CN113255958B - 描述波动特性的城市轨道交通客流量变化区间预测方法 - Google Patents
描述波动特性的城市轨道交通客流量变化区间预测方法 Download PDFInfo
- Publication number
- CN113255958B CN113255958B CN202110367806.4A CN202110367806A CN113255958B CN 113255958 B CN113255958 B CN 113255958B CN 202110367806 A CN202110367806 A CN 202110367806A CN 113255958 B CN113255958 B CN 113255958B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- flow
- passenger
- time
- change interval
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001932 seasonal effect Effects 0.000 claims abstract description 21
- 238000011160 research Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 abstract 1
- 230000000737 periodic effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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"
-
- G06Q50/40—
Abstract
一种描述波动特性的城市轨道交通客流量的变化区间预测方法,通过一定置信水平下的客流波动变化区间来描述客流波动特性,并使用宽度流量比对波动性的强度进行评价,具体步骤如下:首先,对原始客流数据进行处理,获取一定时间汇集度下的客流序列;其次,通过客流时间序列图识别客流变化的周期;然后,使用历史客流训练结构化状态驱动的季节性差分自回归滑动平均模型,并进行历史客流离散水平递推,分别对研究时间段内的客流平均水平和离散水平进行建模和预测;在此基础上,对一定置信水平下的客流量区间进行预测,计算客流变化区间,描述客流波动特性;最后,定义客流变化区间的宽度与对应的客流真实值之比为宽度流量比,作为评价指标,通过宽度流量比的大小来衡量客流波动性的强弱;由此,本发明能克服现有技术的缺陷,能有效解决精度与效率之间的矛盾,还可平稳预测过程,去除噪声影响;模型复杂度可大大降低,实现低计算成本的高精度预测。
Description
技术领域
本发明涉及城市轨道交通智能化的技术领域,尤其涉及一种描述波动特性的城市轨道交通客流量变化区间预测方法。
背景技术
随着我国城市化进程的迅猛发展,城市机动车保有量迅猛增加,城市交通系统拥堵日渐加重。在此背景下,以大容量、准点高效为主要特征的城市轨道交通系统逐渐得到了各界的认可,成为解决城市地面交通系统拥堵问题的有效举措之一。
乘客是城市轨道交通的服务对象,客流量和行为特性是决定轨道交通系统设计与运营的重要因素。对设计而言,客流是贯穿整个过程的最重要的参数,直接决定了系统的规模、设施设备配置等。对运营而言,对客流特征实时、准确把握有助于城市轨道交通运营管理部门根据客流的变化而采取适当的措施,合理的进行车站行人交通组织和列车运营调度等,提升系统服务水平。实际状况下,城市轨道交通客流量是不断波动变化,处于不稳定状态。而现有的客流预测多为对客流量的单值预测,精确程度难以提升,且缺乏对客流变化区间的描述,不利于轨道交通运营管理部门决策的制定。
在客流量预测方面,现有研究一般存在以下问题:1)方法大多集中在对客流量期望值进行预测,而未对该期望所对应的客流取值离散情况及相应置信度进行分析。这种方法的鲁棒性较差,当预测精度出现波动时无法支撑现场使用需求;2)现有少数研究在期望值预测的基础上,通过计算自回归条件异方差进行离散程度估计,离散程度的计算精度依赖于均值计算的精度。这些方法一般通过差分自回归滑动模型实现,但仅使用该方法无法解决预测精度与模型复杂度的矛盾:当模型阶数高时,预测效果较好但计算开销呈指数倍上升,反之,阶数较低时计算开销较小但精度严重不足。城市轨道交通客流量预测亟需一种兼顾效率与精度的预测框架,为决策者提供可信赖的客流量期望预测以及统计学上可信的变化区间。
为此,本发明的设计者有鉴于上述缺陷,通过潜心研究和设计,综合长期多年从事相关产业的经验和成果,研究设计出一种描述波动特性的城市轨道交通客流量变化区间预测方法,以克服上述缺陷。
发明内容
本发明的目的在于提供一种描述波动特性的城市轨道交通客流量变化区间预测方法,其能克服现有技术的缺陷,能有效解决精度与效率之间的矛盾,并给与统计学可信的变化区间,其能通过提取进出量变化趋势的对应概率进行预测与推理,构建状态转移矩阵,动态调整预测权重,指引预测大方向,降低直接预测的困难,提升预测难度。通过结构化的状态驱动方法一方面可以平稳预测过程,去除噪声影响;另一方面可以通过状态推理抓取客流波动的趋势特征,追踪客流状态变化的机理,引入结构化模型能在数据中出现大客流等异常情况时,模型也有充足的响应能力。而且,季节性差分自回归滑动平均模型的模型复杂度可以大大降低,实现低计算成本的高精度预测。预实验证明,提出的方法单纯的季节性差分自回归滑动平均模型而言,准确度有了近10%的提高,适合用于轨道交通客流预测领域。具有充足的创新性及实际应用价值。
为实现上述目的,本发明公开了一种描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于包含如下步骤:
步骤1:对原始客流数据进行处理,获取一定时间汇集度下的城市轨道交通客流序列;
步骤2:绘制客流时间序列图,识别客流变化的周期;
步骤3:使用历史客流数据进行结构化状态驱动的季节性差分自回归滑动平均模型,预测客流平均水平;
步骤4:使用历史客流离散水平递推的方法进行客流离散水平的建模和预测;
步骤5:选取一定置信水平并确定该置信水平下的客流变化区间;
步骤6:将客流变化区间的宽度与对应的客流真实值之比定义为宽度流量比,使用该指标来评价客流波动性的强弱,宽度流量比越大,说明客流的波动性越强;反之,客流的波动性越弱。
其中:步骤1中确定时间汇集度T、研究时间段、研究的站点和客流类型,对原始客流数据进行处理,获取时间汇集度为T的客流序列{Flow1,Flow2,Flow3,…}。
其中:原始客流数据为每一位乘客的进、出站记录,包括进、出站的站点和时间,通过判断原始数据中的车站、时段信息,以对客流序列中的第n个客流值Flown进行计算,具体计算遵循以下公式(1):
式中,Flown为时间汇集度为T的客流序列中的第n个客流值; Station为乘客进/出站站点,Time为乘客进/出站时间,Tn为研究时间段内的第n个汇集间隔所包含的时间段。
其中:步骤3的具体步骤分为两个子过程:
步骤3.1:使用历史客流,分析其周期与季节长度,训练下述模型,从而实现预测,其预测具体遵循以下公式(2):
式中,Flown为时间编号为n的客流值;5为客流变化的周期;B为后移运算符;φP(BS)和ΘQ(BS)是B矩阵的阶为P,Q的多项式;P是季节自回归的阶数;D是季节差分数;Q是季节自平均阶数;S是季节长度;εn为随机干扰项,符合均值为0、方差为的正态分布;
步骤3.2:利用结构化状态预测模型驱动3.1中构建的季节性差分自回归滑动平均模型,降低趋势变化造成的波动,形成稳定的预测和修正框架,具体遵循以下公式(3)至公式(8):
Flowt+1=AFlowt+Wt (3)
Yt=BFlowt+Vt (4)
其中,Flowt+1和Yt分别为系统的n维状态向量和m维观测向量, A和B分别为m×n维状态转换矩阵和观测矩阵,Wt和Vt分别为系统的n维随机干扰向量和m维观测噪声向量;
P(t+1|t)=A·P(t|t)′+R1+R2+…+Rq (5)
Kg(t+1)=P(t+1|t)·B′/(B·P(t+1|t)·B′+Q) (6)
Flow(t+1|t+1)
=Flow(t+1|t)+Kg(t+1)·(Z(t+1)-B·Flow(t|t)) P(t+1|t+1)=(I-Kg(t+1)·B)·P(t+1|t) (7)
其中,Flow(t+1|t)为基于t时刻的道路交通预测值,P(t+1|t) 为Flow(t+1|t)对应的协方差矩阵,(R1,R2,…,Rq)为(e1,e2,…, eg)对应的协方差矩阵,Q为观测噪声方程的协方差矩阵,B为观测矩阵,Kg为误差增益,Z为观测真实值所组成的向量;
其中Y(t+1)为t+1时刻的观察真实值,Flow(t+1|t+1)为t+1 时刻客流数据的最优预测。
其中:使用确定参数后的客流平均水平模型对研究时间段内的客流平均水平进行预测,得到客流预测值序列
其中:步骤4中模型的表达式如下公式(9)和(10):
en~IN(0,1)
式中,FlowVarn和FlowVarn-1分别为时间编号为n和n-1时的客流方差值;en为随机干扰项,符合均值为0、方差为1的正态分布;α0、α1和β1为模型的常数项。
其中:使用客流残差序列 对模型参数α0、α1和β1进行确定后,再使用确定参数后的客流离散水平模型对研究时间段内的客流离散水平进行预测,得到客流方差预测值序列/>
其中:步骤5中选取100·(1-α)%的置信水平(0<α<1),计算该置信水平下的客流变化区间,客流量变化区间的计算表达式为公式(11):
式中,FlowLn,1-α为时间编号为n时的客流变化区间下限;FlowUn,1-α为时间编号为n时的客流变化区间上限;为时间编号为n时的客流预测值;/>为时间编号为n时的客流方差预测值;zα/2为正态分布的上α/2分位点。
其中:步骤6中采用宽度流量比来评价客流波动特性的强弱,宽度流量比通过公式(12)确定:
式中,Rn为时间编号为n时的宽度流量比;FlowUn,1-α为时间编号为n时的客流变化区间上限;FlowLn,1-α为时间编号为n时的客流变化区间下限;Flown为时间编号为n时的客流真实值。
通过上述内容可知,本发明的描述波动特性的城市轨道交通客流量变化区间预测方法具有如下效果:
1.通过乘客进、出站记录得到的客流序列反映的是历史的、真实的城市轨道交通客流水平,在此基础上使用历史客流平均水平周期性差分和历史客流离散水平递推的方法使得真实的历史客流数据得到了充分的利用。
2.城市轨道交通系统相比于道路交通系统具有更强以及更明显的周期性,历史客流平均水平周期性差分的方法则充分挖掘了城市轨道交通客流的周期性,使得客流的周期性信息较为完整地蕴含在客流平均水平模型中。
3.本发明在对客流平均水平变化特征进行分析的同时,应对客流的离散变化特征进行分析,在此基础上,对围绕客流平均值的客流变化区间进行预测,架构合理,计算消耗小,可应对不同模式客流,可操作性强。得到的客流变化区间可以反映客流的波动特性,有助于城市轨道交通运营管理部门根据客流的变化而采取适当的措施,合理的进行车站行人交通组织和列车运营调度等,提升系统服务水平。
4.本发明方法提出了宽度流量比的概念,该指标考虑到了客流的基值对变化区间宽度的影响(变化区间的宽度随着客流基值的增大而增大),因此比单纯的计算变化区间宽度更能够准确、客观的衡量客流波动特性的强度。
本发明的详细内容可通过后述的说明及所附图而得到。
附图说明
图1显示了本发明的描述波动特性的城市轨道交通客流量变化区间预测方法的的总体流程图。
图2显示了本发明中原始客流数据处理流程图。
图3显示了本发明中客流平均水平建模和预测流程图。
图4显示了本发明中客流离散水平建模和预测流程图。
具体实施方式
参见图1至图4,显示了本发明的描述波动特性的城市轨道交通客流量变化区间预测方法。
所述描述波动特性的城市轨道交通客流量变化区间预测方法包括如下步骤:
步骤1:确定时间汇集度T(T一般为5min的整数倍)、研究时间段、研究的站点和客流类型,对原始客流数据进行处理,获取时间汇集度为T的客流序列{Flow1,Flow2,Flow3,…}。原始客流数据为每一位乘客的进、出站记录,包括进、出站的站点和时间。通过判断原始数据中的车站、时段信息,可以对客流序列中的第n个客流值Flown进行计算,该计算过程如图2所示,具体计算遵循以下公式(1):
式中,Flown为时间汇集度为T的客流序列中的第n个客流值; Station为乘客进/出站站点,Time为乘客进/出站时间,Tn为研究时间段内的第n个汇集间隔所包含的时间段。
步骤2:绘制客流时间序列图,观察并分析客流序列的变化特征,识别客流变化的周期S。
步骤3:使用历史客流数据进行结构化状态驱动的季节性差分自回归滑动平均模型,预测客流平均水平。具体步骤分为两个子过程:
步骤3.1:使用历史客流,分析其周期与季节长度,训练下述模型,从而实现预测,其预测具体遵循以下公式(2):
式中,Flown为时间编号为n的客流值;S为客流变化的周期;B为后移运算符;φP(BS)和ΘQ(BS)是B矩阵的阶为P,Q的多项式;P是季节自回归的阶数;D是季节差分数;Q是季节自平均阶数;S是季节长度;εn为随机干扰项,符合均值为0、方差为的正态分布。
使用客流序列{Flow1,Flow2,Flow3,…}对模型参数P,Q等进行训练。并准备结构化状态预测。
步骤3.2:利用结构化状态预测模型驱动3.1中构建的季节性差分自回归滑动平均模型,降低趋势变化造成的波动,形成稳定的预测和修正框架,具体遵循以下公式(3)至公式(8):
Flowt+1=AFlowt+Wt (3)
Yt=BFlowt+Vt (4)
其中,Flowt+1和Yt分别为系统的n维状态向量和m维观测向量, A和B分别为m×n维状态转换矩阵和观测矩阵,Wt和Vt分别为系统的n维随机干扰向量和m维观测噪声向量。
P(t+1|t)=A·P(t|t)′+R1+R2+…+Rq (5)
Kg(t+1)=P(t+1|t)·B′/(B·P(t+1|t)·B′+Q) (6)
Flow(t+1|t+1)
=Flow(t+1|t)+Kg(t+1)·(Z(t+1)-B·Flow(t|t)) P(t+1|t+1)=(I-Kg(t+1)·B)·P(t+1|t) (7)
其中,Flow(t+1|t)为基于t时刻的道路交通预测值,P(t+1|t) 为Flow(t+1|t)对应的协方差矩阵,(R1,R2,…,Rq)为(e1,e2,…, eq)对应的协方差矩阵,Q为观测噪声方程的协方差矩阵,B为观测矩阵,Kg为误差增益,Z为观测真实值所组成的向量。
其中Y(t+1)为t+1时刻的观察真实值,Flow(t+1|t+1)为t+1 时刻客流数据的最优预测。
步骤3的整体流程如图3所示。使用确定参数后的客流平均水平模型对研究时间段内的客流平均水平进行预测,得到客流预测值序列
步骤4:使用历史客流离散水平递推的方法进行客流离散水平的建模和预测,模型的表达式如下公式(9)和(10):
en~IN(0,1)
式中,FlowVarn和FlowVarn-1分别为时间编号为n和n-1时的客流方差值;en为随机干扰项,符合均值为0、方差为1的正态分布;α0、α1和β1为模型的常数项。
客流平均水平建模和预测的流程如附图4所示。使用客流残差序列对模型参数α0、α1和β1进行确定后,再使用确定参数后的客流离散水平模型对研究时间段内的客流离散水平进行预测,得到客流方差预测值序列/>
步骤5:选取100·(1-α)%的置信水平(0<α<1),计算该置信水平下的客流变化区间。客流量变化区间的计算表达式为公式(11):
式中,FlowLn,1-α为时间编号为n时的客流变化区间下限;FlowUn,1-α为时间编号为n时的客流变化区间上限;为时间编号为n时的客流预测值;/>为时间编号为n时的客流方差预测值;zα/2为正态分布的上α/2分位点。
步骤6:计算各时刻客流变化区间的宽度流量比,并进行分析。从变化区间表达式可以看出,当客流方差较大时,一定置信水平下的变化区间变宽,反之变化区间变窄。因此,提出采用宽度流量比(ratio of prediction interval to flow,R)来评价客流波动特性的强弱,将其定义为客流变化区间的宽度与对应的客流真实值之比。根据此定义,每一个变化区间都可以求得一个比值,以揭示客流波动特性的特点。宽度流量比越大,说明客流的波动特性越强;反之,客流的波动特性越弱。宽度流量比通过公式(12)确定:
式中,Rn为时间编号为n时的宽度流量比;FlowUn,1-α为时间编号为n时的客流变化区间上限;FlowLn,1-α为时间编号为n时的客流变化区间下限;Flown为时间编号为n时的客流真实值。
其中,本发明的具体方法可以苏州市轨道交通全网客流为例,进行客流波动特性的计算。选用苏州市轨道交通全网客流,即1号线和 2号线所有站点进站客流的总和,选取5min为时间汇集度,分别对工作日和休息日客流进行客流波动特性的计算。
客流波动特性计算选取的研究时间段为2019年01月4日至2019 年01月25日,将每日自早上6时30分至晚上22时30分的进站客流数据作为研究数据。
步骤1:对原始客流数据进行处理。
筛选出1号线和2号线所有站点在研究时间段内的乘客进站记录,获取时间汇集度为5min的全网进站客流序列。
步骤2:绘制客流时间序列图,识别客流变化的周期。
针对工作日和休息日的客流序列,选取研究时间段内各自前21 天的客流,作出客流随时间变化的时间序列图,汇总如表1所示。观察该汇总表可发现,工作日和休息日客流序列均以1日为周期。
表1客流时间序列图汇总表
步骤3:使用历史客流平均水平周期性差分的方法进行客流平均水平的建模和预测。
工作日和休息日的客流平均水平模型参数计算结果分别如下所示:
工作日:θ1=0.5517,Θ1=0.8911;
休息日:θ1=0.5022,Θ1=0.9377。
在此基础上,使用确定参数后的客流平均水平模型预测得到研究时间段内的客流预测值序列。
步骤4:使用历史客流离散水平递推的方法进行客流离散水平的建模和预测。
工作日和休息日的客流离散水平模型参数计算结果分别如下所示:
工作日:α0=4905,α1=0.1481,β1=5.97×10-20;
休息日:α0=7090,α1=0.0818,β1=3.61×10-23。
在此基础上,构建结构化状态驱动的推理框架进行均值推理,使用确定参数后的客流离散水平模型预测得到研究时间段内的客流方差预测值序列。
步骤5:计算一定置信水平下的客流变化区间。
此实例选取95%的置信水平,基于客流及客流方差的预测结果,计算工作日和休息日的客流变化区间。客流变化区间的计算表达式为:
其结果如表2所示:
表2观察数据与变化区间汇总表
步骤6:计算宽度流量比,并进行分析和对比。
针对工作日和休息日客流,计算客流变化区间的宽度流量比,计算表达式为:
在此基础上,作出工作日和休息日客流在研究时间段内最后5 天宽度流量比与客流真实值的对比图,汇总如表3所示。可以看出,两对比图呈现类似特点:每日大部分运营时段,客流量明显大于0 的情况下,宽度流量比保持在稍大于0的平稳状态;而每日早晨刚开始运营和晚间接近于运营结束的一段时间内,随着客流量接近于或等于0,宽度流量比呈现增加趋势。这说明,在每日大部分运营时段,客流量明显大于0的情况下,客流的波动特性较弱,客流变化的可能性较小;而每日早晨刚开始运营和晚间接近于运营结束时,客流的波动特性会明显增强。同时,在工作日的早、晚高峰出现时,宽度流量比会出现一定的下降,说明工作日时,早、晚高峰客流的波动特性稍弱,而平峰时段客流的波动特性稍强。
表3宽度流量比与观测值对比图汇总表
由此可见,本发明的优点在于:
1.通过乘客进、出站记录得到的客流序列反映的是历史的、真实的城市轨道交通客流水平,在此基础上使用历史客流平均水平周期性差分和历史客流离散水平递推的方法使得真实的历史客流数据得到了充分的利用。
2.城市轨道交通系统相比于道路交通系统具有更强以及更明显的周期性,历史客流平均水平周期性差分的方法则充分挖掘了城市轨道交通客流的周期性,使得客流的周期性信息较为完整地蕴含在客流平均水平模型中。
3.本发明在对客流平均水平变化特征进行分析的同时,应对客流的离散变化特征进行分析,在此基础上,对围绕客流平均值的客流变化区间进行预测,架构合理,计算消耗小,可应对不同模式客流,可操作性强。得到的客流变化区间可以反映客流的波动特性,有助于城市轨道交通运营管理部门根据客流的变化而采取适当的措施,合理的进行车站行人交通组织和列车运营调度等,提升系统服务水平。
4.本发明方法提出了宽度流量比的概念,该指标考虑到了客流的基值对变化区间宽度的影响(变化区间的宽度随着客流基值的增大而增大),因此比单纯的计算变化区间宽度更能够准确、客观的衡量客流波动特性的强度。
显而易见的是,以上的描述和记载仅仅是举例而不是为了限制本发明的公开内容、应用或使用。虽然已经在实施例中描述过并且在附图中描述了实施例,但本发明不限制由附图示例和在实施例中描述的作为目前认为的最佳模式以实施本发明的教导的特定例子,本发明的范围将包括落入前面的说明书和所附的权利要求的任何实施例。
Claims (8)
1.一种描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于包含如下步骤:
步骤1:对原始客流数据进行处理,获取一定时间汇集度下的城市轨道交通客流序列;
步骤2:绘制客流时间序列图,识别客流变化的周期;
步骤3:使用历史客流数据进行结构化状态驱动的季节性差分自回归滑动平均模型,预测客流平均水平,其中具体步骤分为两个子过程:
步骤3.1:使用历史客流,分析其周期与季节长度,训练下述模型,从而实现预测,其预测具体遵循以下公式(2):
式中,Flown为在时间汇集度为T的客流序列中,时间编号为n时的客流真实值;B为后移运算符;φP(BS)和ΘQ(BS)是B矩阵的阶为P,Q的多项式;P是季节自回归的阶数;D是季节差分数;Q是季节自平均阶数;S是季节周期的长度;εn为随机干扰项,符合均值为0、方差为的正态分布;
步骤3.2:利用结构化状态预测模型驱动3.1中构建的季节性差分自回归滑动平均模型,降低趋势变化造成的波动,形成稳定的预测和修正框架,具体遵循以下公式(3)至公式(8):
Flowt+1=AFlowt+Wt (3)
Yt=BFlowt+Vt (4)
其中,Flowt+1和Yt分别为系统的n维状态向量和m维观测向量,A和B分别为m×n维状态转换矩阵和观测矩阵,Wt和Vt分别为系统的n维随机干扰向量和m维观测噪声向量;
P(t+1|t)=A·P(t|t)+R1+R2+...+Rq (5)
Kg(t+1)=P(t+1|t)·B′/(B·P(t+1|t)·B′+Q) (6)
其中,为基于t时刻的道路交通客流预测值,P(t+1|t)为/>对应的协方差矩阵,(R1,R2,...,Rq)为(e1,e2,...,eq)对应的协方差矩阵,Q为观测噪声方程的协方差矩阵,Kg为误差增益,Z为观测真实值所组成的向量;
其中Y(t+1)为t+1时刻的观察真实值,为t+1时刻客流数据的最优预测;
步骤4:使用历史客流离散水平递推的方法进行客流离散水平的建模和预测;
步骤5:选取一定置信水平并确定该置信水平下的客流变化区间;
步骤6:将客流变化区间的宽度与对应的客流真实值之比定义为宽度流量比,使用该指标来评价客流波动性的强弱,宽度流量比越大,说明客流的波动性越强;反之,客流的波动性越弱。
2.如权利要求1所述的描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于:步骤1中确定时间汇集度T、研究时间段、研究的站点和客流类型,对原始客流数据进行处理,获取时间汇集度为T的客流序列{Flow1,Flow2,Flow3,…}。
3.如权利要求2所述的描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于:原始客流数据为每一位乘客的进、出站记录,包括进、出站的站点和时间,通过判断原始数据中的车站、时段信息,以对客流序列中的第n个客流值Flown进行计算,具体计算遵循以下公式(1):
式中,Flown为在时间汇集度为T的客流序列中,时间编号为n时的客流真实值;Station为乘客进/出站站点,Time为乘客进/出站时间,Tn为研究时间段内的第n个汇集间隔所包含的时间段。
4.如权利要求1所述的描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于:使用确定参数后的客流平均水平模型对研究时间段内的客流平均水平进行预测,得到客流预测值序列
5.如权利要求1所述的描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于:步骤4中模型的表达式如下公式(9)和(10):
式中,FlowVarn和FlowVarn-1分别为时间编号为n和n-1时的客流方差值;en为随机干扰项,符合均值为0、方差为1的正态分布;α0、α1和β1为模型的常数项。
6.如权利要求5所述的描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于:使用客流残差序列对模型参数α0、α1和β1进行确定后,再使用确定参数后的客流离散水平模型对研究时间段内的客流离散水平进行预测,得到客流方差预测值序列/>
7.如权利要求1所述的描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于:步骤5中选取100·(1-α)%的置信水平,其中0<α<1,计算该置信水平下的客流变化区间,客流量变化区间的计算表达式为公式(11):
式中,FlowLn,1-α为时间编号为n时的客流变化区间下限;FlowUn,1-α为时间编号为n时的客流变化区间上限;为时间编号为n时的客流预测值;/>为时间编号为n时的客流方差预测值;zα/2为正态分布的上α/2分位点。
8.如权利要求1所述的描述波动特性的城市轨道交通客流量变化区间预测方法,其特征在于:步骤6中采用宽度流量比来评价客流波动特性的强弱,宽度流量比通过公式(12)确定:
式中,Rn为时间编号为n时的宽度流量比;FlowUn,1-α为时间编号为n时的客流变化区间上限;FlowLn,1-α为时间编号为n时的客流变化区间下限;Flown为在时间汇集度为T的客流序列中,时间编号为n时的客流真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367806.4A CN113255958B (zh) | 2021-04-06 | 2021-04-06 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367806.4A CN113255958B (zh) | 2021-04-06 | 2021-04-06 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255958A CN113255958A (zh) | 2021-08-13 |
CN113255958B true CN113255958B (zh) | 2024-03-12 |
Family
ID=77220320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367806.4A Active CN113255958B (zh) | 2021-04-06 | 2021-04-06 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255958B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132083B (zh) * | 2023-10-20 | 2024-01-30 | 惠州市金雄城建筑科技有限公司 | 一种基于bim的城市轨道交通枢纽运维管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016168970A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社日立製作所 | 評価システム及び運行情報の評価方法 |
CN109272168A (zh) * | 2018-10-09 | 2019-01-25 | 南京地铁集团有限公司 | 一种城市轨道交通客流变化趋势预测方法 |
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测系统及预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204483015U (zh) * | 2012-07-23 | 2015-07-22 | 惠州市吉瑞科技有限公司 | 电子烟盒及电子烟装置 |
US9967649B2 (en) * | 2015-09-30 | 2018-05-08 | Apple Inc. | Wireless pairing of earbuds and case |
KR101822855B1 (ko) * | 2015-11-19 | 2018-03-08 | (주)한국전자기술 | 휴대용 충전 케이스 모듈 |
-
2021
- 2021-04-06 CN CN202110367806.4A patent/CN113255958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016168970A (ja) * | 2015-03-13 | 2016-09-23 | 株式会社日立製作所 | 評価システム及び運行情報の評価方法 |
CN109272168A (zh) * | 2018-10-09 | 2019-01-25 | 南京地铁集团有限公司 | 一种城市轨道交通客流变化趋势预测方法 |
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测系统及预测方法 |
Non-Patent Citations (2)
Title |
---|
城市轨道交通网络短时客流OD估计模型;姚向明;赵鹏;禹丹丹;;交通运输系统工程与信息(02);全文 * |
定时交通系统客流微观波动特性分析与建模;杨越思;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;正文第3-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255958A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564790B (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
CN107045788B (zh) | 交通路况预测方法及装置 | |
US9519912B2 (en) | Hybrid system for demand prediction | |
CN107610464A (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN115240431B (zh) | 高速公路收费站交通流量实时在线仿真系统及仿真方法 | |
CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN114463972B (zh) | 一种基于etc门架通信数据的路段区间交通分析预测方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN109308343A (zh) | 一种基于随机波动模型的行程时间预测及可靠性度量方法 | |
CN113255958B (zh) | 描述波动特性的城市轨道交通客流量变化区间预测方法 | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
Liu et al. | Bustime: Which is the right prediction model for my bus arrival time? | |
CN107316096A (zh) | 一种轨道交通一票通乘客进站量预测方法 | |
CN108345987B (zh) | 一种道路基础设施建设项目影响评价决策支持系统及方法 | |
CN111985731B (zh) | 城市公共交通站点人数的预测方法及系统 | |
CN116580563B (zh) | 基于马尔可夫链的区域拥堵车源预测方法、装置及设备 | |
JP2004023114A (ja) | 通信トラヒック予測方法およびその装置 | |
CN112102613A (zh) | 一种高速公路客货运输量预测方法及系统 | |
CN111145535B (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
Micus et al. | Customer integration in product development using big data: An example of using fleet data to determine parking behavior | |
Beitel et al. | Quality measure of short-duration bicycle counts | |
WO2002059808A1 (en) | System and method of estimating travel times | |
Bansal | Biogeography-based optimization and support vector regression for freeway travel time prediction and feature selection |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |