[发明专利]一种地铁换乘通道通行状态的模糊预测方法

摘要

一种地铁换乘通道通行状态的模糊预测方法，由布设在地铁换乘通道出入口的摄像头构成采集环境，根据摄像头记录的乘客通过出入口的时刻，计算出乘客通过换乘通道的平均行程时间，识别及剔除平均行程时间记录数据的异常值，弥补平均行程时间的缺失数据，计算当天每个地铁到站时刻对应的时间占空比，应用模糊C‑均值聚类分析法，根据预设的通行状态，对当天及以前所有记录的时间占空比数据进行通行状态的模糊划分，得到模糊集，计算每个聚类对应的高斯隶属函数的参数，选用一阶Sugeno模糊推理系统作为预测模型的基本框架，通过对训练样本的学习，建立模糊预测模型并进行预测，预测结果反模糊化并最终输出通行状态预测结果的精确值和模糊值。

主权项

一种地铁换乘通道通行状态的模糊预测方法，由布设在地铁换乘通道出入口的摄像头构成采集环境，根据摄像头记录的乘客通过出入口的时刻，计算出乘客通过换乘通道的平均行程时间，将地铁到站时刻以及对应每个地铁到站时刻的平均行程时间输入到计算机中，其特征在于还依次包括下述步骤：1)平均行程时间记录数据的异常值识别及剔除：当天在预测时刻之前共记录了n_c组地铁到站时刻，以及对应的平均行程时间数据，漏检数据除外，对于地铁在t_k时刻到站时记录的平均行程时间数据T_k，k为小于等于n_c的正整数，找出与t_k时刻近邻的p个地铁到站时刻及对应的平均行程时间，记为{(t₁，T₁),(t₂，T₂),…,(t_p，T_p)}，p为事先设定的小于等于n_c的正整数，计算p个近邻数据的加权平均值其中q为大于0小于10的正整数，再计算这些近邻数据与加权平均值的均方差若其中λ是预先设定的值，取值范围为1到10的正整数，则数据T_k为异常值，并进行剔除；2)平均行程时间缺失数据的弥补：查找当天在预测时刻之前的所有n_c次地铁到站时刻，若t_k时刻缺失平均行程时间数据T_k，k为小于等于n_c的正整数，则计算弥补平均行程时间数据计算方法为，在采集数据中找到与t_k时刻近邻的p个地铁到站时刻及对应的平均行程时间，p为小于等于n_c的正整数，记为{(t₁，T₁),(t₂，T₂),…,(t_p，T_p)}，弥补平均行程时间数据等于这些近邻数据的加权平均值T_k1和中位数T_k2的平均值；其中，T_k1的计算公式如下：其中q为大于0小于10的整数，其中，T_k2的计算方法如下：将T₁,T₂，…,T_p按从小到大排列为T'₁,T'₂，…,T'_p，当p为奇数时，当p为偶数时，3)计算当天每个地铁到站时刻对应的时间占空比，计算公式如下：$s_k=\frac{T_k}{T_{kd}}\×100\%$其中，s_k表示t_k时刻的时间占空比，T_kd表示相邻两班地铁到站间隔；4)应用模糊C‑均值聚类分析法，根据预设的c个通行状态，对当天及以前所有记录的时间占空比数据进行通行状态的模糊划分，得到模糊集，并输出聚类中心z_h，以及第i个时间占空比数据属于第h个聚类的隶属度其中h＝1，2，…，c；5)计算每个聚类对应的高斯隶属函数的参数：高斯隶属函数包含两个参数，即均值和标准差：对于模糊C‑均值聚类分析法确定的第h个聚类，其对应的高斯隶属函数均值即为该聚类中心z_h，其对应的高斯隶属函数标准差为其中，n表示当天及以前记录的所有时间占空比数据个数，z_h表示第h个聚类中心，s_i表示第i个时间占空比数据，表示第i个时间占空比数据属于第h个聚类的隶属度；6)选用一阶Sugeno模糊推理系统作为预测模型的基本框架，通过对训练样本的学习，建立模糊预测模型，并进行预测，具体步骤如下：(6.1)判断训练样本量n_s是否小于设定值n_m，n_m的取值范围为30到80的正整数，若n_s小于设定值n_m，则转到步骤6.3，否则转到步骤6.2，训练样本量n_s计算公式如下，n_s＝n_c‑l‑d+1其中，l表示预测步长，取值范围为1到10的正整数，d表示预先设定的输入向量的维数，取值范围为1到5的正整数，n_c表示当天的时间占空比数据总数；(6.2)建立当天训练样本S以及预测输入向量X，从当天时间占空比数据中，取最近采集的n_d＝n_m+d+l‑1个时间占空比数据，构造当天训练样本S，其中步骤6.1给出了n_m，d和l的定义，$S=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{n_d-l-d+1}\\ s_2& s_3& ...& s_{n_d-l-d+2}\\ ...& ...& ...& ...\\ s_d& s_{d+1}& ...& s_{n_d-l}\\ s_{d+l}& s_{d+l+1}& ...& s_{n_d}\end{array}\right],$其中，为当天最近采集的n_d个时间占空比数据，为最近采集的时间占空比数据，前d行为训练输入矩阵Xs，$Xs=\left[\begin{array}{cccc}{s}_1& s_2& ...& s_{n_d-l-d+1}\\ s_2& s_3& ...& s_{n_d-l-d+2}\\ ...& ...& ...& ...\\ s_d& s_{d+1}& ...& s_{n_d-l}\end{array}\right],$最后一行为训练输出Ys，即预测输入向量X由当天最近的d个时间占空比数据组成，即：(6.3)建立非当天训练样本S及预测输入向量X：取最近n_t＝n_m+d天的预测时刻t的历史时间占空比数据，构造非当天训练样本S，其中步骤6.1给出了n_m和d的定义，$S=\left[\begin{array}{cccc}{s}_1^t& s_2^t& ...& s_{n_t-d}^t\\ s_2^t& s_3^t& ...& s_{n_t-d+1}^t\\ ...& ...& ...& ...\\ s_d^t& s_{d+1}^t& ...& s_{n_t+1}^t\\ s_{d+1}^t& s_{d+2}^t& ...& s_{n_t}^t\end{array}\right],$其中，分别为最近n_t天的预测时刻t的历史时间占空比数据，前d行为训练输入矩阵Xs，而最后一行为训练输出Ys，即预测输入向量X由最近d天的预测时刻t的时间占空比数据组成，即：(6.4)确定Sugeno模糊预测模型的规则集和参数，建立Sugeno模糊预测模型：运用模糊C‑均值聚类分析法，根据预先设定的聚类数目r，对训练输入矩阵Xs进行聚类，得到每个聚类的高斯隶属函数的均值向量、标准差向量、隶属度、以及相应的模糊集，其中第g个聚类的均值向量为v_g＝[v_g1 v_g2 … v_gd]^T、第g个聚类的标准差向量为u_g＝[u_g1 u_g2 … u_gd]^T、第e个训练输入向量即训练输入矩阵Xs中第e个列向量，属于第g个聚类的隶属度为第g个模糊集为A_g，其中g∈[1,2,…,r]，e∈[1,2,…,n_m]，v_g1、v_g2、和v_gd分别为第g个聚类的高斯隶属函数均值向量的第1、2、d个分量，u_g1、u_g2、和u_gd分别为第g个聚类的高斯隶属函数标准差向量的第1、2、d个分量，根据聚类结果，构造出规则集，该规则集包括r条规则[R₁，…,R_r]，即每个聚类对应一条规则，其中R_g表示第g条规则；(6.5)利用建立的Sugeno模糊预测模型，计算表征预测的通行状态精确值y，具体如下：首先将d维的预测输入向量X模糊化，计算X的第j个分量x_j隶属于第g类的隶属度其中，j∈[1,2,…,d]，g∈[1,2,…,r]，r是步骤6.4中的类数目，v_gj是步骤6.4中对应于第g类的均值向量v_g的第j个分量，u_gj是步骤6.4中对应于第g类的标准差向量u_g的第j个分量；其次计算推理前件匹配度再计算对应于各规则的输出y_g＝b_g0+b_g1x₁+...+b_gjx_j+...+b_gdx_d，g∈[1,2,…,r]，b_gj为第g个聚类对应的规则的后件参数b_g中第j个分量；最后按加权平均求得表征预测的通行状态精确值7)通行状态预测结果精确值y的模糊化：计算上步得到的精确值y属于由步骤4得到聚类结果的第h类的隶属度其中，h∈[1,2,…,c]，z_h，σ_h分别是步骤5得到的第h个聚类的隶属函数的均值和标准差，再按最大隶属函数值原则计算该精确值y对应的模糊状态η＝argmax{μ₁,μ₂,...,μ_c}，η用于表征预测的通行状态模糊值；8)输出通行状态预测结果的精确值y和模糊值η。