基于数据融合的地铁客流量预测方法论文

《基于数据融合的地铁客流量预测方法论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于数据融合的地铁客流量预测方法论文.freelan滤波等。这些方法假定过程是平稳的,系统是线性的,系统的干扰是白噪声,因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。然而,交通问题是有人参与的主动系统,.freel天在时刻t的流量按日期先后记录下来的数据构成的时间序列为历史序列,即f2(t)={F0i-p(t),1≤p≤m}(3)工作日和节假日流量差别较大,可将它们分类处理。该序列整体分布较平稳,有震荡,但频带较窄。第p个工作日在时刻t的流量如图3所示。邻站序列图4为本站与邻近2个车站24h的流量曲线经DB2小波3层变换后的近似分量,可见各分量关联性较大。

2、如果根据以前的数据将各邻近车站相互关系解算出来,就可以利用这种函数关系预测时刻t在本站的流量。最近m天在时刻t的流量按日期先后记录下来的各邻站历史序列为本站的邻站序列,即qf2+q(t)={Fi-p(t),1≤p≤m,1≤q≤s}(4)q式中,Fi-p(t)表示第q个邻近站的第(i-p)天的流量;s表示邻近站数。1.3相关序列的预测由于各相关序列在预测中具有不同的影响,且分布规律和特点差异较大,因而各序列使用不同的预测方法。本文对当前序列进行小波分解后用Kalman预测,对历史序列直接进行Kalman预测,对邻站序列用幂级数多项式进行拟合。1.3.1小波分析根据设置的

3、分解指数η对序列进行小波N尺度分解,得到一组低频信号和N组高频信号,对这N+1组信号分别用Mallat塔式算法重构到原尺度上,得到N+1组在原始尺度上的经过分解重构处理的信号。分别对信号用Kalman滤波进行预测,得到N+1个预测值,再将这N+1个预测值用权系数合成最终的预测值。具体算法请参见文献1。1.3.2Kalman滤波离散线性Kalman滤波方程为F(t)=Φ(t-1)F(t-1)+ATLAB的ANN工具箱构造神经网络。隐层神经元的激励函数为tansig函数(正切S型传递函数),输出层神经元的激励函数为purelin函数(线性传递函数),这样整个网络的输出可以

4、取任意值。采取批处理学习方式和快速BP算法训练。2.3神经网络的训练将网络的训练标准SSE设为64(60组训练样本),利用上述样本对神经网络进行训练,训练6000次时网络的权值和阈值将达到最佳值,即达到了训练目标。神经网络训练目标接近过程,如图5所示。从图5中可以看出,训练开始时,网络收敛速度较快,接近目标时收敛速度会减慢。可见,训练次数越多,得到的结果越好。当然,这是以训练时间的增长作为代价的。3实验对比分析采用本文算法和传统的Kalman算法分别对2003年3月2日的各整点时刻的流量进行预测。算法各时刻均通过训练后的神经网络预测,预测与实测结果的比较,如图6所示。

5、传统的Kalman滤波是直接在当前序列的基础上进行预测的,预测与实测结果的比较如图7所示。2种预测方法的误差指标对比见表1。表1实验结果对比比较可得,由于传统的Kalman预测方法只能以某一类序列的数据作为预测基础,无法利用其他序列信息,且对变化大的数据采样要求较高,因而具有较大的误差,而本文所述方法有效地克服了这些缺点。4结论通过分析城市地铁站客流量的相互关系和特点,在对流量信息进行以预测为目的相关序列集构造的基础上,提出了一种基于数据融合的预测模型。该预测模型不仅是一个多信息接收和处理的融合模型,而且还是一个动力学系统,网络的训练样本也是动态的,如果训练的次数适当

6、,预测的精度也可以随之变化调整。实验结果表明,基于数据融合的预测与传统的预测方法相比,由于充分利用了所有预测信息,在预测的准确程度上有较大提高。