一種公交客流組合預測方法
【專利說明】一種公交客流組合預測方法 所屬技術領域
[0001] 本發明涉及基于灰度模型，自回歸滑動平均模型的公交客流組合預測方法，屬于 智慧城市、智能公交領域。
【背景技術】
[0002] 隨著國民經濟能力不斷提升，居民生活水平得到改善，市民出行量的急劇增加導 致城市擁堵問題越來越明顯，嚴重影響了市民出行效率和生活質量，限制了城市交通的快 速發展。"智能公交系統"是綜合利用全球定位、無線通信、地理信息等技術建立智能車輛終 端信息網絡，將公交車輛的運行和運營管理智能化、信息化、可視化，實現對車輛的集中調 度，統一管理，優化人力、運力資源配置，降低公交運營成本，提高調度應變能力和乘客服務 水平。
[0003] 客流量是影響公交運行效率的重要因素。公交公司可以根據客流量的變化情況最 優地調度公交車輛，節省運營成本，市民也可以參考站點上車客流量信息制定出行計劃從 而節省出行時間。因此，及時準確預測未來時段站點客流量是實現智能公交系統過程中的 重要環節。
[0004] 現有公交客流預測方法包括：神經網絡、時間序列分析、支持向量機等方法，但主 要集中于中長期預測。短時公交客流預測方法包括：卡爾曼濾波，小波變換，神經網絡，自回 歸滑動平均法等。但卡爾曼濾波要求數據序列的誤差滿足于線性分布，不適用于非線性分 布的復雜情況；神經網絡與小波變換，觀測尺度的變化對序列特性影響較大，影響算法參數 選取；自回歸滑動平均法雖算法簡單，但用于預測具有復雜變化的客流量誤差較大。
【發明內容】
：
[0005] 本發明的目的在于，交通流過程的復雜性和不確定性，決定了準確的交通流預測 不是單一的模型或方法所能解決和完成的，各種預測模型在具體的情況下各有其優缺點， 各有其適用范圍和應用條件。現有的公交客流預測方法多集中于長期預測，時效性不強，不 能具備一定的實時參考性，而短時預測模型預測精度不高，本發明通過建立將灰度模型和 自回歸滑動平均模型相結合的組合預測模型，利用最小二乘法對模型參數進行估計，能夠 提供實時準確的公交客流預測值。
[0006] 為實現上述發明目的，本發明借助兩種預測模型結合的組合預測模型，采用最小 二乘法，預測短時段內公交站點客流量。
[0007] 本發明具體包含如下步驟：(A)采集歷史客流數據。（B)建立灰度預測模型預測 第i+Ι天的客流量為M 1+1，并作客流統計，計算出第i天第t個時間段的客流量在一天中總 客流量的比例rlt。（C)以自回歸滑動平均預測模型作短時預測，預測第t+Ι個時間段的客 流量H t+1。（D)建立預測模型：S1= α ·Μ1+1·Γ?+β *Ht+1，采用最小二乘法根據歷史值求出 α，β即可。
[0008] 所述步驟（Α)中，歷史客流數據包括公交GPS數據、公交站點位置信息和1C卡刷 卡數據。
[0009] 所述步驟（B)中，首先，選取某一公交樞紐站的客流量作為預測對象，統計出第i 天第t個時間段的客流量在一天中總客流量的比例rlt。然后，建立灰度預測模型，預測第 i+Ι天的客流量，記為M1+1。具體步驟如下：（1)由原始數據序列M?計算一次累加序列M(1); ⑵建立矩陣B，Y ; (3)求逆矩陣（BTB) 1 ; (4)根據
、求估計值S和 (5)把估計值L I帶入1-AG0式中得時間響應方程得擬合值，再用后減運算還，即
[0010] 所述步驟（C)中，選取同一公交樞紐站的客流量作為預測對象，建立自回 歸滑動平均模型作短時預測，預測第t+Ι個時間段的客流量，記為H t+1。具體步驟 如下：（1)生成不同時序數據。H = {Ht| t = 1，2,…，m}，氏=H(m-t*10min)，…，
(2)數據檢驗 和預處理。數據檢驗包括正態檢驗，零均值檢驗等；預處理要清除原始序列的趨 勢性、波動性等影響。（3)結合歷史數據和實時數據，建立自回歸滑動平均模型。 >其中，Ht+11為歷史數據，δ?+1。 η />-i
η .?-i 為白噪聲，P，q為模型階數。（4)自回歸滑動平均模型的參數初步估算瓦豕4,成.>
[0011] 所述步驟（D)中，建立基于灰度模型和自回歸滑動平均模型的組合預測模型，具 體模型如下：Si = a *Mi+1 *Ht+1。其中，α，β是參數估計值，Mi+1是通過灰度模型 預測的第i+Ι天的公交客流量，k是比例因子
其中，Mi表示第i天 的總客流量，Ht表示第i天第t個時間段的客流量。Ht+1是通過自回歸滑動平均模型預測 的第t+Ι個時間段的客流量。
[0012] 根據最小二乘原?
R出α、β即可。
【附圖說明】
[0013] 下面結合附圖和實施例對本發明進一步說明。
[0014] 圖1公交站點客流組合預測總體流程圖
[0015] 圖2灰度模型客流預測流程圖
[0016] 圖3自回歸滑動平均模型客流預測流程圖
【具體實施方式】：
[0017] 為使本發明的上述目的、特征和有點能夠更加明顯易懂，下面結合附圖和具體實 施例，進一步對本發明提供的一種公交客流組合預測方法進行詳細說明。
[0018] 如圖1所示為公交站點客流組合預測總體流程圖，包括如下步驟：采集數據，包括 公交GPS數據、公交站點位置信息和1C卡刷卡數據；建立灰度模型預測某一天的客流量，并 作客流統計，統計某一時段客流量在一天中所占比例；建立自回歸滑動平均模型，預測同一 天某一時段的客流量；建立組合預測模型，進行客流量預測。
[0019] 下面結合實例進一步說明。
[0020] 采集數據包括：公交GPS數據、公交站點位置信息和1C卡刷卡數據。
[0021] 參照圖2,根據步驟（A)中得到的公交GPS數據、公交站點位置信息和1C卡刷卡數 據，建立灰度預測模型，預測第i+Ι天的客流量為M 1+1，并作客流統計，計算出第i天第t個 時間段的客流量在一天中總客流量的比例rlt。
[0022] (B1)根據歷史客流數據，計算出某個時段的客流量在一天中總客流量的比例，記 為'
KMi表示第i天的總客流量，Ht表示第i天第t個時間段的 客流量。
[0023] (B2)建立灰度模型預測i+Ι天的客流量，記為M1+1。具體步驟如下：
[0024] (1)設某一站點前i天的客流量如下
[0025] .....
[0026] 對此歷史數據經過一次累加得生成，此式記為l_AGO(Accumulated Generating Operation)
[0027]
[0028]
[0029] (2)新生成的序列滿足如下一階線性微分方程。
[0030] M(0) (k)+aZ(1) (k) =u
[0031] 因此模型的建立工作轉化為正確的根據歷史真實值計算出a，u的值。
[0032] 將^^.離散化，得 df 。 求出微分方程的解為
根據1-AG0式子逆推