基于数据融合的地铁客流量预测方法 摘 要: 为了更加准确地预测城市地铁交通中动态变化的客流量,通过分析城市地铁交通客流量的特点,提出了一种基于神经网络数据融合的预测方法。这种方法根据预测数据各属性的特点,将采集的数据提取出多个相关序列。在此基础上对各序列实行不同的处理、预测方法,再利用神经网络进行融合。这种方法可用于数据动态预测的各种领域。实验表明,采纳这种方法可以有效地改善数据预测的误差。关键词: 铁路交通; 信息预测; 数据融合; 神经网络 在城市地铁交通中,各车站交通流量信息(如候乘数量、下车数量等) 的准确预测有利于地铁运行高效、及时地调度,从而既达到增加效益的经济目的,又可以更好地满足人们的乘车需求。传统的预测方法有回归分析算法以及 Kalman 滤波等。这些方法假定过程是平稳的,系统是线性的,系统的干扰是白噪声,因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。然而,交通问题是有人参加的主动系统,具有非线性和扰动性强的特征,前述方法难以奏效,表现为以下缺点: ① 每次采样的数据变化较小时适用,数据变化大误差就大; ② 预测值的变化总是滞后于实测值的变化; ③ 无法消除奇异信息的影响。基于小波分析的动态数据预测方法以小波变换后的数据进行预测,克服了传统预测方法不能消除奇异信息的缺点, 有效地预测动态的流量信息[ 1 ] 。但该方法只能对单个的数据序列进行处理,而事实上能够用于预测的数据可以是多方面的。 数据融合(Data2Fusion) 技术起源并进展于军事领域,主要用于目标的航迹跟踪、定位与身份识别以及态势评估等[ 2 ] 。传统的数据融合技术大多采纳概率理论(如Bayes 决策理论) 对多种信息的猎取与处理进行讨论,从而去掉信息的无用成分,保留有用成分[ 3 ] 。在信息处理中,分别运用各种体现数据不同属性特征的方法处理(如预测) 后进行融合是一个有待深化讨论的问题。为了充分利用各方面已有的数据,获得可靠的交通流量动态预测,本文借鉴数据融合的基本思想,提出了在数据处理方法上的融合预测方法。 1 流量融合预测模型1. 1 预测模型的结构 由于预测对象的复杂性,为了表现与预测对象相关联的其他对象或属性,每个关联对象(属性) 用一个时间序列来表示,作为预测对象的相关序列。所有用于预测的相关序列构成预测对象的相关序列集。由于在预测中具有不同的作用,各相关序列将使用不同的处理和预测方法。在相关序列集上的地铁客流量融合预测模型结构,如...
