基于移動(dòng)通信數(shù)據(jù)分析的Elman神經(jīng)網(wǎng)絡(luò)城市軌道交通客流預(yù)測(cè)*

王思韜 韓 斌 蒲 琪

基于移動(dòng)通信數(shù)據(jù)分析的Elman神經(jīng)網(wǎng)絡(luò)城市軌道交通客流預(yù)測(cè)*

王思韜 韓 斌 蒲 琪

（同濟(jì)大學(xué)鐵道與城市軌道交通研究院，201804，上海//第一作者，碩士研究生）

城市軌道交通的短時(shí)客流預(yù)測(cè)數(shù)據(jù)對(duì)運(yùn)營(yíng)組織單位面對(duì)潛在的大客流或突發(fā)事件的應(yīng)對(duì)準(zhǔn)備工作有著重要的作用。以原始移動(dòng)通信數(shù)據(jù)作為換乘站點(diǎn)換乘客流統(tǒng)計(jì)的數(shù)據(jù)來源，得到了精確的單條線路某個(gè)換乘站的換乘人數(shù)，并結(jié)合自動(dòng)售檢票系統(tǒng)的統(tǒng)計(jì)數(shù)據(jù)，通過建立Elman神經(jīng)網(wǎng)絡(luò)模型對(duì)客流數(shù)據(jù)進(jìn)行樣本對(duì)訓(xùn)練，得到下游車站未來1 h內(nèi)斷面客流量的預(yù)測(cè)結(jié)果。預(yù)測(cè)結(jié)果誤差符合要求，為站點(diǎn)的運(yùn)營(yíng)組織方案提供了良好的數(shù)據(jù)支撐。同時(shí)為了對(duì)比說明建立了ARIMA模型，并對(duì)預(yù)測(cè)結(jié)果作出分析比較。

城市軌道交通；客流量預(yù)測(cè)；移動(dòng)通信數(shù)據(jù)；基站定位；Elman神經(jīng)網(wǎng)絡(luò)

AbstractShort term passenger flow prediction data plays a significant role in urban rail transit operation and emergency events handling for operators.In this article；the original mobile communication data for passenger flow statistics are used to present the passenger flow at a transfer station and attain the precise amount of the interchange station passenger flow.Through the establishment of an Elman neural network；sample pairs training is conducted together with the AFC data in order to acquire the sectional passenger flow at the next station in the following hour.The prediction error meets the requirements and provides the operation organization scheme with solid confirmation.Meanwhile；ARIMA (autoregressive integrated moving average)model is developed to make a comparison with Elman network prediction results.

Key wordsurban rail transit； passenger flow prediction；mobile communication data； base station location； Elman neural network

Author′s addressInstitute of Urban Rail Transit，Tongji U－niversity，201804，Shanghai，China

為了更好地組織運(yùn)營(yíng)服務(wù)、合理地調(diào)配軌道交通資源、提供更加舒適安全的運(yùn)行環(huán)境，準(zhǔn)確合理地掌握歷史客流規(guī)律以及預(yù)測(cè)未來短期內(nèi)的客流強(qiáng)度，是城市軌道交通運(yùn)營(yíng)管理過程中的重要一環(huán)。

在當(dāng)前的研究成果中，已經(jīng)提出了各種對(duì)客流預(yù)測(cè)的方法，并得到了實(shí)際應(yīng)用。但是對(duì)于單個(gè)地鐵站點(diǎn)時(shí)變的客流預(yù)測(cè)還缺乏準(zhǔn)確有效的方法。以往的研究中關(guān)于交通流量預(yù)測(cè)的模型主要有：時(shí)間序列模型、歷史趨勢(shì)模型、卡爾曼濾波模型及多元線性回歸模型［2-3］等。這些模型由于各自的缺點(diǎn)并不能很好地應(yīng)用在城市軌道交通短時(shí)的站點(diǎn)客流預(yù)測(cè)中。目前，根據(jù)AFC（自動(dòng)售檢票）系統(tǒng)計(jì)算的線路日換乘量是一種粗略的統(tǒng)計(jì)結(jié)果，其計(jì)算方法是依據(jù)人的出行OD（起訖）矩陣，以O(shè)D點(diǎn)間的最短換乘路徑作為乘客的交通出行軌跡，即在此路徑上的客流按100%分配。但乘客的實(shí)際OD路徑不一定與理想情況相同，故而計(jì)算結(jié)果存在誤差，統(tǒng)計(jì)的數(shù)據(jù)不能及時(shí)指導(dǎo)換乘車站面對(duì)真實(shí)客流或突發(fā)事件做好應(yīng)急準(zhǔn)備工作以保障線路的運(yùn)營(yíng)秩序。因此，是否能獲取原始數(shù)據(jù)，對(duì)于用交通流模型進(jìn)行客流量預(yù)測(cè)的準(zhǔn)確度和可靠性有很大影響。只有正確的預(yù)測(cè)結(jié)果才能對(duì)車站實(shí)際的運(yùn)營(yíng)組織工作進(jìn)行有效引導(dǎo)。

根據(jù)以上分析，本文提出針對(duì)某個(gè)重要換乘車站，可利用移動(dòng)通信數(shù)據(jù)分析得到精確的實(shí)際換乘客流量，并結(jié)合Elman神經(jīng)網(wǎng)絡(luò)的適應(yīng)時(shí)變特性能力進(jìn)行城市軌道交通下游站點(diǎn)的截面客流量預(yù)測(cè)。即根據(jù)已知的歷史客流數(shù)據(jù)，建立計(jì)算模型，并利用Matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱，實(shí)現(xiàn)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)后的復(fù)雜計(jì)算，再將預(yù)測(cè)結(jié)果返回。研究的基礎(chǔ)數(shù)據(jù)包括站點(diǎn)進(jìn)出客流的AFC分時(shí)數(shù)據(jù)、線路單向全線客流分時(shí)數(shù)據(jù)、站內(nèi)基于移動(dòng)通信數(shù)據(jù)的分時(shí)換乘數(shù)據(jù)和下游站點(diǎn)的截面分時(shí)數(shù)據(jù)。

1 基礎(chǔ)數(shù)據(jù)的來源

1.1 移動(dòng)通信數(shù)據(jù)

移動(dòng)通信數(shù)據(jù)最初是移動(dòng)運(yùn)營(yíng)商為了運(yùn)營(yíng)維護(hù)及計(jì)費(fèi)等目的，采集移動(dòng)用戶在發(fā)生通信事件（包括開關(guān)機(jī)、主被叫、收發(fā)短信、位置更新以及小區(qū)切換等事件）時(shí)的移動(dòng)信令記錄。

移動(dòng)通信數(shù)據(jù)應(yīng)用于城市交通數(shù)據(jù)分析，可較為全面、真實(shí)地反映移動(dòng)用戶個(gè)體在時(shí)空間維度上的連續(xù)移動(dòng)軌跡。移動(dòng)臺(tái)（即移動(dòng)用戶的終端設(shè)備，通常為手機(jī)）要完成通信功能需通過城市中的移動(dòng)基站接入通信網(wǎng)絡(luò)，并相互交換數(shù)據(jù)以完成通信。通信網(wǎng)絡(luò)的服務(wù)區(qū)域可劃分成小區(qū)（Cell）及位置區(qū)（LA）等基本單元，并分別利用小區(qū)碼（CI）和位置區(qū)碼（LAC）進(jìn)行標(biāo)識(shí)。每個(gè)移動(dòng)通信基站都有固定且唯一的LAC和CI編碼。

隨著移動(dòng)臺(tái)的不斷運(yùn)動(dòng)，其位置不斷發(fā)生變化。移動(dòng)通信數(shù)據(jù)記錄了移動(dòng)臺(tái)的位置更新過程，進(jìn)而形成對(duì)時(shí)空間軌跡的連續(xù)記錄與追蹤。通過查詢LAC和CI組合編碼對(duì)應(yīng)的經(jīng)緯度地理信息便可確定移動(dòng)臺(tái)的實(shí)際運(yùn)動(dòng)軌跡。

移動(dòng)通信數(shù)據(jù)應(yīng)用于城市交通分析時(shí)日尚短，僅依靠原始的信令并不能直接獲取分析所需數(shù)據(jù)。我國(guó)大部分地鐵均有手機(jī)信號(hào)覆蓋。由于地下段的線路距離地面遠(yuǎn)，地面基站信號(hào)難以穿透覆蓋，故在車站和隧道沿線均專門布置了小蜂窩網(wǎng)絡(luò)以供乘客使用。利用這種地鐵車站獨(dú)有的蜂窩網(wǎng)絡(luò)即可根據(jù)原始移動(dòng)數(shù)據(jù)信令確定乘客的軌道交通出行路徑，進(jìn)而篩選出具有換乘行為的乘客，得到某站點(diǎn)的實(shí)際換乘數(shù)據(jù)。

上海軌道交通人民廣場(chǎng)站為1、2、8號(hào)線的換乘車站，其周邊車站及基站分布見圖1。若要判斷某乘客是否在該站從其他線路換乘2號(hào)線，需先分析該乘客移動(dòng)信令中出現(xiàn)過的LAC和CI編碼所對(duì)應(yīng)的基站位置。如該基站在連接到人民廣場(chǎng)地鐵站對(duì)應(yīng)的通信基站之前，是屬于1號(hào)線或者8號(hào)線沿線站點(diǎn)或區(qū)間的基站，并且在一定時(shí)間內(nèi)該乘客的移動(dòng)臺(tái)連接上2號(hào)線沿線除人民廣場(chǎng)站點(diǎn)以外的地鐵通信基站，則可判斷該乘客換乘有效。由1號(hào)線、2號(hào)線換乘至8號(hào)線或者2號(hào)線、8號(hào)線換乘至1號(hào)線的判斷篩選方法類似。根據(jù)這種篩選的規(guī)則，可準(zhǔn)確濾除本站出站乘客、本站進(jìn)站乘客和僅在本站地下通道通過的乘客客流量，從而得到本站每條線路的換乘人數(shù)。在此基礎(chǔ)上，站點(diǎn)在整個(gè)換乘通道中的總客流量也就不難計(jì)算。

根據(jù)上海軌道交通2014年相關(guān)數(shù)據(jù)統(tǒng)計(jì)，原始信令數(shù)據(jù)在剔除清理異常數(shù)據(jù)后，有效的數(shù)據(jù)占總體的95%，符合換乘行為的個(gè)體（即總換乘量）約占有效數(shù)據(jù)的43%。將換乘總量分解成小時(shí)客流量，并與AFC統(tǒng)計(jì)的數(shù)據(jù)比較，可發(fā)現(xiàn)二者殘差的自相關(guān)與偏自相關(guān)系數(shù)均能落入置信水平為90%的區(qū)間。這充分說明通過移動(dòng)通信原始信令篩選出的換乘數(shù)據(jù)符合實(shí)際情況與客流趨勢(shì)。繼續(xù)進(jìn)行具體線路換乘方式的按時(shí)數(shù)據(jù)細(xì)分，便可以得到具體車站換入換出的分時(shí)換乘人數(shù)。

1.2 AFC系統(tǒng)數(shù)據(jù)

目前，我國(guó)城市軌道交通建設(shè)正向著網(wǎng)絡(luò)化發(fā)展。AFC系統(tǒng)的聯(lián)網(wǎng)可準(zhǔn)確獲取乘客的出行起訖點(diǎn)等信息，能分時(shí)分日監(jiān)測(cè)各線路出入閘機(jī)的流量，實(shí)現(xiàn)整體線網(wǎng)運(yùn)營(yíng)的可視化。AFC系統(tǒng)收集的數(shù)據(jù)信息可實(shí)時(shí)傳輸?shù)椒?wù)器端，供遠(yuǎn)程電腦實(shí)時(shí)分析，使管理者能根據(jù)當(dāng)前客流量及時(shí)調(diào)整運(yùn)營(yíng)方案。

AFC系統(tǒng)也有不足之處。計(jì)算機(jī)是基于理想兩點(diǎn)之間的最短線路來推算乘客路徑的，或是以其他概率選擇模型來進(jìn)行路徑推算的，無論哪種方式的結(jié)果都與乘客實(shí)際路徑有誤差。因此，本文將由AFC系統(tǒng)精確統(tǒng)計(jì)的站點(diǎn)分時(shí)進(jìn)出客流數(shù)據(jù)、線路單向全線客流分時(shí)數(shù)據(jù)，與由移動(dòng)通信數(shù)據(jù)得到的實(shí)際換乘數(shù)據(jù)相結(jié)合，完成對(duì)下游站點(diǎn)斷面客流數(shù)據(jù)的預(yù)測(cè)工作。

2 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在典型的前向傳播三層網(wǎng)絡(luò)結(jié)構(gòu)（輸入層、隱層、輸出層）里，Elman網(wǎng)絡(luò)不同于BP（前饋）網(wǎng)絡(luò)或者RBF（徑向基函數(shù)）網(wǎng)絡(luò)，其在一般神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上多了1個(gè)承接層。該承接層將其加權(quán)前的結(jié)果儲(chǔ)存起來，并再一次輸入給隱層。因此，可選擇Elman神經(jīng)網(wǎng)絡(luò)建模進(jìn)行軌道交通短時(shí)客流的預(yù)測(cè)工作。承接層的存在延遲了隱層數(shù)據(jù)的加權(quán)輸出，增強(qiáng)了歷史狀態(tài)數(shù)據(jù)的敏感性。這相當(dāng)于增加了內(nèi)部的反饋網(wǎng)絡(luò)，加強(qiáng)了網(wǎng)絡(luò)自身處理動(dòng)態(tài)信息的能力，使得Elman神經(jīng)網(wǎng)絡(luò)軌道交通短時(shí)下游車站斷面流量預(yù)測(cè)的動(dòng)態(tài)建?？梢詫?shí)現(xiàn)。Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖2所示。

圖2 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖2的Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可得出非線性的狀態(tài)空間表達(dá)式為：

其中，f（.）是隱層神經(jīng)元的傳遞函數(shù)，通常取為Sigmoid型函數(shù)（S 型函數(shù)）；g（.）是輸出層的傳遞函數(shù)，使得隱層輸出的數(shù)據(jù)可以線性組合輸出，通常取為線性函數(shù)。

目前，理論上Elman神經(jīng)網(wǎng)絡(luò)已證明能很好地建立非線性網(wǎng)絡(luò)模型，通過網(wǎng)絡(luò)的訓(xùn)練還可實(shí)現(xiàn)任意函數(shù)的逼近。函數(shù)值的逼近和樣本的訓(xùn)練是通過神經(jīng)網(wǎng)絡(luò)各層的傳遞函數(shù)實(shí)現(xiàn)的。

Elman神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練的基本方法，就是通過梯度下降法，把網(wǎng)絡(luò)輸出的結(jié)果從輸出層依次向輸入層傳播，通過不斷調(diào)整神經(jīng)元之間的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和E（k）最小，從而使整個(gè)網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)。令y（k）為模型實(shí)際輸出值，y～（k）為期望輸出值，則：

2.2 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立

在地鐵短時(shí)站點(diǎn)斷面客流預(yù)測(cè)模型中，使用了2014年9月1日至9月7日上海軌道交通人民廣場(chǎng)站進(jìn)站、出站、2號(hào)線單向（上行）分小時(shí)客流量的AFC系統(tǒng)數(shù)據(jù)，以及根據(jù)移動(dòng)通信數(shù)據(jù)分析得到的2號(hào)線該站分小時(shí)換乘流量數(shù)據(jù)。小時(shí)數(shù)據(jù)從每天早上5∶30開始統(tǒng)計(jì)，每隔半小時(shí)統(tǒng)計(jì)一次，直至23點(diǎn)結(jié)束統(tǒng)計(jì)。研究的主要內(nèi)容是換乘站點(diǎn)的當(dāng)前時(shí)段進(jìn)出站、換乘的客流及全線單向客流數(shù)量對(duì)該站下游站點(diǎn)斷面客流量影響的預(yù)計(jì)。因此，網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)為1。隱層數(shù)的選擇并沒有確定的方法和步驟，也缺乏相關(guān)的理論，通常是使用經(jīng)驗(yàn)法或試探法。根據(jù)Kolmogorov定理，先將隱層數(shù)設(shè)定為9，而實(shí)際操作中分別選擇隱層數(shù)為7、8、9、10、11 進(jìn)行試驗(yàn)。 最后發(fā)現(xiàn)當(dāng)隱層數(shù)為 7 時(shí)網(wǎng)絡(luò)收斂速度最快，預(yù)測(cè)結(jié)果精度最高、效果最好。故本試驗(yàn)隱層數(shù)取7。

把進(jìn)站流量、出站、全線單向流量和換乘流量4個(gè)輸入量的t時(shí)刻數(shù)據(jù)和下游站點(diǎn)t+1時(shí)刻的斷面客流數(shù)據(jù)作為1個(gè)樣本對(duì)，輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，則每天有34個(gè)訓(xùn)練樣本對(duì)。本研究進(jìn)行7 d，共可構(gòu)成238個(gè)樣本對(duì)。最后一天的34個(gè)樣本對(duì)可用作對(duì)網(wǎng)絡(luò)訓(xùn)練后預(yù)測(cè)結(jié)果的檢驗(yàn)。

在建立的網(wǎng)絡(luò)模型中，訓(xùn)練方法選用Levenberg-Marquardt法。相對(duì)于其他的訓(xùn)練方法，該方法在同樣初始條件下的收斂速度最快。對(duì)于大多數(shù)問題來說，使用Levenberg-Marquardt法都可獲得較好的預(yù)測(cè)結(jié)果；隱層神經(jīng)元選擇tansig函數(shù)，輸出層神經(jīng)元選擇purlin函數(shù)；設(shè)置學(xué)習(xí)速率為自適應(yīng)學(xué)習(xí)速率，目標(biāo)網(wǎng)絡(luò)誤差是10-3；最大訓(xùn)練步數(shù)設(shè)定為2 000。

經(jīng)過Matlab軟件仿真后得到Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練指標(biāo)參數(shù)如表1所示。

表1 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練指標(biāo)參數(shù)

由表1可見，經(jīng)過65次訓(xùn)練以后，網(wǎng)絡(luò)的訓(xùn)練誤差僅為0.000 605，達(dá)到了設(shè)定的控制標(biāo)準(zhǔn)（0.001 00），Matlab訓(xùn)練的均方誤差下降變化圖如圖3所示。

圖3 訓(xùn)練的均方誤差曲線

用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，以第7天5：30—22：00的人民廣場(chǎng)進(jìn)站、出站、換乘，以及2號(hào)線上行方向全線分時(shí)客流量數(shù)據(jù)為輸入，得到第7天2號(hào)線南京東路站6：00～23：00點(diǎn)上行的分時(shí)斷面客流預(yù)測(cè)值（分時(shí)間隔為30 min)。預(yù)測(cè)值曲線與實(shí)際值曲線見圖4。

圖4 分時(shí)客流量預(yù)測(cè)值與實(shí)際值對(duì)比曲線

由仿真結(jié)果可見，該交通流量預(yù)測(cè)的模型總體上是讓人滿意的，在收斂速度及學(xué)習(xí)適應(yīng)能力等方面表現(xiàn)突出，預(yù)測(cè)的數(shù)據(jù)走勢(shì)也與實(shí)際基本符合，整體網(wǎng)絡(luò)誤差達(dá)到要求，預(yù)測(cè)數(shù)據(jù)的精度在可接受范圍之內(nèi)。由計(jì)算相對(duì)誤差可以看出，最大相對(duì)誤差達(dá)到11.93%，最小相對(duì)誤差為0.35%，絕對(duì)誤差最大值為122人次/30 min，最小僅為4人次/30 min。可見，采用預(yù)測(cè)結(jié)果指導(dǎo)車站日常運(yùn)營(yíng)工作并不會(huì)因預(yù)測(cè)誤差過大而出現(xiàn)突發(fā)客流量，從而擾亂運(yùn)營(yíng)秩序。因此，該交通流量預(yù)測(cè)模型的預(yù)測(cè)結(jié)果是可信的。

3 ARIMA時(shí)間序列模型的建立與分析

分析Elman神經(jīng)網(wǎng)絡(luò)短時(shí)客流預(yù)測(cè)效果的優(yōu)劣，本文選擇ARIMA模型對(duì)南京東路站上行方向相同時(shí)間段內(nèi)的斷面客流進(jìn)行預(yù)測(cè)，作為對(duì)比。

3.1 ARIMA模型的建立

ARIMA模型預(yù)測(cè)時(shí)，首先，輸入已確定的預(yù)測(cè)目標(biāo)，歷史時(shí)間數(shù)據(jù)作為1組序列；然后，通過自回歸和移動(dòng)平均數(shù)學(xué)模型得到該序列的擬合值，從而確定模型的各參數(shù)；最后，利用參數(shù)回代模型對(duì)未來的時(shí)間序列進(jìn)行預(yù)測(cè)計(jì)算。

根據(jù)斷面客流的數(shù)據(jù)序列圖可以發(fā)現(xiàn)其規(guī)律：在每天剛開始運(yùn)營(yíng)后與即將結(jié)束運(yùn)營(yíng)前的時(shí)間段客流量處于低峰值，在早晚高峰呈現(xiàn)高峰值。于是，本文選擇乘積季節(jié)模型 ARIMA（p，d，q）（P，D，Q）S對(duì)斷面客流量進(jìn)行預(yù)測(cè)（其中，p為自回歸階數(shù)，d為差分次數(shù)，q為移動(dòng)平均階數(shù)，P、D、Q分別為季節(jié)性的自回歸階數(shù)、差分次數(shù)、移動(dòng)平均階數(shù)，S為季節(jié)周期），用SPSS軟件可對(duì)模型進(jìn)行設(shè)置，并得到估計(jì)的參數(shù)值。

首先，對(duì)模型進(jìn)行一階差分和一階季節(jié)差分，之后得到平穩(wěn)的序列，確定d=1，D=1；然后，根據(jù)統(tǒng)計(jì)量指標(biāo)，對(duì)擬合后ARIMA模型的殘差自相關(guān)系數(shù)以及偏自相關(guān)系數(shù)進(jìn)行判斷，觀察其值是否落入95%的置信區(qū)間內(nèi)，從而確定是否為隨機(jī)的白噪聲序列。經(jīng)過不斷嘗試和修正，并選擇標(biāo)準(zhǔn)化貝葉斯信息準(zhǔn)則（BIC值最小、擬合參數(shù)顯著性概率低等擬合優(yōu)度參數(shù)，得到最佳模型為ARIMA（2，1，1）（1，1，1）12。 最佳模型的擬合優(yōu)度判定系數(shù) R2為0.565，標(biāo)準(zhǔn)化BIC為10.077，各參數(shù)P值均遠(yuǎn)小于0.05，說明具有顯著差異性；模型的平均絕對(duì)百分誤差（EMAP）為8.45%（小于10%），表明模型能夠很好的對(duì)斷面客流歷史數(shù)據(jù)進(jìn)行擬合。由模型的殘差白噪聲檢驗(yàn)結(jié)果可知，該模型的殘差自相關(guān)系數(shù)和偏自相關(guān)系數(shù)都落在95%的置信區(qū)間內(nèi)，且各系數(shù)的P值都大于0.05。這表明原假設(shè)不成立，該殘差序列為隨機(jī)的白噪聲；模型符合預(yù)期要求，利用模型對(duì)上海軌道交通南京東路站上行方向2014年9月的斷面客流量進(jìn)行預(yù)測(cè)，結(jié)果如圖5所示。

通過ARIMA季節(jié)模型預(yù)測(cè)的結(jié)果可知預(yù)測(cè)結(jié)果的相對(duì)誤差最小值為1.13%，最大值為15.29%。預(yù)測(cè)曲線基本符合時(shí)間序列的走行趨勢(shì)，對(duì)于客流量的預(yù)測(cè)有一定的參考價(jià)值。

3.2 對(duì)比分析

兩種模型的精度評(píng)價(jià)指標(biāo)如表2所示。由表2發(fā)現(xiàn)，Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度比ARIMA模型好。ARIMA模型只能根據(jù)歷史時(shí)間序列的特點(diǎn)擬合模型參數(shù)以達(dá)到建模的目的；其預(yù)測(cè)是基于固定的模型表達(dá)式計(jì)算得出的，且只能以序列的周期為單位進(jìn)行預(yù)測(cè)；周期越長(zhǎng)，所需預(yù)測(cè)的項(xiàng)就越多，預(yù)測(cè)精度也將隨著時(shí)間的增加越來越低。ARIMA模型本身不能通過自學(xué)習(xí)更新。而Elman神經(jīng)網(wǎng)絡(luò)模型卻能針對(duì)短時(shí)的時(shí)間數(shù)據(jù)進(jìn)行學(xué)習(xí)和推演，能通過不斷學(xué)習(xí)新的數(shù)據(jù)，對(duì)未來短時(shí)間段內(nèi)的數(shù)據(jù)作出預(yù)測(cè)?？梢?，Elmam神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)屬于智能化算法。

圖5 預(yù)測(cè)結(jié)果

表2 兩種模型的精度評(píng)價(jià)指標(biāo)

4 結(jié)語

精確預(yù)測(cè)軌道交通客流的變化情況可為運(yùn)營(yíng)部門在全日分時(shí)最大斷面客流量出現(xiàn)時(shí)提供策略支撐，以滿足乘客服務(wù)要求和保障運(yùn)營(yíng)秩序。一般策略包括調(diào)整列車運(yùn)行間隔，增加大編組列車上線的數(shù)量，換乘車站及時(shí)根據(jù)客流量調(diào)整換乘通道和進(jìn)出口布局等。本文提出的基于移動(dòng)通信數(shù)據(jù)的線路換乘流量統(tǒng)計(jì)方法可準(zhǔn)確反映出每條線路的換乘人數(shù)。這對(duì)于獲取精確的模型預(yù)測(cè)結(jié)果有著重要的意義，也使得票務(wù)清分、客流清分的工作變得更為清晰簡(jiǎn)單。在此基礎(chǔ)上，建立動(dòng)態(tài)性良好的Elman神經(jīng)網(wǎng)絡(luò)模型對(duì)下游車站的斷面流量進(jìn)行預(yù)測(cè)，并得到滿意的結(jié)果。但如何利用好這些預(yù)測(cè)數(shù)據(jù)同實(shí)時(shí)的運(yùn)營(yíng)組織相協(xié)調(diào)，還有待于建立更多的歷史數(shù)據(jù)并進(jìn)行深入挖掘后才能實(shí)現(xiàn)。

［1］石莊彬，張寧，邵星杰.城市軌道交通客流高峰持續(xù)時(shí)間預(yù)測(cè)方法［J］.城市軌道交通研究，2016（7）：35-39.

［2］王珺，吳兵，王靖陽.ITS實(shí)時(shí)檢測(cè)交通數(shù)據(jù)的質(zhì)量控制技術(shù)探討［J］.交通控制，2005（7）：30-32.

［3］王俊松.基于Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量建模及預(yù)測(cè)［J］.計(jì)算機(jī)工程，2009，35（9）：190-191.

［4］蔡于.城市軌道交通應(yīng)急處置中心若干核心問題［J］.城市軌道交通研究，2007（7）：9.

［5］司風(fēng)琪，洪軍，徐治皋.基于改進(jìn)Elman網(wǎng)絡(luò)的動(dòng)系統(tǒng)測(cè)量數(shù)據(jù)檢驗(yàn)方法［J］.東南大學(xué)學(xué)報(bào)，2005，35（1）：50-54.

［6］裘煒毅，孫立光，劉杰，等.一種基于手機(jī)信號(hào)數(shù)據(jù)的軌道交通出行方式識(shí)別方法：CN201110033832.X［P］.2011-8-17.

［7］李佳.基于手機(jī)定位數(shù)據(jù)的動(dòng)態(tài)OD矩陣獲取方法的研究［D］.昆明：昆明理工大學(xué)，2013.

［8］姜平，石琴，陳無畏，等.公交客流預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型［J］.武漢理工大學(xué)學(xué)報(bào)，2009，33（3）：414-417.

［9］丁洪東.淺談城市軌道交通的特性與概念區(qū)分［J］.科技信息，2010，27（1）：457.

［10］楊飛.基于手機(jī)定位的交通OD數(shù)據(jù)獲取技術(shù)［J］.系統(tǒng)工程，2007（1）：42-48.

［11］李春曉，李海鷹，蔣熙，等.基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)車站進(jìn)站客流量預(yù)測(cè)［J］.都市快軌交通，2015，28（4）：66-70.

［12］姚閩.城市軌道交通換乘客流問題分析探討［J］.建筑工程技術(shù)與設(shè)計(jì)，2015（10）：1551.

［13］熊杰，關(guān)偉，孫宇星.基于Kalman濾波的地鐵換乘客流預(yù)測(cè)［J］.北京交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，37（3）：112-116.

［14］盧立能.基于數(shù)據(jù)挖掘的城市軌道交通換乘客流路徑選擇研究［D］.杭州：浙江理工大學(xué)，2012.

［15］四兵鋒，毛保華，劉智麗.無縫換乘條件下城市軌道交通網(wǎng)絡(luò)客流分配模型及算法［J］.鐵道學(xué)報(bào)，2007，29（6）：12-18.

［16］劉狄，吳海燕.城市軌道交通換乘站內(nèi)部換乘客流量算法研究［J］.北京建筑工程學(xué)院學(xué)報(bào)，2010，26（2）：44-48.

Elman Neural Network Prediction of Rail Transit Passenger Flow Based on of Mobile Data Analysis

WANG Sitao，HAN Bin，PU Qi

U293.13

10.16037/j.1007-869x.2017.09.014

2016-08-18）

*國(guó)家科技支撐計(jì)劃項(xiàng)目（2015BAG19B01）；上海市科學(xué)技術(shù)委員會(huì)科研計(jì)劃項(xiàng)目（15DZ1204304）