基于支持向量机模型的地铁进站客流量预测(2)-交通运输工程学报

一、稿件要求： 1、稿件内容应该是与某一计算机类具体产品紧密相关的新闻评论、购买体验、性能详析等文章。要求稿件论点中立，论述详实，能够对读者的购买起到指导作用。文章体裁不限，字数不限。 2、稿件建议采用纯文本格式(*.txt)。如果是文本文件，请注明插图位置。插图应清晰可辨，可保存为*.jpg、*.gif格式。如使用word等编辑的文本，建议不要将图片直接嵌在word文件中，而将插图另存，并注明插图位置。 3、如果用电子邮件投稿，最好压缩后发送。 4、请使用中文的标点符号。例如句号为。而不是.。 5、来稿请注明作者署名(真实姓名、笔名)、详细地址、邮编、联系电话、E-mail地址等，以便联系。 6、我们保留对稿件的增删权。 7、我们对有一稿多投、剽窃或抄袭行为者，将保留追究由此引起的法律、经济责任的权利。二、投稿方式： 1、请使用电子邮件方式投递稿件。 2、编译的稿件，请注明出处并附带原文。 3、请按稿件内容投递到相关编辑信箱三、稿件著作权： 1、投稿人保证其向我方所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我方所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我方所投之作品不得同时向第三方投送，即不允许一稿多投。若投稿人有违反该款约定的行为，则我方有权不向投稿人支付报酬。但我方在收到投稿人所投作品10日内未作出采用通知的除外。 5、投稿人授予我方享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、投稿人委托我方声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

基于支持向量机模型的地铁进站客流量预测(2)

作者:

关键词:

摘要：

在目标搜索空间中，有一个n个粒子组成的粒子群，每个粒子包含了2个D维的向量，位置向量xi=(xi1,xi2,…,xiD)以及速度向量vi=(vi1,vi2,…,viD)。粒子群中存在适应度函数以衡量粒子在整个解空间的好坏。因此在整个粒子群进行解空间搜索时会有2个最优极值，一个是粒子本身的最优解pi=(pi1,pi2,…,piD)，另一个极值是整个微粒子群目前找到的最优解pg=(pg1,pg2,…,pgD)，找到这2个极值后，不断比较粒子的适应值与自身最优解与种群最优解之间的关系，从而每个粒子依据式(5)和式(6)不断更新自己的飞行速度和位置。

=+c1r1(-)+

c2r2(-),

=+,

其中：d=1，2，…，D；i=1,2,…,n；n为种群规模；t为当前进化代数；c1与c2代表加速常数；r1与r2代表分布于[0,1]的随机数。

1.3算法改进

笔者运用PSO算法对SVM模型进行参数寻优，即该改进的支持向量机模型(PSO-SVM模型)更贴切真实的样本数据，从而进行站点短期客流量预测[14-15]。算法流程如图1所示，具体步骤如下。

Step1：确定样本数据的输入及样本数据输出。

Step2：对样本数据进行预处理，选择合适的核函数，构造支持向量机模型。

Step3：运用PSO算法参数寻优，以样本精度为适应度值，不断更新粒子条件直至满足终止条件，结束寻优。

Step4：参数调优后确定回归模型，完成预测并对结果进行分析。

2实例验证

2.1输入特征选取

选择不同的数据输入特征，能够影响支持向量机模型的精度和效率。运用同一模型对不同数据集合进行训练并得到相关拟合参数，然后对实际客流进行拟合和预测的结果通常会有较大区别，因此数据输入特征的选取至关重要[16]。

轨道交通客流具有周期性，客流波动具有一定规律性，因而对客流数据分析，将上周同一时期客流作为数据输入，随着历史客流量距离预测日越近，历史客流对预测日的客流量影响程度也越大，采取前一天同一时期客流量作为数据输入，考虑预测时段前n个时刻客流量数据，同时数据输入亦要考虑客流的外在影响因素，如节假日，突发活动等，所以采取预测时段上周同期历史数据、前一天同期数据、前两个时段数据以及高峰与非高峰时段参数作为数据输入。

2.2数据预处理

笔者以苏州地铁汾湖路站2017年5月8日—5月21日，每天6：00—24：00以1 h为单位的进站客流作为客流数据。

对样本数据进行归一化处理，如式(7)所示。

其中，x,y∈Rn,归一化后的效果是原始数据整合到[0,1]范围内，笔者使用Matlab中的Mapmaxmin函数进行归一化处理。将样本数据进行归一化后使用模型进行训练和预测，在利用反归一化得到预测值。

2.3模型构造

根据站点客流特点区分工作日与非工作日，以5月8日—5月17日工作日客流数据为训练样本，5月18日站点进站数据为测试样本。

将样本输入作为训练集中的x变量，模型中有5个变量。站点客流量作为因变量，即y变量。在粒子群算法中c1取1.5，c2取1.7，初始种群数取20。通过随机产生种群与速度，寻找极值与极值点后计算平均适应度，不断迭代更新速度和种群，得到最终结果。c取13.11，σ取1.09，均方误差MSE取0.006，将得到的参数结果运用到支持向量机模型来预测地铁进站客流量。

2.4预测结果对比分析

采用平均相对误差(RME)对算法误差进行评价，平均相对误差计算公式如下。

其中：yi为客流实际值；为客流预测值；n为采样数据量。

使用模型对汾湖路地铁站5月18日进站客流量进行预测，结果如表1所示。

表1 汾湖路地铁站进站量预测结果分析Tab.1 Analysis of the forecast results of entry flow of Fenhu subway station序号时段实际值/人次预测值/人次相对误差/%16:00-7:00.2027:00-8:.8838:00-9:00.1649:00-10:.:00-11:00.:00-12:00.:00-13:00.:00-14:.:00-15:.:00-16:.:00-17:00.:00-18:.:00-19:.001419:00-20:.:00-21:00.0:00-22:00.:00-23:00.:00-24:

通过PSO-SVM模型预测汾湖路地铁站进站客流量，最小误差为0.16%，最大误差为22.65%，平均相对误差为11.69%，考虑到轨道交通客流会受到诸多因素影响，预测结果在一定程度上是可以接受的。

为了更好地体现PSO-SVM模型的性能，笔者使用传统支持向量机模型(SVM模型)以及利用遗传算法改进支持向量机模型(GA-SVM)预测汾湖路地铁站5月18号进站客流量，从而与PSO-SVM模型预测结果进行比较分析。3种方法数据处理相同，训练集和测试集样本划分一致，然而对支持向量机参数寻优的方法不同。GA-SVM利用遗传算法、SVM使用交叉验证的方法。表2是3种方法预测结果误差，图2表示3种方法在不同时间段的预测客流相对误差值。图2中横坐标表示5月18日6：00—24：00的18个时间段，纵坐标表示相对误差。

文章来源：《交通运输工程学报》网址: http://www.jtysgcxb.cn/qikandaodu/2020/1024/411.html