CN107516140A

CN107516140A - 交通节点节假日客流预测方法

Info

Publication number: CN107516140A
Application number: CN201710512552.4A
Authority: CN
Inventors: 高技; 马荣叶; 张亮
Original assignee: ZTEsoft Technology Co Ltd
Current assignee: ZTEsoft Technology Co Ltd
Priority date: 2017-06-29
Filing date: 2017-06-29
Publication date: 2017-12-26

Abstract

本发明提供一种交通节点节假日客流预测方法，具体实现步骤包括：步骤1、交通节点时间序列的划分；步骤2、节假日客流波动系数计算；步骤3、节假日背景交通量预测；步骤4、根据节假日背景交通量预测预测计算节假日客流。通过本发明提供的方法，考虑节假日效应对交通节点客流量的影响，并通过不同交通节点相同节假日客流波动系数聚类分析以及LS_VSM回归模型构建，准确地对节假日交通节点的客流量精细分析和预测计算。

Description

交通节点节假日客流预测方法

技术领域

本发明涉及智能交通监控预警技术领域，具体而言涉及一种交通节点节假日客流预测方法。

背景技术

交通枢纽是城市中实现多种交通方式间换乘的交通网络关键节点，即关键交通节点，作为各种交通方式衔接和换乘的综合体，它为旅客的集散和换乘提供了便利。在城市交通的日常管理中，客流量预测是不可或缺的部分。了解节点的客流量的波动特征，准确地预测枢纽客流量，有利于指导管理部门协调运力，为管理预案的设计提供基础何支持。

发明内容

本发明目的在于提供一种交通节点节假日客流预测方法，包括：

步骤1、交通节点时间序列的划分；

步骤2、节假日客流波动系数计算；

步骤3、节假日背景交通量预测；

步骤4、根据节假日背景交通量预测预测计算节假日客流。

通过本发明提供的方法，考虑节假日效应对交通节点客流量的影响，并通过不同交通节点相同节假日客流波动系数聚类分析以及LS_VSM回归模型构建，准确地对节假日交通节点的客流量精细分析和预测计算。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是根据本发明实施例的交通节点节假日客流预测方法的示意图。

图2是城市重要交通节点TN_TRANS_NODE数据表。

图3是交通节点周边交通设施TN_TRANS_NODE_RES数据表。

图4是城市重要交通节点活动TN_TRANS_NODE_EVENT数据表。

图5是交通节点运行数据TD_TRANS_NODE_RUN_DATA数据表。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图1所示，本发明的交通节点节假日客流预测方法的具体实现步骤包括：

步骤1、交通节点时间序列的划分；

步骤2、节假日客流波动系数计算；

步骤3、节假日背景交通量预测；

步骤4、根据节假日背景交通量预测预测计算节假日客流。

下面结合具体的实例来详细描述各个步骤的实现。

步骤1时间段划分，即交通节点时间序列的划分

由于一天之中具有早高峰和晚高峰之分，在两个峰值之间还存在着平峰，对于模型训练来说，难道较大，可利用时间序列聚类算法，将一天24小时，分成几个时间段，对于每一个段内的数据进行训练，参数优化效果较好。

输入为：汇入时间序列/汇出时间序列

Q＝[(q1,t1)，(q2,t2)，(q3,t3)……,(q96,t96)]

qi：交通节点运行数据TD_TRANS_NODE_RUN_DATA中的汇入客流(或汇出客流)

ti：交通节点运行数据TD_TRANS_NODE_RUN_DATA中的分析时间

输出为：时间点t1*,t2*,……,t6*，取多日数据，求平均

则一天共分为7个时间段，每个时间段的起止时间点为：00:00:00～t1*，t1*～t2*，……，t6*～23:59:59。

存储位置：Oracle交通节点时间序列的分段节点TD_TRANS_NODE_PERIOD_TIME.

步骤2节假日客流波动系数计算

节假日客流波动系数：节假日期间，每个分析时刻汇入数/汇出数与全年平日同分析时刻汇入数/汇出数之比。

对于传统节假日：全天各种交通方式的流量都会受到影响，3天假期的影响范围为节前1节中3节后1，共5天。国庆假期的影响范围为节前2节中7节后1，共10天。春节假期的影响范围为节前10节中7节后13，共30天。

2.1单个节点每种节假日客流波动系数计算

以下对每个交通节点做客流波动系数计算：

Step1设置假期影响范围：

3天假期：{Q1，Z1，Z2，Z3，H1}

国庆假期：{Q1，Q2，Z1，Z2，……，Z7，H1}

春节假期：{Q10，……Q1，Z1，Z2，……，Z7，H1，……H13}

旅游旺季：{S1，……Sn}

而每一天的波动系数矩阵为a＝{a1,a2,a3,……,a96}；

Step2按照上一步的设置，将一年(可配置)内的数据，分成节假日数据、非节假日数据；

Step3按照节假日的类型，分别将节假日影响范围内的客流波动系数计算出来：

Q1的ai＝avg(Q1在i时刻的汇入数)/avg(平日在i时刻的汇入数)，i＝1,......,96

其他天的波动系数计算方法的同Step3。

存储位置：Oracle交通节点客流波动系数TD_TRANS_NODE_VOLUME_RATIO

2.2不同交通节点相同节假日客流波动系数聚类

对于类型相似的交通节点，人们出行的目的相似，在相同的节假日假期的影响下，客流波动系数具有相似性，可以将具相似的客流波动系数的交通节点提取出来，可以在历史数据缺失的情况下，有可以借鉴的客流波动系数。

Step1构造变化趋势特征序列：原始波动系数a＝{a1,a2,a3,……,ak}，进行一阶差分处理，即

Δα_t＝α(t+1)-α(t)，t＝1,2,……k；k＝96

新的时间序列为{Δα₁，Δα₂，……，Δα_k-1}

Step2采用Z-Score标准化方法对数据标准化，公式如下：

Δα′_ij为Δα_ij标准化后的数据，标识第j个指标的样本均值，σ_j表示第j个指标的样本标准差。

Step3采用欧氏距离作为聚类距离的度量：i，j表示节点ID

通过该步计算，用所有的距离d_ij就可以建成一个距离矩阵。

Step4利用最短距离法，即距离最小的两类合并为一个新类，重新计算新类与其他样本之间的距离：

d_ij＝mind(i，j)，重复Step4，直到聚类数等于指定k。

Step5对于同一个类内的多条客流波动系数向量，求均值，获得新的客流波动系数作为这一类的客流波动系数序列。

步骤3节假日背景交通量预测

3.1LS_VSM回归模型训练

Step1取交通节点运行数据TD_TRANS_NODE_RUN_DATA中的汇入客流(或汇出客流)构建背景交通量序列Q＝[q₁，q₂，……q₉₆]，

Step2按照5.1时间段划分输出的时间段的分割点t1*,t2*,……,t6*，确定k_i，方法如下：以t1*为例，取t1* 的hh:mm:ss部分，则k1＝hh*4+mm/15

Step3对时间序列进行分段，获得时间序列小段Q1＝[q₁，q₂，……q_k1]，Q2＝[q_k1+1，……q_k2]，……， Q7＝[q_k6+1，……q_k96]

Step4为了增加模型的精度，需要扩充数据量，故取分析日当天向前7天非节假日的数据，合成新的时间序列，即Q1＝[q₇₁，q₇₂，……q_7k1，q₆₁，q₆₂，……q_6k1，……，q₁，q₂，……q_1k1]＝[x₁，x₂，……，x_w]， w＝7*k1；

其他序列的构建方法同上；

Step5计算训练样本量和测试样本量，训练集与测试集样本量比为3:1，以Q1为例，总的样本量为k1*7，则训练集样本量为l₁＝k1*7*0.75，测试集样本量为l₂＝k1*7*0.25；

Step6设定嵌入维数m＝2，准备训练集输入X和输出Y，与测试集的输入X′和输出Y′，方法如下：

Step7选择核函数，常用核函数有

线性内核K(x_i，x_j)＝x_i·x_j

多项式内核K(x_i，x_j)＝[x_i·x_j+1]^q

(高斯核)径向基(RBF)内核

S形内核K(x_i，x_j)＝tanch(v(x_i·x_j)+t)

Step8利用“libsvm支持向量机算法包”，输入训练数据X，输出预测数据，与真实值Y计算平均绝对百分比误差(MAPE)，当MAPE<0.05时，返回训练的模型LS_SVR，若MAPE>＝0.05，则反复调整核函数，及核函数的参数，直到满足条件。

Step10利用测试数据X′，调用LS_SVR回归模型，输出预测数据，计算预测最大误差(ME)和平均绝对百分比误差(MAPE)，作为预测效果评价标准：

ME＝max{|x′_i-x_i|，i＝1，2，……，l₂}

其中，x_i为测试样本集Y′中的元素，x′_i为以X′为输入获得的预测值。

存储位置：Oracle交通节点VSM预测模型TD_TRANS_NODE_VSM。

3.2背景交通量预测

Step1构建背景交通量预测的输入数据：

Step1.1比较本次分析时间与5.1时间段划分的输出时间点，判断本次分析时间所处的时间序列小段段号 Qx，则Qx的输入由Step1.2～1.3来构建；

而Qx之后的时间序列小段的输入由Step1.4来构建；

Step1.2取本次分析时间的hh:mm:ss部分，计算时间序列的下标n＝hh*4+mm/15；

Step1.3从交通节点运行数据TD_TRANS_NODE_RUN_DATA中，取分析时间前两个时刻的汇入客流 (或汇出客流)：Qx＝[q_n-2，q_n-1]

Step1.4即从交通节点运行数据TD_TRANS_NODE_RUN_DATA中，取分析时间前一天的汇入客流(或汇出客流)：Qx+1＝[q_k1+1，q_k1+2]，……，Q7＝[q_k6+1，q_k6+2]

Step2调用LS_SVR回归模型，输出预测数据q_n，q_k1+3，……，q_k6+3；

Step3构造新的输入Qx＝[q_n-1，q_n]，Qx+1＝[q_k1+2，q_k1+3]，……，Q7＝[q_k6+2，q_k6+3]

Step4重复Step2～step3，直到获得q_k1，q_k2，……，q_k96，预测结束。由此获得预测的序列为Qx＝[q_n-1，q_n，……， q_k1]，Qx+1＝[q_k1+3，……，q_k2]，……，Q7＝[q_k6+3，……q_k96]

存储位置：Oracle交通节点背景交通量预测TD_TRANS_NODE_BASIC_TRAFFIC。

步骤4节假日客流计算

Step1获取客流波动系数a＝{a1,a2,a3,……,ak}及背景交通量预测值Qi＝[q_i1，q_i2，……q_ki]，则总的客流预测值为q′_j＝α_j*q_ij

Step2对上述预测值进行修正：

Step3当前客流总量计算：所有的交通工具的汇入客流和汇出客流，当前客流总量＝sum(汇入客流-汇出客流)；

Step4当前车流总量计算：公交车、出租车、私家车的汇入辆次和汇出辆次，当前车辆总量＝sum(汇入辆次 -汇出辆次)。

存储位置：Oracle交通节点预测结果TD_TRANS_NODE_FORECAST_REST。

本发明的上述实施例中，所使用的数据作为处理的来源和依据，包括：

城市重要交通节点TN_TRANS_NODE，如图2所示；

交通节点周边交通设施TN_TRANS_NODE_RES，如图3所示，其中设施类型：

1公交站点；2地铁站点；3公共自行车网点；4停车场；

A道路；B流量采集设备

城市重要交通节点活动TN_TRANS_NODE_EVENT，如图4所示；

交通节点运行数据TD_TRANS_NODE_RUN_DATA，如图5；

其他数据表，具体如下：

城市路段TN_ROADSEG

公交站点TN_BUS_STATION

公交线路TN_BUS_LINE

公交线路站点TN_BUS_LINE_STATION

公交线路首末班时间TN_BUS_LINE_TIME

公交车GPS_历史TD_GPS_BUS_HIS

出租车GPS_历史TD_GPS_TAXI_HIS

公共自行车网点信息TN_PUB_BIKE_STATION

节假日表TC_HOLIDAY

停车场信息TN_PARK_INFO

经过上述各个步骤的聚类和预测，得到的数据可以使用下述形式和格式输出：

Name	Code	Data Type
			交通节点标识	TRANS_NODE_ID	NUMBER(9)
交通工具类型	TRANSPOT_TYPE	char(1)：1-subway2-bus3-taxi4-bike5-car
			数据类型	DATA_TYPE	char(1)：1-客流 2-车流
流向	DIRECTION	char(1):1-汇入 2-汇出
			时间点	PERIOD_TIME	DATE
时间段编号	PERIOD_ID	char(1):1,2,3,4,5,6,7
			生成时间	CREATE_DATE	DATE

Name	Code	Data Type
			交通节点标识	TRANS_NODE_ID	NUMBER(9)
节假日标识	HOLIDAY_ID	NUMBER(6)
			交通工具类型	TRANSPOT_TYPE	char(1)：1-subway2-bus3-taxi4-bike5-car
分析时间	HOLIDAY_DATE	DATE，节假日的某一天
			数据类型	DATA_TYPE	char(1)：1-客流 2-车流
流向	DIRECTION	char(1):1-汇入 2-汇出
			客流波动系数	VOLUME_RATIO	NUMBER(4,2)
生成时间	CREATE_DATE	DATE

存储位置：Oracle交通节点客流波动系数TD_TRANS_NODE_VOLUME_RATIO.

存储位置：Oracle交通节点VSM预测模型TD_TRANS_NODE_VSM。

Name	Code	Data Type
			VSM模型ID	VSM_ID	NUMBER(9)
交通节点标识	TRANS_NODE_ID	NUMBER(9)
			交通工具类型	TRANSPOT_TYPE	char(1)：1-subway2-bus3-taxi4-bike5-car
数据类型	DATA_TYPE	char(1)：1-客流 2-车流
			流向	DIRECTION	char(1):1-汇入 2-汇出
时间段	PERIOD	char(1)：1,2,3,4,5,6,7
			背景交通量	BASIC_TRAFFIC	NUMBER(9)
预测时间	FROECAST_DATE	DATE，一天96个时间点
			生成时间	CREATE_DATE	DATE

存储位置：Oracle交通节点预测结果TD_TRANS_NODE_FORECAST_REST。

Claims

1.一种交通节点节假日客流预测方法，其特征在于，具体实现步骤包括：

步骤1、交通节点时间序列的划分；

步骤2、节假日客流波动系数计算；

步骤3、节假日背景交通量预测；

步骤4、根据节假日背景交通量预测预测计算节假日客流。

2.根据权利要求1所述的交通节点节假日客流预测方法，其特征在于，所述步骤1中，交通节点时间序列的划分具体包括：

输入为：汇入时间序列/汇出时间序列

Q＝[(q1,t1)，(q2,t2)，(q3,t3)……,(q96,t96)]

ti：交通节点运行数据TD_TRANS_NODE_RUN_DATA中的分析时间

输出为：时间点t1*,t2*,……,t6*，取多日数据，求平均

3.根据权利要求2所述的交通节点节假日客流预测方法，其特征在于，所述步骤2中，节假日客流波动系数计算具体包括：

2.1单个节点每种节假日客流波动系数计算

以下对每个交通节点做客流波动系数计算：

Step211设置假期影响范围：

3天假期：{Q1，Z1，Z2，Z3，H1}

国庆假期：{Q1，Q2，Z1，Z2，……，Z7，H1}

春节假期：{Q10，……Q1，Z1，Z2，……，Z7，H1，……H13}

旅游旺季：{S1，……Sn}

而每一天的波动系数矩阵为a＝{a1,a2,a3,……,a96}；

Step212按照上一步的设置，将一年内的数据，分成节假日数据、非节假日数据；

Step213按照节假日的类型，分别将节假日影响范围内的客流波动系数计算出来：

其他天的波动系数计算方法的同Step213；

2.2不同交通节点相同节假日客流波动系数聚类

Step221构造变化趋势特征序列：原始波动系数a＝{a1,a2,a3,……,ak}，进行一阶差分处理，即

Δα_t＝α(t+1)-α(t)，t＝1,2,……k；k＝96

新的时间序列为{Δα₁，Δα₂，……，Δα_k-1}

Step222采用Z-Score标准化方法对数据标准化，公式如下：

<mrow> <msubsup> <mi>&Delta;&alpha;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>&prime;</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&Delta;&alpha;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mrow> <mi>&Delta;</mi> <mi>&alpha;</mi> </mrow> <mo>&OverBar;</mo> </mover> <mi>j</mi> </msub> </mrow> <msub> <mi>&sigma;</mi> <mi>j</mi> </msub> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>...</mo> <mo>,</mo> <mi>n</mi> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>...</mo> <mo>,</mo> <mi>k</mi> </mrow>

<mrow> <msub> <mover> <mrow> <mi>&Delta;</mi> <mi>&alpha;</mi> </mrow> <mo>&OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>&Delta;&alpha;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>...</mo> <mo>,</mo> <mi>k</mi> </mrow>

<mrow> <msub> <mi>&sigma;</mi> <mi>j</mi> </msub> <mo>=</mo> <mroot> <mrow> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&Delta;&alpha;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mrow> <mi>&Delta;</mi> <mi>&alpha;</mi> </mrow> <mo>&OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>^</mo> <mn>2</mn> </mrow> <mn>2</mn> </mroot> </mrow>

Δα′_ij为Δα_ij标准化后的数据，标识第j个指标的样本均值，σ_j表示第j个指标的样本标准差；

Step223采用欧氏距离作为聚类距离的度量：i，j表示节点ID

<mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mroot> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </msubsup> <mo>|</mo> <msub> <mi>&Delta;&alpha;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&Delta;&alpha;</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <mo>|</mo> <mo>^</mo> <mn>2</mn> </mrow> <mn>2</mn> </mroot> <mo>,</mo> <mi>p</mi> <mo>=</mo> <mn>95</mn> </mrow>

通过该步计算，用所有的距离d_ij就可以建成一个距离矩阵；

Step224利用最短距离法，即距离最小的两类合并为一个新类，重新计算新类与其他样本之间的距离：

d_ij＝mind(i，j)，重复Step4，直到聚类数等于指定k；

Step225对于同一个类内的多条客流波动系数向量，求均值，获得新的客流波动系数作为这一类的客流波动系数序列。

4.根据权利要求3所述的交通节点节假日客流预测方法，其特征在于，所述步骤3中，节假日背景交通量预测具体包括：

3.1LS_VSM回归模型训练

Step311取交通节点运行数据TD_TRANS_NODE_RUN_DATA中的汇入客流或汇出客流构建背景交通量序列Q＝[q₁，q₂，……q₉₆]；

Step312按照5.1时间段划分输出的时间段的分割点t1*,t2*,……,t6*，确定k_i，方法如下：以t1*为例，取t1*的hh:mm:ss部分，则k1＝hh*4+mm/15；

Step313对时间序列进行分段，获得时间序列小段Q1＝[q₁，q₂，……q_k1]，Q2＝[q_k1+1，……q_k2]，……，Q7＝[q_k6+1，……q_k96]；

Step314为了增加模型的精度，需要扩充数据量，故取分析日当天向前7天非节假日的数据，合成新的时间序列，即Q1＝[q₇₁，q₇₂，……q_7k1，q₆₁，q₆₂，……q_6k1，……，q₁，q₂，……q_1k1]＝[x₁，x₂，……，x_w]，w＝7*k1；

其他序列的构建方法同上；

Step315计算训练样本量和测试样本量，训练集与测试集样本量比为3:1，以Q1为例，总的样本量为k1*7，则训练集样本量为l₁＝k1*7*0.75，测试集样本量为l₂＝k1*7*0.25；

Step316设定嵌入维数m＝2，准备训练集输入X和输出Y，与测试集的输入X′和输出Y′，方法如下：

<mrow> <msup> <mi>X</mi> <mo>&prime;</mo> </msup> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>2</mn> </msub> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>x</mi> <mn>3</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>...</mo> <mo>...</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <msub> <mi>x</mi> <mrow> <mi>l</mi> <mn>2</mn> <mo>-</mo> <mn>3</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>l</mi> <mn>2</mn> <mo>-</mo> <mn>2</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>l</mi> <mn>2</mn> <mo>-</mo> <mn>2</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>l</mi> <mn>2</mn> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <msup> <mi>Y</mi> <mo>&prime;</mo> </msup> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>x</mi> <mn>2</mn> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>x</mi> <mn>3</mn> </msub> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>...</mo> <mo>...</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <msub> <mi>x</mi> <mrow> <mi>l</mi> <mn>2</mn> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>x</mi> <mrow> <mi>l</mi> <mn>2</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>

Step317选择核函数，常用核函数有

线性内核K(x_i，x_j)＝x_i·x_j

多项式内核K(x_i，x_j)＝[x_i·x_j+1]^q

(高斯核)径向基(RBF)内核

S形内核K(x_i，x_j)＝tanch(v(x_i·x_j)+t)

Step318利用“libsvm支持向量机算法包”，输入训练数据X，输出预测数据，与真实值Y计算平均绝对百分比误差(MAPE)，当MAPE<0.05时，返回训练的模型LS_SVR，若MAPE>＝0.05，则反复调整核函数，及核函数的参数，直到满足条件；

Step310利用测试数据X′，调用LS_SVR回归模型，输出预测数据，计算预测最大误差ME和平均绝对百分比误差MAPE，作为预测效果评价标准：

ME＝max{|x′_i-x_i|，i＝1，2，……，l₂}

<mrow> <mi>M</mi> <mi>A</mi> <mi>P</mi> <mi>E</mi> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>l</mi> <mn>2</mn> </msub> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>l</mi> <mn>2</mn> </msub> </munderover> <mfrac> <mrow> <mo>|</mo> <msubsup> <mi>x</mi> <mi>i</mi> <mo>&prime;</mo> </msubsup> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>|</mo> </mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> </mfrac> </mrow>

其中，x_i为测试样本集Y′中的元素，x′_i为以X′为输入获得的预测值；

3.2背景交通量预测

Step321构建背景交通量预测的输入数据，包括step1.1-1.4：

Step1.1比较本次分析时间与时间段划分的输出时间点，判断本次分析时间所处的时间序列小段段号Qx，则Qx的输入由Step1.2～1.3来构建；

而Qx之后的时间序列小段的输入由Step1.4来构建；

Step1.3从交通节点运行数据TD_TRANS_NODE_RUN_DATA中，取分析时间前两个时刻的汇入客流或汇出客流：Qx＝[q_n-2，q_n-1]

Step1.4即从交通节点运行数据TD_TRANS_NODE_RUN_DATA中，取分析时间前一天的汇入客流或汇出客流：Qx+1＝[q_k1+1，q_k1+2]，……，Q7＝[q_k6+1，q_k6+2]

Step322调用LS_SVR回归模型，输出预测数据q_n，q_k1+3，……，q_k6+3；

Step323构造新的输入Qx＝[q_n-1，q_n]，Qx+1＝[q_k1+2，q_k1+3]，……，Q7＝[q_k6+2，q_k6+3]

Step324重复Step322～step323，直到获得q_k1，q_k2，……，q_k96，预测结束。由此获得预测的序列为Qx＝[q_n-1，q_n，……，q_k1]，Qx+1＝[q_k1+3，……，q_k2]，……，Q7＝[q_k6+3，……q_k96]。

5.根据权利要求4所述的交通节点节假日客流预测方法，其特征在于，所述步骤4中，节假日客流计算具体包括：

Step411获取客流波动系数a＝{a1,a2,a3,……,ak}及背景交通量预测值Qi＝[q_i1，q_i2，……q_ki]，则总的客流预测值为q′_j＝α_j*q_ij

Step412对上述预测值进行修正：

<mrow> <msubsup> <mi>q</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>*</mo> </msubsup> <mo>=</mo> <mi>&beta;</mi> <mo>*</mo> <msubsup> <mi>q</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mo>&prime;</mo> </msubsup> </mrow>

Step413当前客流总量计算：所有的交通工具的汇入客流和汇出客流，当前客流总量＝sum(汇入客流-汇出客流)；

Step414当前车流总量计算：公交车、出租车、私家车的汇入辆次和汇出辆次，当前车辆总量＝sum(汇入辆次-汇出辆次)。