基于CEEMDAN-BLSTM模型的城軌交通短時客流預測

陳園園

(北京城建設計發展集團股份有限公司 北京 100037)

0 引 言

由于城市軌道交通運輸方便快捷的特點，其在城市交通中的作用越來越重要，準確預測未來時刻客流變化，為軌道運營部門合理安排運營方案，提高服務水平意義重大.同時，還可為管理部門對乘客進行引導，確保乘客在擁擠環境中的安全，對節省車站運營成本具有重要意義.

客流預測是利用歷史客流數據和相關影響因素，對下一時刻乃至未來幾個時刻的客流進行預測.文獻[1]基于BP神經網絡進行短期交通流量預測.文獻[2-3]使用支持向量機(SVM)來預測典型和非典型環境中的流量.文獻[4]利用長短期記憶網絡(LSTM)進行客流預測，并與SVM等方法進行對比，驗證了模型的優越性.

為了進一步提高預測的準確性，文獻[5]建立SVM-LSTM集成客流預測模型，可以更好地反映客流的異常波動，提高了預測精度.文獻[6]通過聚類算法捕捉客流特征，并利用LSTM預測，提出了基于聚類算法的LSTM地鐵客流預測模型.文獻[7-8]使用卷積神經網絡CNN和BLSTM 將客流數據轉換為圖像并提取時間和空間的特征.

由于客流數據具有很強的不穩定性，提高預測精度變得更加困難，需先對客流數據進行預處理，再將處理后的數據作為預測模型的輸入.文獻[9]提出了基于STL-LSTM 的地鐵客流預測模型，通過魯棒局部加權回歸作為平滑方法(STL)將客流數據分解為S、T、R，并對每個組件進行單獨的預測.文獻[10-11]使用變分模態分解 (VMD)處理客流數據，驗證了LSTM優于RNN模型，VMD-LSTM優于LSTM模型，但VMD存在分解成分重構與原始序列不一致的缺陷.

上述研究為城軌客流預測奠定了良好的基礎，但也存在局限性.因此，考慮到不規律的客流數據變化會影響預測精度，文中建立基于CEEMDAN-BLSTM的客流預測模型，將原始客流數據通過 CEEMDAN算法進行分解，將每個分解后的序列分別用BLSTM進行預測，將各個預測結果相加得到最終的預測結果，與其他模型相比，預測精度大大提高.

1 具有自適應噪聲的完整集合經驗模式分解

CEEMDAN是一種通過經驗模態分解(EMD)和集合經驗模態分解(EEMD)改進的自適應后驗分解方法，能夠自適應在給定的數據將其分解為多個分解分量(IMF).通過在原始信號中自適應地加入相反的白噪聲，可以避免EMD模式混合和加入白噪聲后EEMD分解會產生重構誤差的問題.CEEMDAN分解步驟如下.

步驟1在原始系列中添加高斯白噪聲并確定加噪次數.

xi(t)=x(t)+ε0ni(t)，i=1,2,…,T

(1)

式中：xi(t)為加入白噪聲后的第i個序列；x(t)為原始序列；ni(t)為服從N(0,1)分布的高斯白噪聲；ε0為噪聲標準差；T為添加的噪聲次數.

步驟2使用EMD對序列進行分解，得到第一個IMF分量.

(2)

步驟3計算殘余信號分量.

r1(t)=x(t)-imf1(t)

(3)

步驟4計算第二個IMF.

(4)

式中：Ej(·)為序列的EMD分解的j階分量.

步驟5重復上面的步驟3～4，得到imfk(t)的殘差信號.

rk(t)=rk-1(t)-imfk(t)

(5)

(6)

步驟6重復步驟5，直到得到的殘差信號量極值點不超過2，得到K個IMF分量.最終的殘差成分為

(7)

即將原始序列分解為殘差分量和IMF分量之和：

(8)

2 基于CEEMDAN-BLSTM的客流預測模型結構

LSTM由輸入層、隱藏層和輸出層組成.隱藏層增加一個記憶單元，讓LSTM能夠記住更多的歷史信息，記憶單元包括三個門：輸入門、遺忘門和輸出門. 通過記憶單元確保LSTM能夠更好地記住歷史信息中有用的部分.而BLSTM本質上是由兩個相反方向的LSTM組成.LSTM只能實現單獨的前向傳輸，但是BLSTM可以從前后兩個方向訓練.下層由正向時間序列計算，保存隱含層每次的輸出，上層由反向時間序列得到隱含層每次輸出，求均值即為最終輸出.

圖1為基于CEEMDAN-BLSTM的客流預測模型結構.由于客流數據具有較強的非穩定性和短時隨機性，文中選擇先通過CEEMDAN法對客流數據進行分解得到xi(t)，以減少數據隨機性對預測精度的影響.并依次將每個序列分量作為輸入數據，通過BLSTM預測輸出數據.最后將所有序列預測值相加得到總預測數據，并通過與真實量的對比分析模型的預測精度.

圖1 基于CEEMDAN-BLSTM的客流預測模型結構

3 算例分析

3.1 原始數據

選取重慶某站地鐵客流數據作為原始數據，時間從2021年6月8日—7月22日共44 d(31個工作日和13個休息日)，地鐵運營時間：06:00—23:15，步長選為15 min.并對原始數據中的缺失值和不良數據進行處理，使用滑動窗口創建具有時間步長的模型輸入數據.由于工作日客流數據呈現明顯的早晚雙峰特征，而休息日的客流與其有明顯差異，本文分別對工作日和休息日的客流數據進行預測.

Pearson相關系數用于確定合理的歷史輸入數據分量，并通過模型進行驗證.Pearson相關系數可以反映兩組數據之間的相關程度，取值范圍為[-1,1]，值大于0表示正相關，越接近1，相關性越強，反之，負值表示負相關.表1為歷史客流數據對預測客流的影響，Pearson相關系數為

(15)

式中：Yi，Xi分別為客流數據和第i個影響因素的數據；Y、X分別為客流數據和影響因素的平均值；SY、SX分別為客流數據方差和影響因素方差.

表1 歷史客流量數據的Pearson相關系數

3.2 基于CEEMDAN的客流分解

利用CEEMDAN將工作日、節假日客流數據分別分解為十個和七個分量，每個分量從一開始就逐漸波動.圖2為分解結果，第一個序列是原始客流數據.

3.3 BLSTM的參數設置

以Tensorflow為后端Keras平臺編程.模型中隱藏層為BLSTM，使用Dense層作為輸入層和輸出層，實驗發現增加隱藏層神經元數量有助于提高模型訓練集的性能，同時增加輸入層神經元數量有助于提高測試集的預測精度.本實驗設置輸入層神經元為128個，隱藏層神經元個數為64個，輸出層數為1，即輸出層神經元個數為1，隱藏層設置Dropout=0.3，選用激活函數tanh防止模型過擬合.本文選擇變量學習率設置，初始學習率為0.01，每100次訓練學習率變為1/10，從而保證學習效果和學習速度.在本文中，batch_size = 50.工作日和節假日分別選擇前27和11 d客流數據作為訓練集，后2 d分數據別作為驗證集和測試集.

3.4 不同模型的預測結果比較

將本文所提模型與LSTM、BLSTM、EMD-BLSTM、STL-BLSTM[12]預測模型比較來驗證所提模型的有效性和優越性.本文選用可反映各數據誤差百分比的平均百分比誤差(MAPE)和可衡量觀測值與真實值偏差的均方根誤差(RMSE)作為評價指標.

本文模型預測預測結果見圖3.在該模型和數據集下，工作日和節假日流量預測MAPE分別為8.97%和9.79%，RMSE分別為3.56和5.78.根據預測結果，MAPE為評價指標時，工作日和節假日的預測精度差別不大，預測值能夠很好地擬合真實值，反映客流變化趨勢.在波動的數據集下，預測值仍能很好地擬合真實值，反映客流變化趨勢.例如，在客流量大的車站，數據會變得更加平滑，預測精度也會相應提高.

表2為不同預測模型的指標比較.圖4為其他四種預測模型的預測結果比較.由表2和圖4可知，本文所提模型指標最低，即本文模型預測精度最高.與對比模型中精度最高的EMD-BLSTM模型相比，所提模型的準確率提升也達到了16.47%，證明將所提模型應用于客流預測能夠取得更好的預測效果.

表2 不同預測模型的指標比較

圖4 不同模型的預測結果比較

4 結 束 語

本文提出CEEMDAN-BLSTM城軌交通客流預測模型，通過將客流數據劃分為工作日和節假日來預測客流.Pearson相關系數分析了歷史客流數據對預測值的影響，基于CEEMDAN對客流數據進行分解，以減少數據波動帶來的誤差.為了獲得更好的預測結果，采用雙向長短期記憶神經網絡(BLSTM)作為預測模型，并用工作日客流數據用于驗證不同模型的預測精度.結果表明：EMD、STL、CEEMDAN都可以提高客流數據預測的準確性.CEEMDAN分解成分較少，預測精度提高了16.47%，表明該模型更適合客流預測.后續研究可以進一步考慮分析客流數據的時空相關性，分析不同站點之間的影響，進一步提高預測精度.