值与观测值之间的均方误差最小。并且使得历史数据满足：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(d_i-{\stackrel{\‾}{d}}_i)}^2=\underset{\mathrm{\α},\mathrm{\β},\mathrm{\γ}}{\min }\left|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(d_i-{\stackrel{\‾}{d}}_i)}^2\right|$

其中，α,β,γ分别为平滑系数，在(0,1)之间取值，d_t为t时刻实际值。

(D3)确定初始值

取季节长度L＝4，利用前两个周期的数据取初始值，

$A_1=\frac{1}{L}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{y}_1,A_2=\frac{1}{L}\underset{i=L+1}{\overset{2L}{\mathrm{\Σ}}}{y}_i$

代入数据计算A₁,A₂的值，各初始值按下面公式计算：

$b_L=\frac{A_2-A_1}{L}$

$T_L=A_1+\frac{L-1}{2}{b}_L$

$S_i=\frac{y_i}{T_L-(L-1)b_L}$

式中，α,β,γ为平滑系数，取值在(0,1)区间。

(D4)根据如下公式计算T_t,b_t,S_t：

$T_t=\mathrm{\α}\frac{y_t}{S_{t-L}}+(1-\mathrm{\α})(T_{t-1}+b_{t-1})$

b_t＝β(T_t-T_t-1)+(1-β)b_t-1

$S_t=\mathrm{\γ}\frac{y_t}{T_t}+(1+\mathrm{\γ})S_{t-l}$

式中：T_t为t时刻的周期项，是除去了季节变化影响的时间序列指数平滑平均数；b_t为t时刻的趋势项，是时间序列变化趋势的指数平滑平均数；S_t为为t时刻的季节项，是季节因子的指数平滑平均项；L为季节长度或时间周期；α,β,γ分别为平滑系数，在(0,1)之间取值。

6.从第二个周期开始计算计算。每计算一个周期的季节指数后，都要进行季节指数正态化。

(D5)季节指数进行正态化，建立预测模型：

$\hat{y}=(T_t+{\mathrm{mb}}_t)S_{t+m-\mathrm{nL}}(\mathrm{m\τ}=\mathrm{1,2},...)$