CN110648010A - 一种基于小样本数据的公交客流预测方法 - Google Patents

一种基于小样本数据的公交客流预测方法 Download PDF

Info

Publication number
CN110648010A
CN110648010A CN201910683646.7A CN201910683646A CN110648010A CN 110648010 A CN110648010 A CN 110648010A CN 201910683646 A CN201910683646 A CN 201910683646A CN 110648010 A CN110648010 A CN 110648010A
Authority
CN
China
Prior art keywords
passenger flow
bus
data
bus passenger
formula
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910683646.7A
Other languages
English (en)
Inventor
董红召
王乐恒
刘倩
胡文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910683646.7A priority Critical patent/CN110648010A/zh
Publication of CN110648010A publication Critical patent/CN110648010A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于小样本数据的公交客流预测方法，包括以下步骤：首先将杭州某线路的公交客流刷卡数据和扫码数据进行统计，得出公交客流变化规律。然后利用公交客流数据特性，提取公交客流数据特征。根据公交客流数据特征，建立公交客流支持向量机模型。最后求出客流预测值和客流实际值的均方误差验证客流预测模型的有效性。本发明通过利用某公交线路三日的扫码数据和刷卡数据，基于支持向量机模型，对第四日的公交客流进行预测，实例结果表明该预测结果具有较高的预测精度。

Description

一种基于小样本数据的公交客流预测方法
技术领域
本发明为一种基于小样本数据的公交客流预测方法。
背景技术
影响短时公交客流的相关因素难以捕捉分析，而且其相关因素的短期数据难以实时获取，当快速公交系统并不普及，采集数据类型单一，数据量少时，采用数据自动学习获取特征的方法无法实现，采用深度学习等自学习预测方法具有一定的局限性。且在公交动态调度应用时对预测结果的实时性要求高，深度学习的训练时间长，实现繁琐复杂。因此有必要研究一种所需数据量小，训练时间短，实现方便简单，准确性高的短时公交客流预测方法。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于小样本数据的公交客流预测方法。支持向量机是一种通过寻求结构化通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。
本发明为一种基于小样本数据的公交客流预测方法。首先将杭州某线路的公交客流刷卡数据和扫码数据进行统计，得出公交客流变化规律。然后利用公交客流数据特性，提取公交客流数据特征。根据公交客流数据特征，建立公交客流支持向量机模型。最后求出客流预测值和客流实际值的均方误差验证客流预测模型的有效性。
一种基于小样本数据的公交客流预测方法，包括以下步骤：
(1)公交客流数据统计；
将短期内的公交客流刷卡数据与扫码数据进行统计，统计公交线路每小时的客流量。
(2)提取公交客流特征；
根据短时公交客流的周期性将前三日同一时段内的公交客流作为特征变量，然后提取公交当日是否雨雪天气作为特征变量之一，最后提取是否节假日作为特征变量之一。式中：y为训练集实际值，n为训练样本数。
Figure BDA0002145530030000021
(3)支持向量机客流预测模型建模；
f(x)＝xTβ+β0(1)
式中：x为特征变量，β为支持向量机模型参数。
(4)求解参数；
Figure BDA0002145530030000022
式中：yi为客流实际值，f(xi)为客流预测值，λ为正则化参数，N为训练样本个数。
(5)参数求解的对偶问题；
根据拉格朗日乘子法，可得原始优化问题的对偶优化问题：
Figure BDA0002145530030000024
式中
Figure BDA0002145530030000025
αi为对偶优化问题的参数。
(6)求解对偶优化问题；
将训练样本T＝{(x1,y1),(x2,y2),…,(xN,yN)}代入式(4)，由于此对偶优化问题为凸优化，对(4)式利用求导法求极值可以带出最优解
Figure BDA0002145530030000026
(7)求解原始优化问题；
通过对偶优化问题的解可以求解出原始优化问题的解为：
Figure BDA0002145530030000028
(8)得出预测模型；
将求解出的参数代入式(1)得出客流预测模型：
Figure BDA0002145530030000031
(9)预测性能评价；
选择预测性能的评价指标为决定系数R2
Figure BDA0002145530030000032
式中
Figure BDA0002145530030000033
为测试样本中所有实际值的平均值，n为测试样本数。
本发明的优点是：
(1)所需数据量小。
(2)训练时间短。
(3)实现方便简单，具备较高准确率。
附图说明
图1为是本发明的公交客流时间序列图。
具体实施方式
以下结合附图和实际客流数据，进一步说明本发明的具体实施方式。
(1)首先将杭州某线路的公交客流刷卡数据和支付宝扫码数据进行统计，得出公交客流变化规律：
表1.小样本客流数据表格
Figure BDA0002145530030000034
(2)如图1公交客流时间序列图所示，公交客流的小样本数据可以得出公交客流具有一定的周期性。根据公交客流数据特性，对公交客流进行特征提取。
由公交客流数据周期为一天，如表2训练样本数据所示将公交客流数据进行特征提取。
表2.训练数据样本
Figure BDA0002145530030000035
Figure BDA0002145530030000041
(3)支持向量机客流预测模型建模
f(x)＝xTβ+β0 (1)
(4)根据拉格朗日乘子法可求解出
β＝[-0.077,0.887,0.177]
β0＝0.19
(5)进而可以求解出预测模型
f(x)＝-0.077×x1+0.887×x2+0.177×x3+0.19
(6)测试集数据为
表3.测试数据样本
Figure BDA0002145530030000042
可以通过x1，x2，x3求出预测值，得出预测值与实际值对比表格：
表4.预测值实际值对比表格
Figure BDA0002145530030000043
(7)预测性能评价
由预测性能的评价指标决定系数R2
Figure BDA0002145530030000044
得出
R2＝0.966
验证了基于小样本的公交客流预测方法具有均较高预测性能。

Claims (1)

1.基于小样本数据的公交客流预测方法，包括以下步骤：
(1)统计公交客流数据；
将短期内的公交客流刷卡数据与扫码数据进行统计，统计公交线路每小时的客流量。
(2)提取公交客流特征；
根据短时公交客流的周期性将前三日同一时段内的公交客流作为特征变量，然后提取公交当日是否雨雪天气作为特征变量之一，最后提取是否节假日作为特征变量之一。式中：y为训练集实际值，n为训练样本数。
(3)支持向量机客流预测模型建模；
f(x)＝xTβ+β0 (1)
式中：x为特征变量，β为支持向量机模型参数。
(4)求解参数；
Figure FDA0002145530020000011
Figure FDA0002145530020000012
式中：yi为客流实际值，f(xi)为客流预测值，λ为正则化参数，N为训练样本个数。
(5)参数求解的对偶问题；
根据拉格朗日乘子法，可得原始优化问题的对偶优化问题：
Figure FDA0002145530020000013
Figure FDA0002145530020000014
式中
Figure FDA0002145530020000015
αi为对偶优化问题的参数。
(6)求解对偶优化问题；
将训练样本T＝{(x1,y1),(x2,y2),…,(xN,yN)}代入式(4)，由于此对偶优化问题为凸优化，对式(4)利用求导法求极值可以带出最优解
Figure FDA0002145530020000016
(7)求解原始优化问题；
通过对偶优化问题的解可以求解出原始优化问题的解为：
Figure FDA0002145530020000021
(8)得出预测模型；
将求解出的参数代入式(1)得出客流预测模型：
Figure FDA0002145530020000022
(9)预测性能评价；
选择预测性能的评价指标为决定系数R2
Figure FDA0002145530020000023
式中
Figure FDA0002145530020000024
为测试样本中所有实际值的平均值，n为测试样本数。
CN201910683646.7A 2019-07-26 2019-07-26 一种基于小样本数据的公交客流预测方法 Pending CN110648010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910683646.7A CN110648010A (zh) 2019-07-26 2019-07-26 一种基于小样本数据的公交客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910683646.7A CN110648010A (zh) 2019-07-26 2019-07-26 一种基于小样本数据的公交客流预测方法

Publications (1)

Publication Number Publication Date
CN110648010A true CN110648010A (zh) 2020-01-03

Family

ID=69009501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910683646.7A Pending CN110648010A (zh) 2019-07-26 2019-07-26 一种基于小样本数据的公交客流预测方法

Country Status (1)

Country Link
CN (1) CN110648010A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1281130A1 (en) * 2000-04-11 2003-02-05 Telstra New Wave Pty Ltd A gradient based training method for a support vector machine
CN103310287A (zh) * 2013-07-02 2013-09-18 北京航空航天大学 基于svm预测乘客出行概率的轨道交通客流预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1281130A1 (en) * 2000-04-11 2003-02-05 Telstra New Wave Pty Ltd A gradient based training method for a support vector machine
CN103310287A (zh) * 2013-07-02 2013-09-18 北京航空航天大学 基于svm预测乘客出行概率的轨道交通客流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘雪琴: "基于交通一卡通大数据的公交客流分析与预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
演克武 等: "基于支持向量机回归算法的航空公司客流量预测研究", 《企业经济》 *

Similar Documents

Publication Publication Date Title
CN111104981B (zh) 一种基于机器学习的水文预报精度评价方法及系统
CN107220648B (zh) 理赔单据的字符识别方法及服务器
CN109522304A (zh) 异常对象识别方法及装置、存储介质
CN106951925A (zh) 数据处理方法、装置、服务器及系统
CN109271374A (zh) 一种基于机器学习的数据库健康度打分方法和打分系统
CN102508907A (zh) 一种基于训练集优化的推荐系统的动态推荐方法
CN110263827A (zh) 基于交易规律识别的异常交易检测方法及装置
CN108021773B (zh) 基于dss数据库的分布式水文模型多场次洪水参数率定方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN110852476A (zh) 客流预测方法、装置、计算机设备和存储介质
CN107132266A (zh) 一种基于随机森林的水质分类方法及系统
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN113362913A (zh) 一种基于随机森林回归的汽油辛烷值损失预测及优化方法
CN115131557A (zh) 一种基于活性污泥图像的轻量化分割模型构建方法及系统
CN112199862A (zh) 纳米粒子运移的预测方法、其影响因子分析方法及系统
CN104217088A (zh) 运营商移动业务资源的优化方法与系统
CN110648010A (zh) 一种基于小样本数据的公交客流预测方法
CN110751400B (zh) 一种风险评估方法及装置
CN116884435A (zh) 一种基于音频提示学习的声音事件检测方法及装置
CN109697630B (zh) 一种基于稀疏回归的商家客流量多因素分析与预测方法
CN112579847A (zh) 生产数据的处理方法和装置、存储介质及电子设备
CN109614999A (zh) 一种数据处理方法、装置、设备及计算机可读存储介质
Liu et al. Quality assessment for inspection images of power lines based on spatial and sharpness evaluation
CN109840566A (zh) 出行模式识别方法及装置
CN115358473A (zh) 基于深度学习的电力负荷预测方法及预测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200103

RJ01 Rejection of invention patent application after publication