公共交通換乘客流量預測方法研究

李珍

摘? 要：流量預測是最近幾年研究的熱點方向，流量預測的方式是基于數據的變化規律來實現的，常用的方法就是根據算法輸入、輸出來預測變化量的發展趨勢。文章重點分析客流換乘量預測的兩種方法，定性分析法、定量分析法，同時分析系統復雜結構的線性和不真實性，將原始空間的數據通過非線性支持向量機映射到高維空間中，對交通的疏導有一定的實際參考意義。

關鍵詞：客流量;預測;方法

中圖分類號：F572? ? ? ? ? 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）03-0135-02

Abstract： Traffic forecasting is a hot research direction in recent years， the way of traffic forecasting is based on the change law of data， and the commonly used method is to predict the development trend of change according to the input and entry of the algorithm. This paper focuses on the two methods of passenger transfer prediction， qualitative analysis and quantitative analysis， and analyzes the linearity and unauthenticity of the complex structure of the system， and maps the data of the original space to the high-dimensional space through nonlinear support vector machine. It has certain practical reference significance for traffic grooming.

Keywords： passenger flow; forecast; method

當前，公共交通在人們的生活中扮演著越來越重要的角色，出于環境保護、節約能源的要求，國家也在大力發展公共交通設施建設，并積極鼓勵人們選擇這種綠色出行方式，并且在城市中尤其是一二線的大城市里，選擇公交、地鐵已經成為了居民的首選出行方式。目前全國已經建成的公共交通設施已經具有相當的規模，使用人數也相當龐大，對公共交通系統中乘客人群換乘流向進行準確的評估預測，可以大大提高設施系統的利用效率，更好的為民眾公共出行提供更加優質便捷的服務。

現在已經有很多學者研究機構提出了一些理論上的預測方法，但是實際應用效果并不十分理想，因此可以在現階段該領域研究成果的基礎上與實際結合，提出升級版的提升換乘客流量預測方法。可以從以下兩個方面入手。一方面，交通樞紐的規劃建設是依據使用公共交通設施換乘客流量來進行預測的，通過研判使用人群的流量動向，可以決策新公交站點的區域選位、公共設施的承載能力、以及現有CBD區域換乘站點的擴容擴建等。另一方面，準確預測CBD地區換乘客流量的情況，也直接影響公共交通設施投資的成本回收速度。更能夠促進政府和國家對公交系統進行更加高效、科學的管理，最終形成使用效率高、公共服務好、民眾實惠多、企業收益快的良性經營局面。

換乘客流量的準確預測取決于建立模型的精確程度。選取合理的模型，高效精確的進行模擬分析，才能夠得到準確的預測結果，從而進一步指導換乘站點的規劃布局、選址建設、擴容增量等實際工作的展開。因此，公共交通系統的規劃、建設、升級離不開對換乘客流量的科學精準預測。

1 定性分析法

定性預測方法是基于研究人員主觀判斷的一種預測方法，它要求研究人員要準確的掌握現有的公共交通換乘系統的相關數據，并對交通換乘效率的影響因素的變化趨勢進行分析研究，以此為基礎對換乘量的變化趨勢進行評估。這種方法要求研究人員要具有良好的理論基礎和從業經驗，還要擁有能夠理性客觀的判斷能力，才能夠得到精確度較高的預測結果。定性分析方法，它常用于缺少資料數據的預測中。其中主要的方法有“專家調查法”、“擴展指數法”、“指標判斷法”、“主觀概率預測法”、“專家判斷法”、“遠景方案討論法”、“關聯推算預測法”、“直觀法”、“類比法”等。在實際使用中，經常將“定性預測”與“定量預測”相結合來進行預測。具有代表性的例子就是English等人使用德爾菲法，基于有限的歷史數據，對航空公司的運輸量進行預測。并且在其發表的著作中指出，可以先用計算機進行數據預處理，這種方法的兩個關鍵因素就是預測人員的選擇和預測人員評分的權重系數。

支持向量機有以下優缺點：如果樣本量不大的話，使用支持向量機，可以使結構風險最小化，但是，用這種機器學習法得出的最優解，是在已有的數據信息基礎之上得來的，使樣本數據趨于無窮求出的解并不是上述所說的最優解;用支持向量機進行大規模訓練，需占用更多的內存，耗費大把的時間;如果用神經網絡方法，可能會出現局部極值，而且這個問題是無法避免和解決的，然而通過支持向量機模型，就能將待解決的問題簡化為一個凸二次規劃問題，相關理論也可以解釋證明，最后得出來的結果就是最優解;經典分類器與輸入數據的特征矢量維數有關，支持向量機的好處是，其分類器泛化能力與之無關，可避免“維數災難”的發生。總的來說，支持向量機的定性分析有很多性能是好過已知方法的，可以成功處理模式識別問題（分類問題、判別分析）和回歸問題（時間序列分析）等，還可用于綜合評價和預測等。

2 定量分析法

定量預測法與上節中的定性預測法的應用領域相互補。在定量預測中要求能夠及時、完整的收集到預測相關的數據資料，同時再與充分的歷史數據進行比對，然后進行建模，再根據數學預測模型預測研究主體的發展趨勢。這種預測方法不僅要求有完備詳盡的相歷史資料，還強調對當前數據收集整理的實時性和全面性，在此基礎上運用數學的統計分析理論進行預測得到結果，因此也稱為“統計預測”，以下是幾種主要的“統計預測”：

2.1 回歸模型

這種方法的原理是首先找出與被預測現象有關的各種影響因素，在通過數學函數表達式來表達影響因素與該現象的數量關系，即通過數學的方法進行量化預測。這種預測方式能夠洞悉各種影響因素，具有客觀性高、應用范圍廣的特點。但是由于其數學結構穩定，對數據要求程度高，也具有建立回歸模型難度大的劣勢。下面是對回歸模型優缺點的粗略總結：

（1）回歸模型中認為每一個數據最終對預測結果的影響相同的，因此所有數據都同樣重要，但是實際中各種數據的影響權重是不同的。

（2）初期的數據處理工作量巨大，并且如果有線數據加入就要重新計算，這就導致了回歸模型的計算成本較大。

（3）在實際應用中識別選擇預測結果影響因素自變量時，研究人員的主觀因素較大，難以保證過程中完全客觀公平。

2.2 時間序列預測模型

是以被預測事物歷史數據為基礎，并以此來進行其未來變化趨勢的預測，主要有“移動平均法”、“指數平滑法”、“趨勢推測法”、“隨機時間序列法”四種主要的具體預測方法。這種方法經常應用于數據收集困難或者自變量選擇困難的情況下，該方法簡單易操作，基于歷史數據得來的預測結果往往也較為可靠，但是缺點是無法揭示系統之內各影響因素之間的聯系。以下是該方法的優缺點：

（1）時間序列模型摒棄了其他影響因素，只把時間作為預測結果的影響因素，這樣容易導致結果失真。

（2）含有一些隨機因素的模型極易受到干擾。當遇到有著非線性和不確定性的預測目標時就需要對其中的突發狀況進行優化處理，否則會因此產生較大誤差，影響預測結果的精度。

（3）模型建立好之后，其中的固定參數應當隨著時間而進行實時更新，以便滿足進行動態預測的要求，但事實上很難達到這種要求。

（4）如果要提高預測模型的精度，則需要增加大量的數據收集和計算工作，這樣會顯著增加計算成本，同時也可能會因為新增數據而干擾預測結果。

支持向量機（Support Vector Machine，SVM）是一種有著很強的數據分類處理性能的工具，通過分離各種數據使應用效果利潤達到最大。現實情況中，復雜結構的線性分離和數據分類往往是不真實的，因此數據在特征空間內的線性分類可以把原始空間的數據通過非線性支持向量機映射到高維空間中。Lin等科研人員的研究顯示，支持向量機在處理不斷增加的樣本量時，用的是“貝葉斯法則”。

2.3 灰色模型預測法

這種方法是基于灰色模塊應用于只有時間變量的預測方法，它的原理是通過微分擬合法構建自累加數據模型來進行預測。灰色模型預測法具有多種上述方法無可匹及的優點，它要求的數據量小，對數據分布情況要求也不那么嚴格，甚至還可以對缺失、雜亂的數據進行隨機弱化處理以保證預測的順利進行。其優缺點主要有：

（1）灰色系統模型是采用累加合成對數據進行預處

理，以刪除那些隨機性的數據。但是這樣做的缺點是也有可能會刪除那些代表變化趨勢規律的數據，從而破壞預測模型建立的客觀性。

（2）在模型建立的過程中，放棄了研究數據中隱藏的變化規律，而是采用簡單的指數方式進行數據擬合，這樣數據擬合方法過于浮夸，并且也沒有一個可行的擬合程度評價機制。

（3）現在模型輸出結果的常用的檢驗方法是后驗差

法，但是這種方法的可靠性值得商榷。

隨著智能預測相關領域的發展，大數據資源的整合、預測成為未來一段時期內的熱門領域。本文基于客流量換乘為研究對象，僅在小范圍內做了短時預測，僅能為交通部門的客流疏導提供建議，具體實際應用還有一定差距。

參考文獻：

[1]孫永奎，陳光，李輝.基于自適應小波分解和SVM的模擬電路故障診斷[J].儀器儀表學報，2008（10）：2105-2109.

[2]孫永奎，陳光，李輝.支持向量機在模擬電路故障診斷中應用[J].電子測量與儀器學報，2008（02）：72-75.

[3]彭敏放.容差模擬電路故障診斷屏蔽理論與信息融合方法研究[D].湖南大學，2013.

[4]王承.基于神經網絡的模擬電路故障診斷方法研究[D].電子科技大學，2015.

[5]楊士元.模擬系統的故障診斷與可靠性設計[M].清華大學出版社，1993：195-196.