[发明专利]一种基于神经网络的轨道交通实时客流预测方法

说明书

技术领域

本发明涉及轨道客流预测领域，特别涉及到一种基于神经网络的轨道交通实时客流预测方法。

背景技术

随着城市化进程的快速发展，城市人口的出行需求与城市交通运载量之间的冲突愈发突出。城市轨道交通以其特有的高速、高容量以及环保等优势，从多种交通方式中脱颖而出，成为解决交通拥堵的主要交通工具。各城市纷纷投入建设，令城市轨道交通从单线运营向线网运营转型，其规模和复杂性提升的同时，也对轨道交通的网络化管理和发展提出挑战。而快速准确的客流预测既是科学制定行车计划的基础，也是实时调整运营计划的重要依据，它有助于交通运营管理更全面优质的发挥其作用。支持向量机，即SVM，作为一个凸二次规划问题，可保证得到的极值解就是全局最优解。这些特性使SVM足够成为优秀的基于数据的机器学习方法。SVM在解决对于小样本与高维模式识别等问题中具有突出表现，且能将应用推广至函数拟合等相关机器学习研究中。与传统的机器学习算法不同，SVM将原始样本空间映射到高维特征空间，并在新空间内求得最优线性分类面。这种映射转换即非线性转换是采用适当内积函数实现。SVM成功解决了局部极小值问题与高维问题。通过定义不同的内积函数即可实现贝叶斯分类器、径向基函数法、多层感知器网络等多种学习算法。SVM采用大间隔因子来控制机器学习的训练过程，令它仅选择分类间隔最大的分类超平面。SVM算法具备较为完整的理论基础，在某些领域的应用中展现了非常好的泛化性能，鉴于此，它在解决分类、回归以及密度函数估测中均获得不俗效果，且成功的应用到了回归估计、模式识别等方面。如文本分类、语音识别等。SVM最早是为分类问题而设计并得到广泛应用。近年来，它在回归问题方面也表现出非常好的性能。

现有的轨道交通实时客流预测方法包括Roos J提出一个动态贝叶斯网络方法用于预测巴黎铁路网络中的短期客流，该方法对系统故障造成的数据不全情况有较好的处理效果。现有的轨道交通实时客流预测方法存在预测准确率低，计算量大的技术问题。因此，提供一种预测准确率高、计算量小的轨道交通实时客流预测方法就很有必要。

发明内容

本发明所要解决的技术问题是现有技术中存在的准确率低的技术问题。提供一种新的基于神经网络的轨道交通实时客流预测方法，该基于神经网络的轨道交通实时客流预测方法具有准确率高、计算量小的特点。

为解决上述技术问题，采用的技术方案如下：

一种基于神经网络的轨道交通实时客流预测方法，所述方法包括：

(1)从自动售检票系统采集n个历史数据作为原始样本，对原始样本进行预处理得到预处理样本；

(2)依据步骤(1)中预处理样本，依据非线性自回归神经网络，建立关于时间序列的短时客流预测模型p(t)，所述非线性自回归神经网络包括输入层、输入滞时、隐藏层、输出层及输出滞时：

(3)根据步骤(2)中短时客流预测模型p(t)，以及训练算法，进行实时客流预测，所述实时客流预测包括短时客流预测、高峰预测及客流分布站点预测；

其中，t表示时间，p表示客流量，延时阶数n为正整数，W表示权重矩阵。

本发明的工作原理：将原始样本中任意时间序列向量和它所对应的客流向量作为输入，对未来短期内某时间段内客流量进行预测，以及高峰时段客流量预测。根据时空分布规律，为时滞非线性自回归神经网络模型增加了具有代表性的客流分布站点预测。时滞非线性自回归神经网络在处理时序的非线性数据上有更好表现，且能弥补支持向量机样本的局限性问题。

上述技术方案中，为优化，进一步地，所述步骤(2)中非线性自回归神经网络的第j个神经元输出为N_j，f为激励函数：

所述非线性自回归神经网络的激励函数为LM函数、BFG函数、RP函数、SCG函数及GDX函数中任意；

其中，i表示输入数据量，l表示隐藏层神经元数量，f表示隐藏层激活函数，w_ij表示第i个输出时间延迟信号与隐藏层第j个神经元间的连接权值，a_j表示第j个隐藏层神经元阈值。

进一步地，所述隐藏层数量为1，隐藏层神经元数量l＝20。

进一步地，所述训练算法为SCG算法。

进一步地，所述激励函数为S型函数。

进一步地，所述激励函数为T Elloit S函数。

进一步地，所述激励函数为Tan-Sigmoid函数。

进一步地，所述数据预处理包括关键信息提取、数据整理及分钟级出入客流量统计。