基于改进KNN算法的城轨进站客流实时预测

交通运输系统工程与信息 ›› 2018, Vol. 18 ›› Issue (5): 121-128.

基于改进KNN算法的城轨进站客流实时预测

郇宁¹，谢俏²，叶红霞²，姚恩建^*1

1. 北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京 100044； 2. 广州地铁集团有限公司，广州 510030

收稿日期:2018-04-11 修回日期:2018-06-18 出版日期:2018-10-25 发布日期:2018-10-26
作者简介:郇宁(1994-)，男，山东威海人，博士生.
基金资助:
中央高校基本科研业务经费专项资金/Fundamental Research Funds for the Central Universities (2017YJS104)；城市轨道交通系统安全与运维保障国家工程实验室建设项目/ National Engineering Laboratory for System Safety and Operation Assurance of Urban Rail Transit (2016582).

Real-time Forecasting of Urban Rail Transit Ridership at the Station Level Based on Improved KNN Algorithm

HUAN Ning¹, XIE Qiao², YE Hong-xia², YAO En-jian¹

1. MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology, Beijing Jiaotong University, Beijing 100044, China; 2. Guangzhou Metro Group Co., Ltd, Guangzhou 510030, China

Received:2018-04-11 Revised:2018-06-18 Online:2018-10-25 Published:2018-10-26

摘要/Abstract

摘要：

针对实时进站客流数据的高维数、多噪声、波动频繁等特征，本文提出一种基于改进 K最近邻(K-nearest-neighbor, KNN)算法的城轨进站客流实时预测方法.首先，通过对分时客流数据的相关性分析，确定表征客流特征的状态向量；其次，结合数据特性改进近邻样本的模式匹配过程，利用关键点法去除原始序列中的噪声扰动，并引入动态时间规整算法实现考虑序列形态的相似性度量；再次，根据样本间流量差异引入距离权重和趋势系数，推演未来时段的进站量，实现滚动的实时预测；最后，依托广州地铁客流数据仓库对预测模型进行精度分析. 结果表明，对于全网159个站点，5 min粒度下全天分时进站量预测的平均绝对百分比误差的均值为11.6%，能够为路网状态监控提供可靠的数据支撑.

关键词: 城市交通, 实时预测, K近邻, 进站客流, 动态时间规整

Abstract:

Driven by the data characteristics of high-dimensionality and multi-interference, an improved Knearest-neighbor (KNN) algorithm is proposed to realize real-time forecasting of urban rail transit ridership at the station level. Firstly, a self-correlation analysis on historical passenger flow is conducted to determine a reasonable state vector for samples. Then, the traditional pattern matching process in KNN is primarily modified to adapt to the data characteristics. Specifically, the noise perturbations in raw time series are eliminated to a great extent with the approach of key point segmentation, and time alignment is introduced to the similarity measurement to account for the morphological feature of series. Furthermore, in order to capture the flow fluctuations in a short period, the distance-based weight and trend coefficient of matched template samples are employed to make further correction on forecast results. Finally, the automated fare collection (AFC) data of Guangzhou metro system is used for performance evaluation of proposed method. The results show that the mean absolute percentage error (MAPE) of all granularities in one day for entire 159 stations is 11.6%, which could provides effective foundation data support for network monitoring.

Key words: urban traffic, short-time prediction, K-nearest-neighbor, passenger flow, non-parametric regression

中图分类号:

U268.6

郇宁，谢俏，叶红霞，姚恩建. 基于改进KNN算法的城轨进站客流实时预测[J]. 交通运输系统工程与信息, 2018, 18(5): 121-128.

HUAN Ning, XIE Qiao, YE Hong-xia, YAO En-jian. Real-time Forecasting of Urban Rail Transit Ridership at the Station Level Based on Improved KNN Algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(5): 121-128.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19704.shtml

http://www.tseit.org.cn/CN/Y2018/V18/I5/121

参考文献

[1] 蔡昌俊. 新线接入条件下城轨路网客流预测理论与方法研究 [D]. 北京: 北京交通大学, 2014. [CAI C J. Passenger flow forecasting theory and method for urban rail transit network after the opening of new lines[D]. Beijing: Beijing Jiaotong University, 2004.]

[2] 姚恩建, 程欣, 刘莎莎, 等. 基于可达性的城轨既有站进出站客流预测 [J]. 铁道学报, 2016, 38(1): 1-7. [YAO E J, CHENG X, LIU S S, et al. Accessibilitybased forecast on passenger flow entering and departing existing urban railway stations[J]. Journal of the China Railway Society, 2016, 38(1): 1-7.]

[3] 光志瑞. 城市轨道交通节假日客流预测研究[J]. 交通工程, 2017, 17(3): 27- 35. [GUANG Z R. Short-term passenger flow forecast at urban railway stations during holiday[J]. Journal of Transportation Engineering, 2017, 17(3): 27-35.]

[4] 徐瑞华, 徐永实. 城市轨道交通线路客流分布的实时预测方法[J]. 同济大学学报(自然科学版), 2011, 39 (6): 857-861. [XU R H, XU Y S. Real-time forecast of passenger flow distribution on urban rail transit line[J]. Journal of Tongji University(Natural Science), 2011, 39 (6): 857-861.]

[5] 包磊. 城市轨道交通客流量实时预测模型[J]. 城市轨道交通研究, 2017, 20(5): 104-106, 111. [BAO L. Real-time forecast of passenger flow volume in urban rail transit[J]. Urban Mass Transit, 2017, 20(5): 104-106, 111.]

[6] DAVIS G A, NIHAN N L. Nonparametric regression and short-term freeway traffic forecasting[J]. Journal of Transportation Engineering, 1991, 117(2): 178-188.

[7] 宫晓燕, 汤淑明. 基于非参数回归的短时交通流量预测与事件检测综合算法[J]. 中国公路学报, 2003, 16 (1): 82-86. [GONG X Y, TANG S M. Integrated traffic flow forecasting and traffic incident detection algorithm based on non-parametric regression[J]. China Journal of Highway and Transport, 2003, 16(1): 82-86.]

[8] 张涛, 陈先, 谢美萍, 等. 基于K近邻非参数回归的短时交通流预测方法[J]. 系统工程理论与实践, 2010, 30 (2): 376-384. [ZHANG T, CHEN X, XIE M P, et al. KNN based nonparametric regression method for shortterm traffic flow forecasting[J]. Systems EngineeringTheory & Practice, 2010, 30(2): 376-384.]

[9] 谢俏, 李斌斌, 何建涛, 等. 基于非参数回归的城轨实时进出站客流预测[J]. 都市快轨交通, 2017, 30(2): 32-36, 41. [XIE Q, LI B B, HE J T, et al. Nonparametric regression model based real- time forecast for urban railway stations’entrance and exit passenger flow[J]. Urban Rapid Rail Transit, 2017, 30(2): 32-36, 41.]

[10] 黄晓琴. 交通客流时间序列数据的聚类挖掘研究[D]. 成都: 电子科技大学, 2015. [HUANG X Q. Research on clustering mining for passenger flow time series[D]. Chengdu: University of Electronic Science and Technology of China, 2015.]

[11] 徐波, 于劲松, 李行善. 基于路径约束的动态时间规整方法研究[J]. 系统工程与电子技术, 2004(1): 103-105. [XU B, YU J S, LI X S. Research of dynamic time warping approach based on path constraint[J]. Systems Engineering and Electronics, 2004(1): 103-105.]

[1]	刘晓冰, 李奉孝, 田欣妹, 闫学东. 基于通勤模式的都市圈中心结构判别研究[J]. 交通运输系统工程与信息, 2022, 22(2): 17-28.
[2]	许奇, 陈越, 黄靖茹, 高顺祥, 张志健. 考虑出行费用的就业可达性分析[J]. 交通运输系统工程与信息, 2022, 22(2): 37-44.
[3]	刘春禹, 刘永红, 罗霞, 朱颖. 混合交通流环境下单交叉口自动驾驶车辆轨迹优化[J]. 交通运输系统工程与信息, 2022, 22(2): 154-162.
[4]	张小雨, 邵春福, 王博彬, 黄士琛. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196.
[5]	李欣, 戴章, 李怀悦, 胡笳. 基于连续近似模型的轨道交通与常规公交耦合优化设计[J]. 交通运输系统工程与信息, 2022, 22(2): 206-213.
[6]	郝妍熙, 刘戎阳, 胡华, 方勇, 刘志钢. 单向通道行人-自行车混合流建模及自组织现象研究[J]. 交通运输系统工程与信息, 2022, 22(2): 223-229.
[7]	赵传林, 贺少松, 孙淑敏, 王钰涵. 基于理性疏忽理论的交通疏散网络双层优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 239-246.
[8]	陈小红, 蓝秋雨. 不确定交通需求下交叉口信号配时区间优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 247-256.
[9]	李冰, 王正辉, 马铭炜, 杨鸿宇, 冯悦. 信号交叉口行人二次过街下右转车通行能力与延误估计模型[J]. 交通运输系统工程与信息, 2022, 22(2): 257-267.
[10]	朱彤, 秦丹, 董傲然, 杜雨萌, 魏雯. 公交驾驶员违规类型同交通事故间的关联分析[J]. 交通运输系统工程与信息, 2022, 22(2): 322-329.
[11]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[12]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[13]	贾斌, 朱凌, 李树凯, 刘家林. 城市轨道交通小交路计划与客流控制协同优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 124-132.
[14]	牟振华, 汪寒冰, 林本江, 陈逸群, 金程程, 陈艳艳. 基于演化博弈的违章停车动态罚金策略效用仿真评价[J]. 交通运输系统工程与信息, 2022, 22(1): 152-162.
[15]	贾富强, 李引珍, 杨信丰, 马昌喜, 代存杰. 基于演化博弈的政府鼓励条件下共享停车行为分析[J]. 交通运输系统工程与信息, 2022, 22(1): 163-170.