基于廣義動態模糊神經網絡的短時車站進站客流量預測

李春曉 李海鷹 蔣 熙 許心越 趙阿群

(1.北京交通大學軌道交通控制與安全國家重點實驗室 北京 100044；2.北京交通大學交通運輸學院 北京 100044；3.北京交通大學計算機與信息技術學院 北京 100044)

基于廣義動態模糊神經網絡的短時車站進站客流量預測

李春曉1,2李海鷹1蔣 熙1許心越1趙阿群3

(1.北京交通大學軌道交通控制與安全國家重點實驗室 北京 100044；2.北京交通大學交通運輸學院 北京 100044；3.北京交通大學計算機與信息技術學院 北京 100044)

軌道交通；廣義動態模糊神經網絡；短時客流預測；進站量

1 研究背景

隨著城市軌道交通進入網絡化運營模式，線網規模和復雜性不斷增加，對城市軌道交通運營管理提出了更高的要求，短時客流預測不僅是運營管理與資源配置的基礎[1]，還能為運能分析及運量匹配提供有效的數據支持。因此，實時準確的短時客流預測是實現軌道交通系統高效、有序運行的重要保障。

相比中長期客流，短時客流具有更強的隨機性、高度非線性等特點，使得傳統的預測方法如時間序列、非參數回歸模型等不適用于短時客流預測。短時客流預測通常集中在BP神經網絡、支持向量機等方法的研究上，但它們存在以下問題：BP神經網絡對初始權值非常敏感，算法穩定性差，收斂速度水平較低，網絡的泛化能力差[2]；支持向量機則難以訓練大規模的樣本數據，存在多分類問題求解困難的弊端，而軌道交通的客流數據量龐大，會耗費大量機器內存與運算時間，故這類方法有很大的局限性[3]。

2 軌道交通車站進站客流特性

城市軌道交通車站小時進站客流隨城市生活的節奏變化在一天內呈動態起伏狀分布，車站小時客流一般有5種分布類型[8]：單峰型、雙峰型、全峰型、突峰型和無峰型。由于軌道交通系統日常服務的通勤出行比例較高，工作日時遵從早出晚歸的規律，所以通常客流在一天內呈雙峰型分布。

工作日與休息日的進站客流分布有明顯區別：周一至周五的進站量明顯高于休息日，并有明顯的早晚高峰現象，呈現很強的規律性，而休息日的進站客流相對分散，分布比較均衡，如圖1所示。

圖1 北京地鐵2號線A站一周內各日的分時進站量

節假日也影響車站短時進站客流分布，十一節假日期間的進站量明顯小于前后兩周的進站量。節假日期間部分市民選擇出去旅游，通勤客流也大大減少，如圖2所示。

圖2 北京地鐵13號線B站十一假期及前后兩周進站量

同時，突發事件如舉辦大型活動、地鐵信號設備故障及天氣的驟然變化等也會對短時客流分布產生較大影響。如2013年12月北京地鐵13號線信號設備發生故障，當日13號線全線客流較平日減少7.37%，約6.29萬人次；2013年9月北京地鐵4號線ATS(自動列車監控系統)工作站故障，當日4號線客流較平日減少15.97%，約20萬人次。

因此，在時間方面，客流受到節假日、工作日、雙休日及時段影響；從突發事件的角度，客流受到重大活動、驟然天氣變化等不確定因素的影響。不確定因素會引起進站客流的隨機波動，但總體上具有周期變化(如雙峰型)的規律。進站客流曲線具有相似性的特點使得客流預測模型可以發現樣本數據規律，實現進站量預測。

3 基于GDFNN的客流預測模型

3.1 選擇模型輸入變量

選取影響客流分布的主要因素并將其量化后作為模型的輸入變量。變量維數過多會給網絡學習帶來不必要的麻煩，并可能造成預測精度的下降；變量維數過少，神經網絡難以發現樣本的規律性。筆者采用5個影響因素作為系統的輸入變量，如表1所示。

表1 系統輸入變量及其標定方法

圖3 GDFNN結構

在輸入層，節點的個數為系統輸入變量的個數，共有r個輸入變量，每個輸入變量xi(i= 1, 2,…,r)有u個隸屬函數uij(j= 1, 2,…,u)。在隸屬函數層，筆者采用高斯函數作為隸屬函數，表示為：

(2)

輸出層的輸出是每一個輸入信號的疊加。輸出變量為

(3)

式中，ωj是結果參數或第j個規則的連接權。

1) 初始化系統預定義參數。

2) 輸入第1個樣本數據產生第1條模糊規則。

3) 輸入新的樣本數據，計算當前樣本與所有模糊規則的馬氏距離，找到最小值dmin，并計算實際輸出誤差ei。

4) 若滿足dmin>kd，則轉5)；否則轉7)。其中,kd是與學習次數有關的設定值。

5) 若滿足ei>ke，則產生新規則，并計算出所有規則的重要性η；否則轉8)。其中，ke是與學習次數有關的設定值。

6) 若滿足η

7) 若滿足ei>ke，則調整高斯函數的寬度和結果參數；否則轉8)。

8) 調整結果參數。

9) 觀測是否完成，若仍有數據則返回3)，否則結束學習。

1) 根據影響客流分布的因素確定預測模型的輸入變量。

3) 對訓練完成的網絡，使用測試數據測試網絡的性能。

4) 使用預測數據進行預測，驗證模型的有效性。

4 案例分析

4.1 樣本數據選擇與預處理

樣本車站為：復興門站(兩線換乘站，進出站客流有明顯潮汐特征)、西直門站(三線換乘站，交通樞紐)、回龍觀站(早高峰進站客流大)。統計2013年9月20日至2013年12月27日每日各時段(以小時為單位)車站的進站量，進行實驗。

訓練數據：2013年9月20日到2013年12月19日分時段的進站量，共1 547個數據。

測試數據：2013年12月20日到2013年12月24日分時段的進站量，共85個數據。

預測數據：2013年12月25日到2013年12月26日分時段的進站量，共34個數據。

實驗時，采用高斯函數作為隸屬函數，其最佳使用范圍為[0,1]。為避免原始數據過大造成網絡麻痹，并提高網絡泛化能力，需要對原始數據進行歸一化處理后作為網絡的輸入(式4)，并對網絡輸出進行反歸一化處理(式5)，得到預測值

(4)

Y(t)=y(t)(maxX(t)-minX(t))+minX(t)

(5)

式中,X(t)為原始數據，x(t)為網絡輸入，y(t)為網絡輸出，Y(t)為預測數據。

4.2 網絡測試與訓練

筆者對3個樣本車站均進行了實驗，以復興門站為代表，對網絡訓練進行說明。隨著樣本數據的增加，模糊規則在不斷變化，網絡結構也隨之動態調整，訓練結束后共產生18條模糊規則，如圖4所示。

圖4 模糊規則產生與動態變化過程

圖5為網絡訓練過程中的實際輸出誤差，從圖中可以看出在訓練初期網絡不穩定，絕對誤差值和變化幅度都較大(最大為2 000人次)，隨著訓練的進行，從第1 000組數據開始，誤差維持在0至200之間，網絡趨于穩定。

圖5 網絡實際輸出誤差

網絡學習結束后，采用85個測試數據對網絡進行穩定性驗證。圖6為測試數據的預測值和期望值對比圖，從圖中情況來看，期望值與預測值曲線擬合程度高。圖7為相對誤差圖，最大相對誤差值為8.00%，預測效果良好。

圖6 測試數據結果對比

圖7 測試數據相對誤差

4.3 預測結果性能分析

預測結果如圖8所示，預測值與期望值擬合程度較好。復興門站預測值相對誤差的絕對值最大為7.96%，最小為0.45%；西直門站預測值相對誤差的絕對值最大為7.04%，最小為0.04%；回龍觀站預測值相對誤差的絕對值最大為7.25%，最小為0.36%。

圖8 3座車站預測結果

表2 3種預測方法指標比較

5 結語

目前，由于訓練數據僅包含兩個月的日常進站客流數據和一年的節假日(十一假期)數據，數據樣本量有限，導致模型預測的最大誤差為8%，但隨著進站客流數據的豐富，網絡泛化能力加強，預測精度會進一步提高。

[2] 周開利, 康耀紅.神經網絡模型與其MATLAB仿真程序設計[M].北京:清華大學出版社，2005.

[3] 董升偉.基于改進BP神經網絡的軌道交通 短 時 客 流 預測方法研究[D].北京:北京交通大學，2013.

(編輯：王艷菊)

Li Chunxiao1,2Li Haiying1Jiang Xi1Xu Xinyue1Zhao Aqun3

(1.State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044;2.School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044;3.School of Computer and Science, Beijing Jiaotong University, Beijing 100044)

Directing against the characteristics of unbalanced, highly nonlinear and dynamic short-term entrance passenger flow of rail transit, the paper presents a short-term entrance passenger flow forecast method based on generalized dynamic fuzzy neural networks(GD-FNN), which combines the logical reasoning ability of fuzzy technology with the self-learning ability of neural networks. The paper determines the main factors affecting the distribution of short-term passenger flow by analyzing the features of passenger flow with the data of Beijing metro stations; and then a forecast model has been established by using GD-FNN to predict the short-term entrance passenger flow; finally, several stations in Beijing rail transit are used as numerical examples to confirm that this model can precisely approximate to the practical data (maximum relative error is less than 8%) and has good stability compared with traditional neural networks.

rail transit；generalized dynamic fuzzy neural networks；short-term passenger forecast；entrance passenger flow

李春曉，女，碩士研究生，從事城市軌道交通客流組織研究，14120844@bjtu.edu.cn

國家重點實驗室自主課題(RCS2015ZZ002)

U293.6

A