基于SVM预测乘客出行概率的轨道交通客流预测方法

摘要

一种基于SVM预测乘客出行概率的轨道交通客流预测方法，步骤如下：一：采集轨道交通历史数据，包括乘客出行的起始站点、目的站点，进站时刻和出站时刻；二：基于历史数据，统计乘客出行比例；三：利用统计得到的出行比例数据训练最小二乘支持向量机，预测乘客出行概率；四：存储预测的出行概率，供实时客流预测模块使用；五：采集实时进站客流数据；该数据看作是乘客进站记录的集合；六：获取在步骤四中存储的乘客在该站的出行概率，预测乘客出行的目的站点；七：结合列车的发车间隔，模拟乘客出行，计算乘客到达和离开每一个站点的时间，并更新全路网客流。本发明利用乘客出行规律进行预测，能够实时对进站客流进行预测，预测的精度高。

说明书

技术领域

本发明提供一种基于支持向量机（Support Vector Machine or SVM） 预测乘客出行概率的轨道交通客流预测方法，即提供一种基于SVM 预测乘客出行概率的轨道交通客流预测方法，属于计算机应用技术领 域。

背景技术

随着国民经济的快速发展，城市化进程的不断加快，城市人口密 度的不断增长，城市交通所承受的压力也逐渐加大。轨道交通具有客 运量大、速度快、时间准、运距长、舒适度高、受外界因素影响小等 特点，如今已经被越来越多的城市作为重点建设项目之一。

轨道交通客流预测是以轨道交通运行数据为基础，预测较短一段 时间内站点的进出站客流、区段断面客流，换乘站换乘客流，地铁站 内部客流分布等，能够监测地铁网络中客流情况并为突发事件提供预 警，对于轨道交通系统安全高效运行具有重要的意义。

现存技术中一种轨道交通客流的预测方法，是简单的面向地铁站 点，将地铁客流看作简单的时间序列，利用神经网络进行预测，主要 处理过程如下：

1.利用采集装置采集一段时间的轨道交通客流数据，将数据集分 成两部分，训练数据集和测试数据集。

2.确定神经网络的参数，包括神经网络的层数、各层神经元的数 目、层与层之间的传递函数、学习算法等。

3.利用训练数据集训练神经网络，将训练好的网络利用测试数据 集进行测试。如果测试结果不满足要求，则修改网络参数，重 新进行训练和预测。

4.利用训练好的网络预测轨道交通客流。

上述方法最大的问题就是孤立地处理一个地铁站，没有将地铁网 络当作一个整体来对待，也就不能利用乘客出行规律进行预测，降低 了预测的精度。

发明内容

本发明的目的是提供一种基于SVM预测乘客出行概率的轨道交通 客流预测方法，将地铁网络当作一个整体来对待，利用乘客出行规律 进行预测，提高预测的精度并且提供实时预测进站客流的功能。

本发明一种基于SVM预测乘客出行概率的轨道交通客流预测方法， 其具体步骤如下：

步骤一：采集一段时间的轨道交通历史数据，该数据可以看作是 乘客出行记录的集合，其中每条记录包括乘客出行的起始站点、目的 站点，进站时刻和出站时刻；

步骤二：基于历史数据，统计乘客出行比例，针对每一个地铁站， 统计乘客由该站进入去往其它站的比例；

步骤三：利用统计得到的出行比例数据训练最小二乘支持向量机 （LSSVM），预测乘客出行概率，即针对每一个地铁站，预测乘客由 该站进入去往其它站的概率；

步骤四：存储预测得到的出行概率，供实时客流预测模块使用；

步骤五：采集实时进站客流数据；该数据可以看作是乘客进站记 录的集合，进站记录包括乘客的起始站点和进站时间；

步骤六：获取在步骤四中存储的乘客在该站的出行概率，预测乘 客出行的目的站点；

步骤七：结合列车的发车间隔，模拟乘客出行，计算乘客到达和 离开每一个站点的时间，并更新全路网客流。

其中，在步骤一中所述的“采集一段时间的轨道交通历史数据”， 可以通过在地铁进出站闸机口布设装置，获取乘客刷卡信息采集得到。

其中，在步骤三中所述的“最小二乘支持向量机”，是支持向量机 的一种扩展，在构造最优决策函数时，遵循了结构风险最小化原则， 同时引入了间隔的概念，并巧妙地利用了原空间的核函数取代了高维 特征点的点积运算，降低了计算的复杂度。

其中，在步骤三中所述的“利用统计得到的出行比例数据训练最 小二乘支持向量机（LSSVM），预测乘客出行概率”，其训练内容和步 骤为：

最小二乘支持向量机的训练数据样本可以表示为：(x₁,y₁)， (x₂,y₂)，…(x_n,y_n)。其中y_i是目标值，x_i是输入向量。

非线性回归问题可以描述为求解下面问题：

$\underset{\omega ,b,e_t}{\min }J(\omega ,e)=\{\frac{1}{2}{\omega }^T\omega +\gamma \frac{1}{2}\underset{t=1}{\overset{N}{\Sigma }}{e}_t^2\}$

约束条件为：

其中是核空间映射函数，权矢量ω∈R^nh，误差变量 ξ_t∈R，b是偏差量，γ是可调参数。核函数可以将原始空间中的样本 映射为高维特征空间中的一个向量，已解决线性不可分问题，可以用 拉格朗日求解这个优化问题，得到预测值

$y\left(x\right)=\underset{t=1}{\overset{n}{\Sigma }}{\alpha }_{t}K(x,x_i)+b$

K为核函数，选择径向基函数

其中a_t,i=1,…n是拉格朗日乘子，b是偏差量，σ为核函数的调整 参数

参数a_t、b、σ、γ是以统计得到的出行比例为训练数据，通过训 练支持向量机而自动得到。

其中，在步骤四中所述的“存储预测得到的出行概率”，可以以文 件的形式存储在磁碟、光盘、只读存储记忆体（Read-Only Memory， ROM）或随机存储记忆体（Random Access Memory，RAM），也 可以以关系数据的形式存储在关系数据库系统中。

其中，在步骤五中所述的“采集实时进站客流数据”，可以通过在 地铁进站闸机口布设装置，获取乘客刷卡信息采集得到。

本发明一种基于SVM预测乘客出行概率的轨道交通客流预测方 法和装置，其优点和功效是：

1.将地铁网络当作一个整体来对待，利用乘客出行规律进行预测， 提高了预测的精度。

2.能够实时对进站客流进行预测。

附图说明

图1为本发明所述方法流程框图

具体实施方式

本发明提供了一种基于SVM预测乘客出行概率的轨道交通客流预 测方法，通过对历史数据进行统计并采用SVM预测得到乘客出行概 率，对实时进站客流，按照乘客出行概率预测乘客出行目的站，模拟 乘客分配预测全路网客流。

为便于对本发明实施例的理解，下面将结合附图以一个具体实施 例为例做进一步的解释说明，且实施例并不构成对本发明实施例的限 定。

实施例

本实施例以北京地铁2012年4月24日，5月1日，5月8日，5 月15日，5月22日预测5月29日的客流。

见图1所示，本发明一种基于SVM预测乘客出行概率的轨道交通 客流预测方法，其步骤如下：

1.采集历史数据

通过在地铁进出站闸机口布设装置，获取乘客刷卡信息采集得 到2012年4月24日，5月1日，5月8日，5月15日，5月22 日历史客流数据。

2.统计出行比例

2012年北京地铁共m个地铁站点，编号S_i(i=1,2,..m)。统计2012 年4月24日由S_i去往S_j的人数，记为

同理，统计得到其它日期的出行比例其中(i=1,2,..216)。

3.预测5月29日乘客出行概率。

利用统计得到的出行比例训练最小二乘支持向量机，预测5月 29日乘客出行概率。

预测S₁站进站乘客的出行概率。以为训练数据，训练最小二 乘支持向量机，预测得到5月29日S₁去往S₂出行比例重 复上述过程，预测归一化上述出行比例，得到5 月22日S₁站进站乘客的出行概率

重复过程，预测5月29日乘客出行概率

4.存储出行概率

计算得到的出行概率，可以以文件的形式存储在磁碟、光盘、 只读存储记忆体（Read‐Only Memory，ROM）或随机存储记忆体 （Random Access Memory，RAM），也可以以关系数据的形式存储 在关系数据库系统中。

5.采集5月29日实时进站客流

通过在地铁进站闸机口布设装置，获取乘客刷卡信息采集得到 2012年5月29日实时进站客流数据。

6.处理5月29日进站客流，预测乘客目的站点

根据存储下来的5月29日乘客出行概率处 理5月29日进站客流。

设5月29日有n条进站记录，每条进站记录为二元组， 其中为第i记录对应进站站点，t_i第i记录对应进站时刻。对为 于第1条记录进行处理，预测其出行目的站，模拟乘客出行并更 新路网客流，过程如下：

1)查询站的乘客出行概率生成一个（0,1）

之间的随机数r，如果S_j满足

则认为S_j为乘客出行的终点站。

重复以上过程，处理5月29日进站客流全部进站客流，就预 测得到5月29日每条进站记录的出站预测值。

7.模拟乘客走行，更新全路网客流

设5月29日有n条进站记录，每条进站记录为三元组其中为第i记录对应进站站点，t_i对应第i记录进站时刻，对 应第i记录进站时刻预测出站站点。对于第1条记录进行处理，，

模拟乘客出行并更新路网客流，过程如下：

2)确定乘客在时刻t₁在进站去往S_j站，根据客流分配算法， 得到乘客出行的路径即站点序列，其中${\tilde{S}}_k=S_j.$

3)根据乘客出行的路径结合列车发车间隔，模拟乘客出行， 计算乘客到达地铁站的时间ArriveTime_i和离开地铁站的时 间DepartTime_i，(i=1,2...k)。

4)更新全路网客流。比如乘客在ArriveTime_i时刻到达DepartTime_i时刻离开则在站内客流人数在（ArriveTime_i， DepartTime_i）时间段内增一。比如乘客在DepartTime_i时刻离 开在ArriveTime_i+1时刻到达而和是相邻的两个 非换乘地铁站，则到区段客流人数在（DepartTime_i+1， ArriveTime_i）时间段内增一。比如乘客在DepartTime_i时刻离 开在ArriveTime_i+1时刻到达而和是相邻的两个 换乘地铁站，则到换乘通道客流人数在（DepartTime_i+1， ArriveTime_i）时间段内增一。

重复以上过程，处理5月29日进站客流全部进站客流，就预 测得到5月29日全路网在任意时刻的客流分布。

对于本发明提供的轨道交通客流预测方法，采用RME和RMSE标 准进行评价，并与现存方法进行比较，发现本方法预测结果更加准确。

RME，又称平均相对误差，统计的是预测数据与对应真实数据的 相对误差的平均值，计算公式如下：

$\mathrm{RME}=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}\frac{|y_i-{\hat{y}}_i|}{y_i}$

公式中y={y₁,y₂,...y_n}为真实值序列，为对应的预测值 序列。

RME越接近0，说明数据拟合程度越好，数据预测算法的正确性 也越高。

RMSE，又称均方根误差，统计的是预测数据和原始数据对应点误 差的平方和均值的平方根，计算公式如下：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{(y_i-{\hat{y}}_i)}^2}$

公式中y={y₁,y₂,...y_n}为真实值序列，为对应的预测值 序列。

RMSE越接近0，说明数据拟合程度越好，数据预测算法的正确性 也越高。

表格1本发明与现存方法比较

  本发明 现存方法1 现存方法2 RME 0.0608 0.1869 0.2925 RMSE 19.9625 30.6418 40.3411

从上述表1可以看出，使用基于SVM预测乘客出行概率的轨道交 通客流预测方法预测效果最好。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部 分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程 序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如 上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、 只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体 （Random Access Memory，RAM）等。