基于滑动平均法的轨道交通短时客流实时预测

doi:10.13229/j.cnki.jdxbgxb20161256

吉林大学学报(工学版) ›› 2018, Vol. 48 ›› Issue (2): 448-453.doi: 10.13229/j.cnki.jdxbgxb20161256

基于滑动平均法的轨道交通短时客流实时预测

孟品超¹, 李学源¹, 贾洪飞², 李延忠³

1.长春理工大学理学院,长春 130022;
2.吉林大学交通学院,长春 130022;
3.北华大学数学与统计学院,吉林省吉林市 132013

收稿日期:2016-11-22 出版日期:2018-03-01 发布日期:2018-03-01
通讯作者: 贾洪飞(1969-),男,教授,博士生导师.研究方向:交通系统规划.E-mail:jiahf@jlu.edu.cn
作者简介:孟品超(1978-),女,副教授. 研究方向:计算数学.E-mail:mengpc@cust.edu.cn
基金资助:
国家自然科学基金项目(51378076)

Short-time rail transit passenger flow real-time prediction based on moving average

MENG Pin-chao¹, LI Xue-yuan¹, JIA Hong-fei², LI Yan-zhong³

1.School of Science, Changchun University of Science and Technology, Changchun 130022, China;
2.College of Transportation, Jilin University, Changchun 130022, China;
3.School of Mathematics and Statistics, Beihua University, Jilin 132013, China

Received:2016-11-22 Online:2018-03-01 Published:2018-03-01

摘要/Abstract

摘要： 提出了一种基于滑动平均方法(MA)的城市轨道交通客流预测算法,首先确定用于滑动平均的滑动参数,然后对历史数据求滑动平均值得到各个时间段的预测客流数据,并采用实时客流数据对预测结果进行修正,得到预测客流时间序列。试验结果表明,采用滑动平均方法不仅预测精度要高于支持向量机(SVM)、反向传播神经网络(BPNN)、小波神经网络(WNN)和小波组合支持向量机(WS)这4种预测方法,而且滑动平均方法的计算速度要明显优于以上4种方法,可用于复杂非平稳客流时间序列的短时预测。

关键词: 交通运输系统工程, 滑动平均, 滑动参数, 短时客流预测, 实时预测

Abstract: This paper presents an algorithm for short-time passenger flow prediction in urban rail transit based on Moving Average (MA) method. First, the moving parameters of MA are determined, then, the direct forecasting passenger flow time is obtained by averaging the historical data. Second, the predicted time series of passenger flow are obtained by modifying the direct forecasting results with the actual-time passenger flow data. Experimental results suggest that the MA method is superior to Support Vector Machine (SVM), Back Propagation Neural Network (BPNN), Wavelet Neural Network (WNN) and the combination of Wavelet and SVM (WS) both in prediction accuracy and computing speed. Therefore, the proposed algorithm can be applied to short-time prediction of complex passenger flow time series.

Key words: engineering of communications and transpotation system, moving-average, moving parameter, short-time passenger flow prediction, real-time forecasting

中图分类号:

U293.1

孟品超, 李学源, 贾洪飞, 李延忠. 基于滑动平均法的轨道交通短时客流实时预测[J]. 吉林大学学报(工学版), 2018, 48(2): 448-453.

MENG Pin-chao, LI Xue-yuan, JIA Hong-fei, LI Yan-zhong. Short-time rail transit passenger flow real-time prediction based on moving average[J]. 吉林大学学报(工学版), 2018, 48(2): 448-453.

参考文献

[1] 裴益轩,郭民.滑动平均法的基本原理及应用[J].火炮发射与控制学报,2001(1):21-23.
Pei Yi-xuan, Guo Min. The fundamental principle and application of sliding average method[J]. Gun Launch & Control Journal, 2001(1): 21-23.
[2] 胡松,江小炜,杨光,等.滑动平均滤波在微弱脉冲信号检测中的应用[J].计算机与数字工程,2007,35(10):169-172.
Hu Song, Jiang Xiao-wei, Yang Guang, et al. Using of moving average filter in faint pulse signal detection[J]. Computer and Digital Engineering, 2007, 35(10): 169-172.
[3] 何耀,刘兴涛,张陈斌,等.基于动力电池组内阻模型的绝缘检测算法[J].吉林大学学报:工学版,2013,43(5): 1165-1170.
He Yao, Liu Xing-tao, Zhang Chen-bin, et al. Insulation detection algorithm for high-power battery system based on internal resistance model[J]. Journal of Jilin University (Engineering and Technology Edition), 2013, 43(5): 1165-1170.
[4] Hatchett R B, Brorsen B W, Anderson K B. Optimal length of moving average to forecast futures basis[J]. Journal of Agricultural and Resource Economics, 2009, 35(1): 18-33.
[5] Shih Y T, Cheng H M, Sung S H, et al. Application of the N-Point moving average method for brachial pressure waveform-derived estimation of central aortic systolic pressure[J]. Hypertension, 2014, 63(4): 865-870.
[6] 潘红宇.时间序列分析[M].北京:对外经济贸易大学出版社,2015.
[7] Dhuyvetter K C, Kastens T L. Forecasting crop basis: practical alternatives[C]∥Proceedings of the NCR-134 Conference on Applied Commodity Price Analysis, Forecasting, and Market Risk Management, Chicago,USA,1998: 49-67.
[8] Hatchett R B. Optimal length of moving averages to use when forecasting basis[D]. Stillwater Ok: Department of Agricultural Economics, Oklahoma State University, 2009.
[9] 杨林泉.预测与决策方法应用[M].北京:冶金工业出版社,2011.
[10] 刘寒冰,李国恒,谭国金,等.基于时间序列的边坡位移实时预测方法[J].吉林大学学报:工学版,2012,42(增刊1):193-197.
Liu Han-bing, Li Guo-heng, Tan Guo-jin, et al. Real-time prediction method of slop displacement based on time series analysis[J]. Journal of Jilin University(Engineering and Technology Edition), 2012, 42 (Sup.1): 193-197.
[11] 杨军.地铁客流短时预测及客流疏散模拟研究[D].北京:北京交通大学电子信息工程学院,2013.
Yang Jun. Research on metro passenger flow short-time prediction and evaluation simulation[D]. Beijing: School of Electronic and Information Engineering, Beijing Jiaotong University, 2013.

相关文章 15

[1]	陈永恒,刘芳宏,曹宁博. 信控交叉口行人与提前右转机动车冲突影响因素[J]. 吉林大学学报(工学版), 2018, 48(6): 1669-1676.
[2]	常山,宋瑞,何世伟,黎浩东,殷玮川. 共享单车故障车辆回收模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1677-1684.
[3]	曲大义,杨晶茹,邴其春,王五林,周警春. 基于干线车流排队特性的相位差优化模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1685-1693.
[4]	宗芳, 齐厚成, 唐明, 吕建宇, 于萍. 基于GPS数据的日出行模式-出行目的识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1374-1379.
[5]	刘翔宇, 杨庆芳, 隗海林. 基于随机游走算法的交通诱导小区划分方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1380-1386.
[6]	钟伟, 隽志才, 孙宝凤. 不完全网络的城乡公交一体化枢纽层级选址模型[J]. 吉林大学学报(工学版), 2018, 48(5): 1387-1397.
[7]	刘兆惠, 王超, 吕文红, 管欣. 基于非线性动力学分析的车辆运行状态参数数据特征辨识[J]. 吉林大学学报(工学版), 2018, 48(5): 1405-1410.
[8]	宗芳, 路峰瑞, 唐明, 吕建宇, 吴挺. 习惯和路况对小汽车出行路径选择的影响[J]. 吉林大学学报(工学版), 2018, 48(4): 1023-1028.
[9]	栾鑫, 邓卫, 程琳, 陈新元. 特大城市居民出行方式选择行为的混合Logit模型[J]. 吉林大学学报(工学版), 2018, 48(4): 1029-1036.
[10]	陈永恒, 刘鑫山, 熊帅, 汪昆维, 谌垚, 杨少辉. 冰雪条件下快速路汇流区可变限速控制[J]. 吉林大学学报(工学版), 2018, 48(3): 677-687.
[11]	王占中, 卢月, 刘晓峰, 赵利英. 基于改进和声搜索算法的越库车辆排序[J]. 吉林大学学报(工学版), 2018, 48(3): 688-693.
[12]	李志慧, 胡永利, 赵永华, 马佳磊, 李海涛, 钟涛, 杨少辉. 基于车载的运动行人区域估计方法[J]. 吉林大学学报(工学版), 2018, 48(3): 694-703.
[13]	陈松, 李显生, 任园园. 公交车钩形转弯交叉口自适应信号控制方法[J]. 吉林大学学报(工学版), 2018, 48(2): 423-429.
[14]	苏书杰, 何露. 步行交通规划交叉路口行人瞬时动态拥塞疏散模型[J]. 吉林大学学报(工学版), 2018, 48(2): 440-447.
[15]	王占中, 赵利英, 焦玉玲, 曹宁博. 信号交叉口自行车和行人混合交通流社会力模型[J]. 吉林大学学报(工学版), 2018, 48(1): 89-97.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

基于滑动平均法的轨道交通短时客流实时预测

Short-time rail transit passenger flow real-time prediction based on moving average

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10