基于组合模型的城市轨道交通短时客流预测

交通运输系统工程与信息 ›› 2019, Vol. 19 ›› Issue (3): 119-125.

基于组合模型的城市轨道交通短时客流预测

杨静¹，朱经纬¹，刘博²，冯诚¹，张红亮^*3

1. 北京建筑大学土木与交通工程学院，北京 100044；2. 华杰工程咨询有限公司，北京 100029； 3. 北京交通大学交通运输学院，北京 100044

收稿日期:2018-11-17 修回日期:2019-02-15 出版日期:2019-06-25 发布日期:2019-06-25
作者简介:杨静(1980-)，女，河北张家口人，副教授，博士.
基金资助:
国家重点研发计划/National Key Research and Development Plan(2018YFB1201601)；北京市教育委员会科技计划一般项目/ Science and Technology Program of Beijing Education Committee (SQKM201810016006)；北京建筑大学市属高校基本科研业务费/The Fundamental Research Funds for Beijing Universities(X18264).

Short-term Passenger Flow Prediction for Urban Railway Transit Based on Combined Model

YANG Jing¹, ZHU Jing-wei¹, LIU Bo², FENG Cheng¹, ZHANG Hong-liang³

1. School of Civil Engineering and Transportation, Beijing University of Civil Engineering and Architecture, Beijing 100044, China; 2. CHELBI Engineering Consultants. Inc., Beijing 100029, China; 3. School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China

Received:2018-11-17 Revised:2019-02-15 Online:2019-06-25 Published:2019-06-25

摘要/Abstract

摘要：

针对城市轨道交通短时客流的非线性分布特征，本文提出一种基于变点模型、小波变换、自回归滑动平均模型(ARMA)的组合预测模型.首先，利用变点模型将车站进站客流数据划分为具有不同特征的时间段；然后，使用自相关和偏自相关分析确定时间序列的平稳性；之后，分别采用 ARMA模型与小波 ARMA组合模型对北京市某地铁站的进站量进行客流预测，并对预测结果的误差进行了比较分析.经过对比分析表明，小波 ARMA组合模型能够较好地预测出未来的短时客流，预测效果优于单一 ARMA模型，计算速度也能够满足短时预测的需求，该方法可为城市轨道交通的运营组织提供参考建议.

关键词: 城市交通, 短时客流预测, 组合预测模型, 变点模型, 小波变换, 自回归滑动平均

Abstract:

For short-term passenger flow in urban railway transit has the characteristics of nonlinear distribution, a combined forecasting model based on variable- point model, wavelet transform, and autoregressive moving average model is proposed. The model firstly uses variable- point model to divide the state interval, then uses autocorrelation and partial autocorrelation analysis to determine whether the time series is suitable for the ARMA model. Finally, ARMA single model and wavelet ARMA combined model are used to predict the passenger flow of a subway station in Beijing, and the error of the prediction results is compared and analyzed. The comparison shows that the prediction effect of the wavelet ARMA model is better than that of a single ARMA model, and the calculation speed can also meet the needs of short- term prediction. This method can provide reference for the operation organization of urban rail transit.

Key words: urban traffic, short- term passenger flow prediction, combined prediction model, variable- point model, wavelet transform, autoregressive moving average

中图分类号:

U491.31

杨静，朱经纬，刘博，冯诚，张红亮. 基于组合模型的城市轨道交通短时客流预测[J]. 交通运输系统工程与信息, 2019, 19(3): 119-125.

YANG Jing, ZHU Jing-wei, LIU Bo, FENG Cheng, ZHANG Hong-liang. Short-term Passenger Flow Prediction for Urban Railway Transit Based on Combined Model[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(3): 119-125.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19844.shtml

http://www.tseit.org.cn/CN/Y2019/V19/I3/119

参考文献

[1] COSKUN HAMZACEBI. Improving artificial neural networks performance in seasonal time series forecasting [J]. Information Sciences I, 2008(78): 4550-4559

[2] 白丽. 城市轨道交通常态与非常态短期客流预测方法研究[J]. 交通运输系统工程与信息, 2017, 17(1): 127- 135. [BAI L. Urban rail transit normal and abnormal short-term passenger flow forecasting method [J]. Journal of Transportation Systems Engineering and Information Technology, 2017, 17(1): 127-135.]

[3] 李晓峰. 基于数据挖掘的城市轨道交通车站突发客流预测研究[D]. 北京: 北京交通大学, 2017. [LI X F. Research on forecast passenger flow bursted in urban rail station on data mining[D]. Beijing: Beijing Jiaotong University, 2017.]

[4] 史文雯. 城市轨道交通短时客流预测与最优客运能力调配问题的研究[D]. 北京: 北京交通大学, 2011. [SHI W W. Study on short-term passenger flow forecast and the optimal capacity allocation problem in urban mass transit[D]. Beijing: Beijing Jiaotong University, 2011.]

[5] 沈景炎. 城市轨道交通客流预测内容和应用[J]. 城市交通, 2008, 6(6): 9- 20. [SHEN J Y. Forecasting and application of rail transit passenger volumes[J]. Urban Transport of China, 2008, 6(6): 9-20.]

[6] 董升伟. 基于改进 BP神经网络的轨道交通短时客流预测方法研究[D]. 北京: 北京交通大学, 2013. [DONG S W. The research of short-time passenger flow forecasting based on improved BP neural network in urban rail transit[D]. Beijing: Beijing Jiaotong University, 2013.]

[7] 周开利, 康耀红. 神经网络模型及其 MATLAB仿真程序设计[M]. 北京: 清华大学出版社, 2005. [ZHOU K L, KANG Y H. Neural network model and its MATLAB simulation program design[M]. Beijing: Tsinghua University Press, 2005.]

[8] NINOMIY Y. Information criterion for gaussian changepoint model[J]. Statistics & Probability Letters, 2005, 72 (3): 237-247.

[9] 王慧敏, 贺兴时, 赵文芝. 变点统计分析及实例研究 [J]. 电子测试, 2013(18): 38-40. [WANG H M, HE X S, ZHAO W Z. The statistical analysis and case study of change points[J]. Electronic Test, 2013(18): 38-40.]

[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.