基于IC卡和RBF神經網絡的短時公交客流量預測

陸百川，鄧 捷，馬慶祿，劉權富，張 凱

(1.重慶交通大學 交通運輸學院，重慶 400074；2. 重慶交通大學 重慶山地城市交通系統與安全實驗室，重慶 400074；3.貴州交通職業技術學院 信息工程系，貴州 貴陽 550008)

?

基于IC卡和RBF神經網絡的短時公交客流量預測

陸百川1,2，鄧 捷1,3，馬慶祿1，劉權富1，張 凱1

(1.重慶交通大學 交通運輸學院，重慶 400074；2. 重慶交通大學 重慶山地城市交通系統與安全實驗室，重慶 400074；3.貴州交通職業技術學院 信息工程系，貴州 貴陽 550008)

在公交客流量特性分析基礎上，通過IC卡獲取了實時公交客流量數據；結合GPS數據，利用OD反推法分析了實時客流分布；進而建立了基于IC卡和RBF神經網絡的短時公交客流量預測模型并介紹了具體預測過程。對重慶市841公交線路進行了實例分析，得到上下車客流真實值與預測值的平均絕對相對誤差均小于1.5%，實例計算結果表明該模型能獲取實時客流數據，預測精度高，具有一定的實際應用價值。

交通運輸工程；IC卡信息；GPS數據；RBF神經網絡；短時公交客流；客流預測

0 引 言

為解決越來越嚴重的城市交通擁堵問題，大力發展公共交通是有效的手段之一。為了達到這個目的，保障公交系統在不同環境中始終高效有序的運營，首先需要一個良好的公交運營管理方案，在此基礎上進行有效的運營調度，這就需要更多的公交信息和有效的預測。而針對公交運營的短時間客流量預測，由于受到的影響因素隨機性強，復雜程度高，空間因素制約性大，特別是客流量大的區域短時間尺度變化明顯，預測難度大[1]。通常采用的人工統計的方法，需要耗費大量的人力和財力，且樣本量小，誤差大，實時性差。因此，研究短時公交客流量預測技術對于公交優化具有一定的理論和實際意義。

近年來，研究者們將改進的短時交通量預測方法用于短時公交客流量的預測，其中常用的線性模型包含時間序列法和線性回歸分析法等[2]，這類方法對基礎數據要求不高，預測過程簡單，便于實現，但在預測復雜的公交客流變化時，無法保證預測精度；智能信息處理技術在數據挖掘中成熟的應用，智能模型也廣泛用于短時公交客流量預測，其中主要有BP神經網絡、模糊神經網絡和支持向量機等方法，這類方法數據擬合能力強，預測結果精度高，但計算過程復雜，需要大量的歷史數據，同時BP神經網絡存在多個最優解，預測精度不穩定，模糊神經網絡需要人工干預，推理速度慢[3]；支持向量機主要是針對模式分類，使用在預測中的理論支撐不成熟[4]；將多種模型進行結合同時用于預測的組合模型，各種模型優劣互補，預測結果精度高，但是預測模型復雜，當前理論不成熟，需要進一步研究；常用的短時公交客流量預測模型還有交通仿真模型、動態交通分配模型和小波分析等，這些方法能用于復雜的交通環境，預測精度高，但由于模型復雜，實用性不強。

目前公交IC卡越來越普及，IC卡里面包含大量信息，可以進一步提高公交預測精度，為公交預測提供一種更為科學的方法。筆者提出了基于IC卡和RBF神經網絡的短時公交客流量預測的方法，

這種方法通過IC卡實時獲取公交客流數據以及利用GPS數據獲取車輛位置等信息，將公交IC卡數據和GPS數據相互融合，得到具有IC卡編號、車輛位置、站點信息和時間等信息的數據組，采用RBF神經網絡具有自主訓練的能力對公交客流量進行預測。IC卡數據和GPS數據所含信息量大，能實時獲取，為預測提供了可靠數據來源，RBF神經網絡收斂速度快和只有唯一最優解，提供了最有效預測模型，從而解決了數據調查困難和預測模型不科學的問題。

1 公交客流數據獲取及分析

1.1 公交IC卡客流數據獲取

公交客流受到時間周期特性的影響，工作日的客流時間分布和周末客流時間分布不同，節假日和平常時間客流分布也各具特點。公交客流也受空間特性的影響，不同區域站點在早高峰、平峰和晚高峰時客流方向不同[5]。公交客流的時空特性，使得短時公交客流受到隨機影響因素多，不同時空下具有獨特變化趨勢，采用一個站點在不同周期內時間段的不同，以及上一個站點客流情況對該站點下一時刻的客流量進行預測時，為保證預測精度，需要大量實時客流數據。

采用人工調查法和傳統乘客計數器獲取的客流數據，無法滿足當前公交客流分析中實時客流數據，以及個人信息內容的需要。針對傳統公交客流獲取方法的不足，利用當前公交系統采用的非接觸式IC卡收費系統，在完成對乘客的收費的同時實現對持卡人出行信息的獲取，包含的主要信息有IC卡卡號、刷卡時間、卡類型、交易類型、消費單位號、公交線路號、車輛編號、交易前金額、交易金額等信息。其中IC卡收費系統有兩種類型，一類是根據乘車區間收費的，上車、下車分別需要刷一次卡，這類系統主要用于軌道交通和少部分公交；另一類是只需要在上車時刷一次卡，這類是當前最常用的IC卡收費系統，也是筆者的研究對象，研究同時需考慮使用其它方式付費的乘客。整個IC卡信息采集流程主要包含7個角色，如圖1。

圖1 IC卡信息采集流程

1.2 基于單次刷卡的OD反推分析

傳統的單次刷卡OD反推法是采用IC卡信息，利用概率論模型[6]、神經網絡模型、雙層數學規劃模型以及最小二差數等進行反推，得到公交OD矩陣。這些模型存在各自的使用范圍和局限性，難以對數據量大、影響因素多以及實時性強的IC卡信息進行準確OD反推分析。為克服上述不足，基于當前公交車輛上都安裝有GPS定位系統，可以利用浮動車采集技術與IC卡技術相結合完成對公交實時數據的采集，將采集的GPS數據用于公交OD反推分析。具體步驟為：IC卡信息和GPS數據的融合，得到一個包含兩類采集技術獲取數據的數據組，每個數據組就是一張IC卡刷一次的具體信息，包含了刷卡卡號、刷卡時間、消費金額、刷卡站點、車輛編號、線路編號等信息；通過對所有數據組的處理，根據IC卡號統計時間段內每個IC卡使用次數；根據一次完整的出行包含出門和歸來，出門時需要刷一次卡和歸來同樣需要刷一次卡，這兩次刷卡就形成一個完整的OD對，通過對多次刷卡不同情況的分析，可以得到不同使用次數和約束條件下構成的OD分布。筆者對大數據的處理是通過程序化來實現，實例采用Oracle數據庫中存儲過程的處理方法。

2 公交客流量預測模型建立

通過系統集成技術實現對IC卡繳費系統、GPS定位系統、無線通信系統和中央數據庫系統的相互訪問，建立基于IC卡和RBF神經網絡的公交客流量預測模型框架，如圖2。

圖2 公交客流量預測模型框架

模型采用系統集成技術實現IC售票系統和GPS定位系統間信息的相互訪問，使得信息處理中心很容易完成對公交IC卡信息與GPS數據的融合，形成包含有客流量、時間、公交屬性、線路和站點等完整信息的數據組；通過對數據組的分析，得到乘客客流量OD分布，時間段分布等數據，再進行推導得到站點OD出行統計數據和所有客流量統計數據；得到的這兩種數據以及客流時間段分布數據作為原始數據輸入到RBF神經網絡，經過RBF神經網絡自主學習，分析出公交客流量變化與這幾種數據間的關系模型，利用此關系模型就能依據現有數據預測未來客流量變化趨勢。

3 公交客流量具體預測過程

信息采集子系統能獲得使用該車輛乘客的IC卡信息和定位數據，并發送到信息采集子系統處理中心，完成數據的分析，根據預測模型要求對數據進行分類，格式調整等處理；再通過RBF神經網絡進行處理，得到未來時間公交客流量數據，實現對未來公交車客流量的預測，具體預測步驟如下：

1)通過人工調查數據或者中央數據庫中的歷史數據，以時間段劃分的順序，統計分析出各條公交線路上使用IC卡乘客數和使用現金乘客的比值關系，這個比值關系隨時間變化不斷更新[7]；

2)根據IC卡售票系統的歷史統計數據，采用OD反推法對數據進行處理分析，確定各時間段的IC卡乘客出行的OD分布，并通過IC卡售票系統的實時數據進行不斷更新；

3)通過IC卡售票系統的實時運營數據，計算各站點、線路在過去時刻的IC卡乘客出行需求狀況；

4)樣本選取和設定RBF神經網絡訓練參數，通過RBF神經網絡處理，得到最終預測結果[8]；

5)將得到的預測結果進行比例換算，獲得實際情況下的公交客流量數據。

4 公交客流量預測實例

為體現模型應用的普遍性和合理性，筆者選取經過重慶市多個商圈，客流量大，具有典型性的公交841線路所屬站點IC卡信息和GPS數據為實例數據來源，實例線路的公交起點為八公里站，終點為重慶火車北站，在這兩個站點間存在20個公交站點。

采用分組調查的方式，對這22個站點進行非節假日，從早上6點到下午8點以1 h為基礎時間段的使用IC卡的乘客和整個乘客的關系數據進行調查。根據調查結果統計，使用IC卡的乘客數占總人數比例約為83%。

將線路中與調查時間相同的IC卡信息和GPS數據進行整理；再利用信息集成技術對采集到的IC卡信息和GPS數據進行融合，得到具有IC卡信息和GPS數據的數據組；接著對同一IC卡號使用次數進行統計；根據OD對形成條件對不同的刷卡次數分別處理，得到多種類型的OD對形成方式。

采用反推法對客流量數據進行分析，得到每個站點使用IC卡的乘客出行OD分布。在分析時為了便于數據庫的處理，將站點的具體名字采用編號代替，最后通過統計分析得到同一時間段的整合數據，包含信息統計開始時間、結束時間、上車站點編號、上車刷卡乘客人數、每個站點下車乘客數。

預測時為能最大化提高預測精度，將上車乘客和下車乘客分別進行預測。通過數據統計分析得到上車乘客數據，包含統計開始時間、結束時間、上車站點編號、上車客流量，如表1；統計分析得到下車開始時間、結束時間、下車站點編號、下車客流量，如表2。

表1 站點上車乘客統計格式

表2 站點下車乘客統計格式

預測后對同一時間，同一站點上車乘客數和下車乘客數進行統計，得到線路未來客流變化趨勢。為能夠科學分析筆者建立模型的預測效果，采用數理統計分析方法對真實值和預測值的誤差進行分析。

采用模型對第1個站點的上車乘客流量和下車乘客流量進行預測，模型輸入數據有該公交站點歷史上車乘客統計數據、上車使用IC卡乘客時段分布統計數據和經過該站點的公交線路客流分析數據。為能驗證模型預測結果和實際情況的對比效果，同時為了能提高預測結果的準確性，盡量擴大訓練樣本的容量，因此采用80%數據為模型訓練樣本，20%數據為預測樣本。其預測結果如圖3和圖4。

圖3 上車客流量實際值與預測值曲線及誤差曲線

圖4 下車客流量實際值與預測值曲線及誤差曲線

圖3的早高峰和圖4的晚高峰誤差曲線變化比較大，表明此站點在高峰的時候乘客數變化較大，預測難度大，導致預測精度下降。通過上下車誤差曲線還可以知道，公交車IC卡收費系統采用的是上車刷卡，下車不刷，下車乘客數是以上車乘客數為基礎數據，采用OD反推模型分析出來，因此，上車乘客數的預測結果比下車乘客數的預測結果更接近真實值。

通過分析指標對誤差的統計分析，得到最終結果如表3。

表3 重慶市841線路公交客流量實際值與預測值一覽

由表3可知，上車客流和下車客流中預測值都接近實際值，平均絕對相對誤差都在1.5%以內，最大絕對相對誤差在4%以內，均方根誤差在1.5%以內。這些誤差數據說明基于IC卡和RBF神經網絡的方法能實現對公交客流量變化趨勢的準確預測，基本符合實際情況。以后隨著IC卡使用量不斷增加，誤差會更小。

5 結 語

采用公交IC卡信息和GPS數據的實時動態采集技術，以及RBF神經網絡適合多變量數據的處理，具有唯一最佳逼近點，泛化能力能強的特點，提出了基于IC卡的RBF神經網絡公交客流量預測模型。通過公交車上的IC卡售票系統和GPS定位系統獲取實時動態的客流信息和車輛信息，采用反推法對數據進行統計分析獲取客流量實時客流分布，再通過RBF神經網絡對未來時間段的客流量進行預測，建立了實時動態的公交客流量預測模型，并用重慶市841公交線路進行實例驗證。結果表明，該模型不僅能減少調查時的人力和物力需要，還能在很大程度上提高預測精度，在理論和實際應用中都有一定價值。

[1] 李曉俊,呂曉艷,劉軍,等.基于徑向基神經網絡的鐵路短期客流預測[J].鐵道運輸與經濟,2011,33(6):86-89. Li Xiaojun,Lv Xiaoyan,Liu Jun,et al.Forecast of railway short-term passenger flow based on RBF neural network [J].Railway Transport and Economy,2011,33(6):86-89.

[2] 姜華平,陳海泳.城市公交客運量的預測模型研究[J].統計與決策,2005(6):30-32. Jiang Huaping,Chen Haiyong.Forecast model of public transit volume [J].Statistics and Decision,2005(6):30-32.

[3] 張冬青,寧宣熙,劉雪妮.基于RBF神經網絡的非線性時間序列在線預測[J].控制理論與應用,2009,26(2):151-155. Zhang Dongqing,Ning Xuanxi,Liu Xueni.On-line prediction of nonlinear time series using RBF neural networks [J].Control Theory and Applications,2009,26(2):151-155.

[4] 王樹洋,黃天民,方新.基于PSO-SVM的交通流量短時預測[J].重慶交通大學學報:自然科學版,2012,31(4):832-835. Wang Shuyang,Huang Tianmin,Fang Xin.Short-time prediction of traffic flow on the basis of PSO-SVM [J].Journal of Chongqing Jiaotong University:Natural Science,2012,31(4):832-835.

[5] 沈家軍,王煒,陳峻,等.基于灰色馬爾可夫模型的近期公交客流量預測[J].公路交通科技,2007,24(9):120-123. Shen Jiajun,Wang Wei,Chen Jun,et al.Short-term urban public transit volume forecast based on Gray-Markov Mode [J].Journal of Highway and Transportation Research and Development,2007,24(9):120-123.

[6] 周雪梅,楊熙宇,吳曉飛,等.基于IC卡信息的公交客流起止點反推方法[J].同濟大學學報:自然科學版,2012,40(7):1027-1030. Zhou Xuemei,Yang Xiyu,Wu Xiaofei,et al.Origin destination matrix estimation method of public transportation flow based on data from bus integrated circuit cards [J].Journal of Tongji Univeilsity:Natural Science,2012,40(7):1027-1030.

[7] Joaquín de Cea,Enrique Fernnd.Transit assignment for congested public transport system:An equilibrium model [J].Transportation Science,1993,27(2):133-147.

[8] 姜平,石琴,陳無畏,等.公交客流預測的神經網絡模型[J].武漢理工大學學報:交通科學與工程版,2009,33(3):414-417. Jiang Ping,Shi Qin,Chen Wuwei,et al.Forecast of passenger volume based on neutral network [J].Journal of Wuhan University of Technology:Transportation Science & Engineering,2009,33(3):414-417.

A Short-Term Public Transit Volume Forecasting Model Basedon IC Card and RBF Neural Network

Lu Baichuan1, 2, Deng Jie1, 3, Ma Qinglu1, Liu Quanfu1, Zhang Kai1

(1. School of Traffic & Transportation, Chongqing Jiaotong University, Chongqing 400074, China;2. Key Lab of Traffic System & Safety in Mountain Cities, Chongqing Jiaotong University, Chongqing 400074, China;3. Department of Information Engineering, Guizhou Polytechnic College of Communications, Guiyang 550008, Guizhou, China)

On the base of the analysis on characteristics of bus passenger volume, the real-time data of public transit volume was obtained by IC card. Combining with GPS data, the real-time distribution of passenger volume was analyzed by OD back-stepping method. And then the forecasting model of short-term public transit volume based on IC card and RBF neural network was established, meanwhile, the specific forecasting process was also introduced. No. 841 bus route in Chongqing was taken as an example to verify the proposed forecasting model. It is found that the average absolute relative error of the real value and the predicted value of the passenger flow is less than 1.5%. The results of case study show that the proposed model can obtain real-time traffic data and achieve high prediction accuracy, which has certain practical application value.

traffic and transportation engineering; IC card information; GPS data; RBF neural network; short-term public transit volume; passenger volume forecasting

10.3969/j.issn.1674-0696.2015.06.20

2014-04-15；

2014-10-15

國家外國專家局2011教科文衛引智項目計劃(What011201)

陸百川(1961—)，男，江蘇南通人，教授，博士，博士生導師，主要從事交通信息工程及控制方面的研究。E-mail: dengjie2079@126.com。

U491.1

A

1674-0696(2015)06-106-05