資源描述：
《基于數(shù)據(jù)融合的地鐵客流量預測方法》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。
1、基于數(shù)據(jù)融合的地鐵客流量預測方法南京地鐵運營有限責任公司江蘇南京210000【摘要】地鐵是現(xiàn)今城市人們出行的一項重要交通工其，為了能夠?qū)Φ罔F交通客流量進行預測，便于我們相關工作的開展。在木文中，將就基于數(shù)據(jù)融合的地鐵客流量預測方法進行一定的研究與分析?！娟P鍵詞】數(shù)據(jù)融合；地鐵客流量；預測1引言在現(xiàn)今城市地鐵運行過程中，對于車站流量信息的預測是非常重要的一項工作，通過對流量信息的準確預測、把握，能夠較好的幫助我們以更為科學的方式開展相關調(diào)度工作，以此在更好滿足人們地鐵乘染需求的基礎上獲得更多的經(jīng)濟收益。2傳統(tǒng)預測
2、方式及缺陷在以往的地鐵流量預測工作中，主要使用的方式有Kalman濾波以及回歸分析算法等方式，對于這部分方式來說，其是一種平穩(wěn)的預測方式，但由于地鐵系統(tǒng)具有著線性特征，因此上述方式在這種線性系統(tǒng)中很難獲得較為滿意的結果。同時，地鐵是一種人人參與的具有較強主動性的交通系統(tǒng)，具有較強的擾動性以及非線性特點，這就使上述方式在實際預測工作開展時存在著以下問題：首先，在每次所獲得數(shù)據(jù)中，都是數(shù)據(jù)變化情況較小時還具有著較好的預測意義,但是如果這部分數(shù)據(jù)值只有較大的變化，就會隨之帶來更大的誤差；其次，獲得的預測值所產(chǎn)牛.的變
3、化同實測值變化情況相比存在著較為明顯的滯后性；最后,不能對奇異信息所造成的影響進行消除。且所使用的小波分析方式雖然能夠在小波變化之后對相關數(shù)據(jù)進行預測，能夠?qū)σ酝A測方式不能對奇異信息進行徹底消除的缺陷進行解決，但該種方式僅僅能夠?qū)蝹€數(shù)據(jù)序列進行處理，沒有使其發(fā)揮出最大的作用。3數(shù)據(jù)融合技術概述數(shù)據(jù)融合技術是一種最高誕生于軍事領域的技術，在技術誕生之初蘇主要作用是用于目標定位、身份識別、航跡跟蹤以及態(tài)勢評估等。在傳統(tǒng)數(shù)據(jù)融合技術中，其經(jīng)常通過概率理論的應用實現(xiàn)對多種類型信息的獲取與研究，并將大量信息中無用部分
4、進行良好去除的基礎上對其中有價值的部分進行保留。而在對信息進行實際處理時，則通過不同方法實現(xiàn)對數(shù)據(jù)屬性特征的體現(xiàn)，為了能夠?qū)Τ鞘械罔F運行過程中我們所收集到的數(shù)據(jù)進行充分的利用，并在此基礎上獲得更為可靠、準確的動態(tài)預測結果。我們在數(shù)據(jù)融合的思想下對地鐵客流量預測進行了一定的研究。4流量融合預測模型4.1預測模型結構針對地鐵客流量預測工作所具有的復雜性，為了能夠同預測對象具冇關系的屬性與其他對象進行良好的表現(xiàn)，我們對每一個關聯(lián)對象的屬性都通過吋間序列方式的應用對其進行了表示，以此作為該預測對象的相關序列。且所有用于
5、預測的序列因此共同構成了預測對象序列集。而由于不同方式在數(shù)據(jù)預測中具冇著不同的效果與作用，我們則針對相關序列分別對于不冋的預測方式進行了應用。4.2序列集的構造為了能夠預測車站在第i天t吋刻所具冇的流量Foi(t),我們設該吋刻相關序列集為：f(t)={fj⑴，l≤j≤n}在上式中，fj(t)代表在t吋刻下的吋間序列，而n則代表吋間序列數(shù)。在上述基礎上，為了能夠幫助我們預測的更為精準，則可以在相關固定特性的基礎上對多個數(shù)量的吋間序列進行構造。而根據(jù)地鐵客流量特點，我們則可以將流量數(shù)據(jù)構造為以下幾個序
6、列，即當前、歷史與鄰站序列：4.2.1當前序列該序列能夠預測t時間前該地鐵站點k次流量，并將不冋吋間情況下所記錄的吋間序列作為當前序列:FI(t)={Fio(t-l),l≤l≤k}在該序列中，時間是最為關鍵的一項影響因素，同時，數(shù)據(jù)結果也會受到氣溫、天氣以及人為等方面因素的影響。在數(shù)據(jù)分布方面，其則具冇著較人的非線性特性以及較寬的頻帶。第I班列車流量如下圖所示：圖3鄰站序列分布特點4.3序列的預測在上述研究結果的基礎上，由于不同序列情況在實際地鐵流量預測工作中所具有的影響情況各不相同，iL在特點差異
7、以及分布規(guī)律方面也具有著較大的差異。對此，對于不冋類型序列我們則需要通過不同方式的應用對其進行預測。在本研究中，我們對于當前序列首先進行小波分解，之后再以Kalman方式對其進行預測，并對鄰站序列以冪級數(shù)多項式進行擬合。4.3.1小波分析在該方式中，我們首先根據(jù)分解指數(shù)對S標序列進行小波尺度分解，并在分解后得到了N組高頻信號與一組低頻信號。在對上述信號組使用Mallat塔式算法將其重構到原有尺度之后，則能夠獲得這部分信號在原冇尺度上重構處理的信號。在具有這部分數(shù)據(jù)的基礎上，則對Kalman濾波進行了預測工作，并
8、獲得N+1個預測值，并在將這部分預測值通過適當系數(shù)合成之后獲得最終值。4.3.2Kalman濾波濾波方程設計為：F(t)=φ(t-1)F(t-1)+W(t-1)在上式中，φ(t)代表狀態(tài)轉(zhuǎn)移量，W(t)代表系統(tǒng)誤差。通過該方式的應用，則能夠?qū)υ撜军ct-1吋刻下所具奮的狀態(tài)進行估計。5結束語可以說，通過對地鐵客流量的預測與掌握，對于我們地鐵調(diào)度工作的開展具有非常積極的作用
