吉林大学学报(工学版) ›› 2023, Vol. 53 ›› Issue (7): 2001-2015.doi: 10.13229/j.cnki.jdxbgxb.20210935

• 交通运输工程·土木工程 • 上一篇    

基于多源数据和响应面优化的公交客流预测深度学习方法

巫威眺1(),曾坤1,周伟1,李鹏2(),靳文舟1   

  1. 1.华南理工大学 土木与交通学院,广州 510641
    2.深圳职业技术学院 汽车与交通学院,广东 深圳 518055
  • 收稿日期:2021-09-16 出版日期:2023-07-01 发布日期:2023-07-20
  • 通讯作者: 李鹏 E-mail:ctwtwu@scut.edu.cn;lipeng@szpt.edu.cn
  • 作者简介:巫威眺(1987-),男,副教授,博士.研究方向:公共交通系统.E-mail:ctwtwu@scut.edu.cn
  • 基金资助:
    国家自然科学基金项目(72071079);广州市重点研发计划项目(202206030005);广东省基础与应用基础研究基金项目(2020A1515111024)

Deep learning method for bus passenger flow prediction based on multi-source data and surrogate-based optimization

Wei-tiao WU1(),Kun ZENG1,Wei ZHOU1,Peng LI2(),Wen-zhou JIN1   

  1. 1.School of Civil Engineering and Transportation,South China University of Technology,Guangzhou 510641,China
    2.School of Automotive and Transportation Engineering,Shenzhen Polytechnic,Shenzhen 518055,China
  • Received:2021-09-16 Online:2023-07-01 Published:2023-07-20
  • Contact: Peng LI E-mail:ctwtwu@scut.edu.cn;lipeng@szpt.edu.cn

摘要:

提出一种可扩展的深度学习框架实现多源数据预测公交客流。首先,在4个外部因素的基础上,引入3个内部因素作为公交线路客流的解释变量;其次,利用方差缩减法验证了内外部因素之间的耦合关系以及捕获多源数据耦合关系的必要性;然后,利用卷积神经网络中卷积运算处理二维数据的优势,将客流影响因素图像化,构建出小时客流细分矩阵适应其卷积运算,捕获多源数据之间的耦合性。为进一步提高预测性能,将矩阵结构优化问题转化为旅行商问题,运用响应面优化方法对客流细分矩阵结构进行高效优化。最后,以广州市281路公交线路实际数据为例进行验证,结果表明:通过优化小时客流细分矩阵结构,可以有效提高公交客流预测精度,实现数据资源的最优化利用;内部因素的独立效应不显著,而外部因素和内部因素的联合效应却作用显著;在预测精度上,与仅考虑外部因素的结果和其他深度学习模型相比存在一定优势。

关键词: 交通运输系统工程, 客流预测, 深度学习, 公交客流, 多源数据, 响应面优化

Abstract:

A scalable deep learning framework is proposed to leverage multi-source data in bus passenger flow prediction. First, on the basis of four external factors, three internal factors are introduced as explanatory variables of passenger flow of a bus route. The variance reduction method is used to verify the linkage relationship between internal factors and external factors, and the necessity of capturing the linkage relationship of multi-source data. Then, by utilizing the advantages of convolutional operations of convolutional neural networks in handling two-dimensional data, the influential factors of passenger flow are visualized and an hourly passenger flow subdivision matrix is constructed to adapt to convolutional operations, such that the linkage between multi-source data is captured. To further improve the prediction performance, the matrix structure optimization problem is transformed into a Traveling Salesman Problem, and the surrogate-based optimization technique is used to efficiently optimize the structure of hourly passenger flow subdivision matrix. Finally, the data from Route-281 bus in Guangzhou, China was used as an example for validation. The results show that, through optimizing the structure of hourly passenger flow subdivision matrix, the prediction accuracy can be effectively improved, and optimal usage of data resources can be achieved. The independent effect of internal factors was not significant, whereas the combined effect of external and internal factors is significant. In terms of prediction accuracy,the proposed method has certain advantages compared to the results only considering external factors and other deep learning models.

Key words: engineering of communication and transportation system, passenger flow prediction, deep learning, bus passenger flow, multi-source data, surrogate-based optimization

中图分类号: 

  • U491.1

图1

研究过程流程图"

图2

某天客流分布"

表1

乘客出行行为模式特征分析"

类别编号刷卡时间刷卡类型行为特征
115∶00~19∶001下午下班出行
210∶00~14∶003老人中午出行
315∶00~18∶002学生下午放学出行
46∶00~10∶001上午上班出行
56∶00~10∶002学生上午上学出行
619∶00~23∶002学生晚上其他出行
720∶00~23∶003老人晚上其他出行
820∶00~23∶001晚上其他出行
96∶00~9∶003老人上午出行
1011∶00~14∶001中午上下班出行
1115∶00~19∶003老人下午出行
1211∶00~14∶002学生中午上下学出行

表2

乘客对公交线路依赖度分类"

周乘车次数标准差周平均乘车次数类别标准:周乘坐时间的标准差和平均值(min)乘客对公交线路依赖性
第1类标准差<1.418且平均值<3.136出行次数少连续性好
第2类标准差<1.418且平均值≥3.136出行次数多连续性好
第3类标准差≥1.418且平均值<3.136出行次数少连续性差
第4类标准差≥1.418且平均值≥3.136出行次数多连续性差

图3

线路依赖度的4个月聚类结果"

图4

内部因素对外部因素的相对贡献"

图5

小时客流细分矩阵的构造"

表3

小时客流细分矩阵中各列的定义"

客流特征向量定义客流特征向量定义
x1刷卡时间x5天气因素
x2线路依赖x6是否为高峰时段
x3刷卡类型x7行为模式
x4工作日性质x8历史客流

表4

乘客细分矩阵的测试样本"

结构编号结构
Originalx1,x2,x3,x4,x5,x6,x7,x8
1x5,x4,x1,x6,x7,x3,x8,x2
2x3,x1,x2,x4,x6,x5,x7,x8
3x3,x8,x1,x6,x4,x2,x5,x7

图6

4种小时客流细分矩阵相关系数的热力图"

图7

矩阵结构和相应的相对误差"

图 8

响应面优化流程图"

图9

广州281路公交运营路线"

图10

4种方案预测结果"

图11

不同方案下CNN和Conv-LSTM的预测性能"

图12

基于RMSE增长的影响因素相对贡献"

表 5

多步向前预测性能对比"

单步向前二步向前三步向前
MAPE /%RMSEMAPE/%RMSEMAPE/%RMSE
Conv?LSTM9.70223.4210.13230.1510.40232.67
CNN9.65226.0210.06234.4610.27236.72
LSTM11.82259.7111.75258.4311.94262.73
MLP16.31470.8322.31737.7725.27823.54
注意力MLP10.86246.8511.34258.5011.72266.18

图13

3种卡类型客流预测"

图14

不同线路依赖度下的客流预测"

图15

12种出行行为模式的客流预测"

1 Wei Y, Chen M C. Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks[J]. Transportation Research Part C, 2012, 21:148-162.
2 Liu Y, Liu Z Y, Jia R. DeepPF: a deep learning based architecture for metro passenger flow prediction[J]. Transportation Research Part C, 2019, 101: 18-34.
3 张春辉, 宋瑞, 孙杨. 基于卡尔曼滤波的公交站点短时客流预测[J]. 交通运输系统工程与信息, 2011, 11(4):154-159.
Zhang Chun-hui, Song Rui, Sun Yang. Kalman filter-based short-term passenger flow forecasting on bus stop[J]. Journal of Transportation Systems Engineering and Information Technology, 2011, 11(4): 154-159.
4 王庆荣, 张秋余. 基于随机灰色蚁群神经网络的近期公交客流预测[J]. 计算机应用研究, 2012, 29(6): 2078-2080.
Wang Qing-rong, Zhang Qiu-yu. Forecasting of short-term urban public transit volume based on random gray ant colony neural network[J]. Application Research of Computers, 2012, 29(6):2078-2080.
5 王立政, 朱从坤. 基于LM-BP算法的轨道交通客流短时预测[J]. 价值工程, 2018(3):154-156.
Wang Li-zheng, Zhu Cong-kun. Short-term prediction research on urban rail transit passenger flow based on LM-BP algorithm[J]. Value Engineering, 2018(3):154-156.
6 Ma X L, Wu Y J, Wang Y H, et al. Mining smart card data for transit riders' travel patterns[J]. Transportation Research Part C, 2013, 36:1-12.
7 Chen X Q, Xiong C F, He X, et al. Time-of-day vehicle mileage fees for congestion mitigation and revenue generation: a simulation-based optimization method and its real-world application[J]. Transportation Research Part C, 2016, 63: 71-95.
8 Wu W T, Li P, Liu R H, et al. Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: a newsvendor model[J]. Transportation Research Part E, 2020, 142:No.102041.
9 Yu B, Guo Z, Asian S, et al. Flight delay prediction for commercial air transport: a deep learning approach[J]. Transportation Research Part E, 2019, 125: 203-221.
[1] 程国柱,盛林,赵浩,冯天军. 基于危险度分析的信号交叉口专用相位设置条件[J]. 吉林大学学报(工学版), 2023, 53(7): 1962-1969.
[2] 张振海,季坤,党建武. 基于桥梁裂缝识别模型的桥梁裂缝病害识别方法[J]. 吉林大学学报(工学版), 2023, 53(5): 1418-1426.
[3] 孙超,尹浩为,汤文蕴,褚昭明. 交通需求估计下的检测器布局和手机数据扩样推断[J]. 吉林大学学报(工学版), 2023, 53(4): 1070-1077.
[4] 吴飞,农皓业,马晨浩. 基于粒子群优化算法长短时记忆模型的刀具磨损预测方法[J]. 吉林大学学报(工学版), 2023, 53(4): 989-997.
[5] 常玉林,徐文倩,孙超,张鹏. 车联网环境下考虑遵从程度的混合流量逐日均衡[J]. 吉林大学学报(工学版), 2023, 53(4): 1085-1093.
[6] 贾洪飞,徐英俊,杨丽丽,王楠. 商品车多式联运联盟成员选择及利益分配[J]. 吉林大学学报(工学版), 2023, 53(4): 1060-1069.
[7] 肖雪,李克平,彭博,昌满玮. 基于决策-规划迭代框架的智驾车换道行为建模[J]. 吉林大学学报(工学版), 2023, 53(3): 746-757.
[8] 何科,丁海涛,赖宣淇,许男,郭孔辉. 基于Transformer的轮式里程计误差预测模型[J]. 吉林大学学报(工学版), 2023, 53(3): 653-662.
[9] 姚荣涵,徐文韬,郭伟伟. 基于因子长短期记忆的驾驶人接管行为及意图识别[J]. 吉林大学学报(工学版), 2023, 53(3): 758-771.
[10] 王菁,万峰,董春娇,邵春福. 城市轨道交通站点吸引范围及强度建模[J]. 吉林大学学报(工学版), 2023, 53(2): 439-447.
[11] 张惠臻,高正凯,李建强,王晨曦,潘玉彪,王成,王靖. 基于循环神经网络的城市轨道交通短时客流预测[J]. 吉林大学学报(工学版), 2023, 53(2): 430-438.
[12] 马敏,胡大伟,舒兰,马壮林. 城市轨道交通网络韧性评估及恢复策略[J]. 吉林大学学报(工学版), 2023, 53(2): 396-404.
[13] 高金武,贾志桓,王向阳,邢浩. 基于PSO-LSTM的质子交换膜燃料电池退化趋势预测[J]. 吉林大学学报(工学版), 2022, 52(9): 2192-2202.
[14] 方松,马健霄,李根,沈玲宏,徐楚博. 城市快速路右侧车道移动作业区行车风险分析[J]. 吉林大学学报(工学版), 2022, 52(8): 1786-1791.
[15] 宋现敏,杨舒天,刘明鑫,李志慧. 站点间公交行程时间波动特性及预测方法[J]. 吉林大学学报(工学版), 2022, 52(8): 1792-1799.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!