基于非參數(shù)回歸的城軌實(shí)時(shí)進(jìn)出站客流預(yù)測(cè)

謝俏，李斌斌，何建濤，姚恩建

(1.廣州地鐵集團(tuán)有限公司，廣州510030;2.北京交通大學(xué)交通運(yùn)輸學(xué)院，北京100044)

基于非參數(shù)回歸的
城軌實(shí)時(shí)進(jìn)出站客流預(yù)測(cè)

謝俏1，李斌斌2，何建濤1，姚恩建2

(1.廣州地鐵集團(tuán)有限公司，廣州510030;2.北京交通大學(xué)交通運(yùn)輸學(xué)院，北京100044)

為準(zhǔn)確預(yù)測(cè)城軌實(shí)時(shí)進(jìn)出站客流，構(gòu)建基于非參數(shù)回歸的實(shí)時(shí)進(jìn)出站客流預(yù)測(cè)模型。首先，對(duì)不同特征日分時(shí)進(jìn)出站客流量進(jìn)行對(duì)比分析，據(jù)此構(gòu)建歷史數(shù)據(jù)庫(kù);其次，通過(guò)計(jì)算歷史分時(shí)數(shù)據(jù)的相關(guān)系數(shù)，并設(shè)置閾值對(duì)分時(shí)客流數(shù)據(jù)間的相關(guān)性進(jìn)行判斷，從而確定合適的非參數(shù)模型狀態(tài)向量;再次，根據(jù)K近鄰樣本與預(yù)測(cè)目標(biāo)的客流量差異性，設(shè)計(jì)基于權(quán)重加權(quán)的預(yù)測(cè)算法;最后利用廣州市城軌客流數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行精度分析，對(duì)全網(wǎng)站點(diǎn)多天的預(yù)測(cè)結(jié)果顯示:全天平均絕對(duì)百分比誤差均在2%以下，分時(shí)平均絕對(duì)百分比誤差均在14%以下，表明模型具有較高的預(yù)測(cè)精度和良好的適用性。

城市軌道交通;進(jìn)出站客流;實(shí)時(shí)預(yù)測(cè);K近鄰;非參數(shù)回歸

1 研究背景

隨著城市軌道交通網(wǎng)絡(luò)格局的逐步形成，網(wǎng)絡(luò)客流規(guī)模持續(xù)攀升，地鐵運(yùn)營(yíng)壓力日益凸顯。運(yùn)營(yíng)管理部門(mén)需要實(shí)時(shí)掌握未來(lái)短時(shí)間內(nèi)客流量的變化趨勢(shì)，以制定和實(shí)施合適的運(yùn)營(yíng)管理及客流組織計(jì)劃［1］。因此，需要利用數(shù)據(jù)挖掘技術(shù)，深入剖析實(shí)時(shí)客流變化規(guī)律，滾動(dòng)精準(zhǔn)地實(shí)時(shí)預(yù)測(cè)網(wǎng)絡(luò)客流分布狀態(tài)和趨勢(shì)，實(shí)現(xiàn)高效、精準(zhǔn)的客流預(yù)測(cè)和預(yù)警，誘導(dǎo)乘客合理有序出行，節(jié)約乘客出行成本。

在實(shí)時(shí)客流預(yù)測(cè)方面，國(guó)內(nèi)外已有諸多研究，常用的模型有時(shí)間序列模型［23］、卡爾曼濾波模型［45］、神經(jīng)網(wǎng)絡(luò)模型［69］、支持向量機(jī)模型［1011］等。時(shí)間序列模型是在過(guò)去變化規(guī)律的基礎(chǔ)上來(lái)推斷和預(yù)測(cè)其未來(lái)值，因此對(duì)于具有固定變化規(guī)律的數(shù)據(jù)可以得到較好的預(yù)測(cè)結(jié)果，而小粒度下的進(jìn)出站客流量變化隨機(jī)性較大，另外由于在預(yù)測(cè)時(shí)模型參數(shù)固定，使其難以達(dá)到實(shí)時(shí)客流非靜態(tài)預(yù)測(cè)的要求?？柭鼮V波模型則是由狀態(tài)方程和觀測(cè)方程組成，采用遞推算法，但其在對(duì)非線性、波動(dòng)性較大的客流做預(yù)測(cè)時(shí)，精度較差。對(duì)于神經(jīng)網(wǎng)絡(luò)模型，其根據(jù)歷史數(shù)據(jù)訓(xùn)練神經(jīng)元，得到輸入與輸出數(shù)據(jù)之間內(nèi)在的復(fù)雜、非線性關(guān)系。通過(guò)訓(xùn)練好的模型輸出預(yù)測(cè)值，具有一定的自適應(yīng)性，但容易陷入局部最優(yōu)和過(guò)擬合的困境，且預(yù)測(cè)精度受到訓(xùn)練樣本量的影響較大。而支持向量機(jī)模型雖然克服了小樣本問(wèn)題，但對(duì)于變化性較強(qiáng)的實(shí)時(shí)進(jìn)出站客流預(yù)測(cè)，其精度也達(dá)不到預(yù)測(cè)精度的要求。

相對(duì)于參數(shù)回歸，非參數(shù)回歸(nonparametric regression，NPR)是另一類(lèi)預(yù)測(cè)方法，它并不對(duì)數(shù)據(jù)作任何嚴(yán)格的限定，而是依賴于已有數(shù)據(jù)來(lái)決定輸入和輸出的關(guān)系。新觀測(cè)到的數(shù)據(jù)可以方便地加入到非參數(shù)回歸模型中去，而不像在參數(shù)回歸的環(huán)境下需要對(duì)參數(shù)做耗時(shí)的調(diào)整。它所具有的數(shù)據(jù)挖掘能力，不需要任何先驗(yàn)知識(shí)和大量的參數(shù)識(shí)別，只需借助足夠的歷史數(shù)據(jù)來(lái)描述這個(gè)系統(tǒng)。另外，非參數(shù)回歸保持了原始數(shù)據(jù)的特性，因?yàn)樗](méi)有對(duì)原始數(shù)據(jù)做平滑處理，因此在歷史數(shù)據(jù)庫(kù)樣本量增大時(shí)，非參數(shù)回歸預(yù)測(cè)的準(zhǔn)確性也隨之提高。

Davis G A［12］最早于1991年真正將非參數(shù)回歸的方法應(yīng)用到了交通流量預(yù)測(cè)中，得到了較好的預(yù)測(cè)結(jié)果，并得到大樣本量將會(huì)提高預(yù)測(cè)精度的結(jié)論。宮曉燕［13］對(duì)傳統(tǒng)的非參數(shù)回歸進(jìn)行了改進(jìn)，運(yùn)用變K搜索算法得到基于動(dòng)態(tài)聚類(lèi)和散列函數(shù)的歷史數(shù)據(jù)組織方式。翁劍成［14］對(duì)基于北京市快速路上的檢測(cè)器所采集的歷史數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)篩選及處理后建立了交通狀態(tài)演變系列的歷史樣本數(shù)據(jù)庫(kù)，并基于K近鄰的非參數(shù)回歸構(gòu)建了短時(shí)交通預(yù)測(cè)模型，并得到了較好的預(yù)測(cè)結(jié)果。張濤［15］利用K近鄰方法對(duì)短時(shí)交通流進(jìn)行了預(yù)測(cè)，考察了模型中關(guān)鍵因素對(duì)預(yù)測(cè)效果的影響，但對(duì)于K值并沒(méi)有給出較為合理的取值，在實(shí)際場(chǎng)景應(yīng)用中可操作性及可移植性較差。以上研究中，國(guó)內(nèi)外的學(xué)者主要將非參數(shù)回歸模型應(yīng)用到交通流的預(yù)測(cè)中，對(duì)城軌進(jìn)出站客流的預(yù)測(cè)研究較少，而城軌作為一個(gè)較為封閉的系統(tǒng)，利用AFC(auto fare collection)系統(tǒng)可以較為容易地采集得到分時(shí)進(jìn)出站客流量，并且隨著客流運(yùn)營(yíng)的時(shí)間推移，歷史樣本數(shù)據(jù)量不斷增加，為非參數(shù)回歸提供了很好的應(yīng)用基礎(chǔ)。

2 實(shí)時(shí)進(jìn)出站客流特征分析

國(guó)內(nèi)絕大部分城市軌道交通采用AFC，可以較為便利地獲取大量的實(shí)時(shí)進(jìn)出站客流數(shù)據(jù)，筆者利用廣州地鐵AFC系統(tǒng)所采集的進(jìn)出站客流，充分挖掘進(jìn)出站客流的規(guī)律。對(duì)于實(shí)時(shí)客流預(yù)測(cè)，其時(shí)間粒度一般控制在15 min以內(nèi)，因此本文重點(diǎn)對(duì)15 min粒度的客流進(jìn)行分析。

2.1 平常日客流變化規(guī)律差異性

挑選廣州市城市軌道交通線網(wǎng)中的某站點(diǎn)為研究對(duì)象，隨機(jī)挑選2015年的連續(xù)一周15 min粒度的分時(shí)進(jìn)站客流數(shù)據(jù)進(jìn)行分析，畫(huà)出其變化折線圖，如圖1所示。

圖1 廣州市軌道交通某站點(diǎn)一周內(nèi)15 min分時(shí)進(jìn)站客流量變化Fig.1 15min entrance passenger flow of one station in Guangzhou metro

從圖1中可以看出，該站點(diǎn)周一至周日的變化規(guī)律存在一定的差異，具體表現(xiàn)在:1)周一至周五的7:00—9:00存在較大的客流高峰，而在18:00—19:00時(shí)存在較小的客流高峰，周六、日則不存在;2)周一至周五的客流變化也不盡相同，如周一的早高峰峰值更大，周五的晚高峰持續(xù)時(shí)間較其他工作日長(zhǎng);3)周六、周日客流量較工作日有整體下降，而周六與周日相比存在較小的早晚高峰。

2.2 平常日客流變化規(guī)律相似性

為更好地把握平常日進(jìn)出站客流變化特征，不僅需要對(duì)分時(shí)客流變化規(guī)律的差異性進(jìn)行分析，同時(shí)也需要對(duì)其相似性進(jìn)行分析。下面分析不同周之間的客流變化規(guī)律。

從2015年的3月、6月、9月和12月中隨機(jī)挑選一周的分時(shí)客流數(shù)據(jù)，畫(huà)出不同月份的周一、周三的客流變化折線圖如圖2、3所示。

圖2 廣州市軌道交通某站點(diǎn)不同月份的周一15 min分時(shí)進(jìn)站客流量變化Fig.2 Entrance passenger flow of one station in Guangzhou metro on Mon of differentmonths

圖3 廣州市軌道交通某站點(diǎn)不同月份的周三15 min分時(shí)進(jìn)站客流量變化Fig.3 Entrance passenger flow of one station in Guangzhoumetro on Wed of differentmonths

從圖2、圖3可以看出，不同月份的周對(duì)應(yīng)日的分時(shí)客流變化規(guī)律相似性較高，在早晚高峰及平峰期間的客流變化基本一致，可以得到周內(nèi)次序相同日間相似性較高的結(jié)論，這將為非參數(shù)回歸模型中歷史庫(kù)的構(gòu)建提供依據(jù)。

3 實(shí)時(shí)進(jìn)出站客流預(yù)測(cè)模型

3.1 模型框架

本文重點(diǎn)考慮城軌分時(shí)進(jìn)出站客流數(shù)據(jù)的特點(diǎn)，建立適用于城軌實(shí)時(shí)客流預(yù)測(cè)的模型。K近鄰算法是基于實(shí)例學(xué)習(xí)的非參數(shù)預(yù)測(cè)法，其核心思想是取得一個(gè)盡量完備的歷史數(shù)據(jù)庫(kù)，提取數(shù)據(jù)特征，根據(jù)當(dāng)前的數(shù)據(jù)特點(diǎn)搜索歷史數(shù)據(jù)庫(kù)中與預(yù)測(cè)值的狀態(tài)向量最相似的K個(gè)樣本來(lái)進(jìn)行預(yù)測(cè)。

根據(jù)上一節(jié)對(duì)進(jìn)出站客流變化規(guī)律特征的研究，發(fā)現(xiàn)周內(nèi)次序相同的日間客流變化規(guī)律具有較好的相似性，而對(duì)于平常日其歷史數(shù)據(jù)樣本量也較大，因此對(duì)于平常日的預(yù)測(cè)，本文構(gòu)建周一至周日7個(gè)歷史數(shù)據(jù)庫(kù)，以提高模型預(yù)測(cè)效率與精度。之后，根據(jù)預(yù)測(cè)目標(biāo)與歷史數(shù)據(jù)庫(kù)中樣本的狀態(tài)向量計(jì)算距離，并依照距離進(jìn)行排序，抽取出與預(yù)測(cè)目標(biāo)距離最近的K個(gè)近鄰樣本，并利用K近鄰樣本進(jìn)行計(jì)算，得到下一時(shí)段的分時(shí)進(jìn)出站客流量。其中，K的取值會(huì)影響預(yù)測(cè)結(jié)果，本文選取預(yù)測(cè)日前多個(gè)相同場(chǎng)景日作為虛擬預(yù)測(cè)日，通過(guò)構(gòu)造與預(yù)測(cè)時(shí)類(lèi)似的歷史數(shù)據(jù)庫(kù)，對(duì)虛擬預(yù)測(cè)日進(jìn)行預(yù)測(cè)，預(yù)測(cè)過(guò)程中逐漸增加K值(起始值為1)，得到在不同K值下的預(yù)測(cè)結(jié)果，通過(guò)計(jì)算絕對(duì)誤差，將誤差最小時(shí)對(duì)應(yīng)的K值作為預(yù)測(cè)時(shí)的最優(yōu)K值。

3.2 狀態(tài)向量選取

分時(shí)進(jìn)(出)站客流量具有時(shí)間序列的特征，與預(yù)測(cè)時(shí)段進(jìn)(出)站客流量最密切相關(guān)的是相鄰時(shí)段的進(jìn)(出)站客流量，因此，通常選取預(yù)測(cè)時(shí)段前m個(gè)時(shí)段的進(jìn)(出)站客流量作為狀態(tài)向量。本文通過(guò)計(jì)算進(jìn)(出)站客流量組成的時(shí)間序列的自相關(guān)系數(shù)量化相鄰時(shí)段進(jìn)(出)站客流量間的相關(guān)性以確定m的取值，計(jì)算公式為

通常當(dāng)相關(guān)系數(shù)rix，q≥0.5時(shí)，可認(rèn)為i站點(diǎn)x日分時(shí)進(jìn)(出)站客流序列中間隔q個(gè)時(shí)段的兩個(gè)值相關(guān)性較強(qiáng)。為更好地把握客流變化規(guī)律，需盡可能多地包含與預(yù)測(cè)時(shí)段分時(shí)客流有較強(qiáng)相關(guān)性的客流時(shí)段，因此取值m=max(q)，即m取令rix，q≥0.5的最大q值。

根據(jù)2014—2015年廣州市軌道交通線網(wǎng)全部站點(diǎn)平常日(去除節(jié)假日、大型活動(dòng)等特殊日期)15 min分時(shí)進(jìn)站客流量數(shù)據(jù)，以每日每站點(diǎn)72個(gè)分時(shí)進(jìn)站客流量數(shù)據(jù)為一個(gè)樣本序列，根據(jù)公式(1)和(2)計(jì)算樣本各階自相關(guān)系數(shù)，并按周一至周日進(jìn)行統(tǒng)計(jì)，結(jié)果如表1所示。

表中結(jié)果顯示，周一至周日7個(gè)子樣本庫(kù)中當(dāng)q= 1，2，3時(shí)，有90%以上樣本數(shù)據(jù)滿足rix，q≥0.5，而q=4時(shí)，絕大多數(shù)的樣本均不能滿足rix，q≥0.5，可以認(rèn)為在分時(shí)進(jìn)站客流量數(shù)據(jù)中，前3個(gè)時(shí)段的進(jìn)站客流量數(shù)據(jù)與預(yù)測(cè)時(shí)段的進(jìn)站客流量數(shù)據(jù)相關(guān)性比較強(qiáng)。因此，確定平常日?qǐng)鼍跋骂A(yù)測(cè)進(jìn)站客流量時(shí)，狀態(tài)向量為預(yù)測(cè)時(shí)段前3個(gè)時(shí)段的分時(shí)進(jìn)站客流量。3.3預(yù)測(cè)算法

表1 廣州市軌道交通分時(shí)進(jìn)站客流量自相關(guān)系數(shù)統(tǒng)計(jì)Tab.1 Self correlation coefficient of entrance passenger flow in Guangzhou metro%

傳統(tǒng)K近鄰非參數(shù)回歸中的預(yù)測(cè)算法較多是直接對(duì)K個(gè)近鄰的客流數(shù)據(jù)進(jìn)行平均后得到預(yù)測(cè)客流數(shù)值，但對(duì)于匹配得到的K個(gè)近鄰來(lái)說(shuō)，其與預(yù)測(cè)目標(biāo)間的距離不盡相同，因此有必要基于近鄰樣本與預(yù)測(cè)目標(biāo)距離越小權(quán)重值越大的原則，對(duì)K個(gè)近鄰設(shè)置權(quán)重，進(jìn)行加權(quán)平均得到預(yù)測(cè)值。同時(shí)隨著時(shí)間的推移，城市軌道交通車(chē)站的進(jìn)出站客流量存在一定的自然增長(zhǎng)趨勢(shì)，因而通過(guò)匹配得到K個(gè)近鄰的客流數(shù)據(jù)與預(yù)測(cè)日的客流數(shù)據(jù)會(huì)存在不同程度的差異。為了減小差異性，提高預(yù)測(cè)準(zhǔn)確度，設(shè)置趨勢(shì)系數(shù)，用已發(fā)生時(shí)段近鄰數(shù)據(jù)的客流增長(zhǎng)情況反映預(yù)測(cè)時(shí)段客流的增長(zhǎng)情況。將預(yù)測(cè)日記為T(mén)，預(yù)測(cè)時(shí)段記為t，根據(jù)狀態(tài)向量匹配的K個(gè)近鄰對(duì)應(yīng)的日期記為z1z2…zK，具體計(jì)算方法如下:

3.4 模型驗(yàn)證

應(yīng)用所構(gòu)建的K近鄰非參數(shù)回歸模型，對(duì)廣州地鐵各個(gè)站點(diǎn)的分時(shí)進(jìn)出站客流量進(jìn)行預(yù)測(cè)。采用2014年9月1日至2015年12月19日期間平常日的分時(shí)進(jìn)出站客流量作為歷史數(shù)據(jù)，結(jié)合當(dāng)天已發(fā)生時(shí)段的分時(shí)客流數(shù)據(jù)對(duì)2015年12月14—20日(周一至周日)實(shí)時(shí)進(jìn)(出)站量進(jìn)行預(yù)測(cè)，通過(guò)計(jì)算預(yù)測(cè)結(jié)果與實(shí)際值，得出全網(wǎng)全天平均絕對(duì)百分比誤差ED與15 min粒度分時(shí)平均絕對(duì)百分比誤差Et，對(duì)模型進(jìn)行精度檢驗(yàn)，計(jì)算公式如下所示，統(tǒng)計(jì)結(jié)果如表2所示。

表2 廣州市軌道交通全網(wǎng)站點(diǎn)預(yù)測(cè)誤差統(tǒng)計(jì)Tab.2 Error of all stations’entrance and exit passenger flow in Guangzhou metro%

從誤差統(tǒng)計(jì)來(lái)看，預(yù)測(cè)日線網(wǎng)全天平均絕對(duì)百分比誤差ED與分時(shí)平均絕對(duì)百分比誤差Et分別在2%、14%以下，預(yù)測(cè)精度較高。為更加詳細(xì)地分析預(yù)測(cè)效果，挑選12月14日的線網(wǎng)所有站點(diǎn)的分時(shí)進(jìn)站客流數(shù)據(jù)，做出預(yù)測(cè)值與真實(shí)值的對(duì)比圖(見(jiàn)圖4)，并計(jì)算每個(gè)站點(diǎn)分時(shí)進(jìn)站客流量預(yù)測(cè)值的平均絕對(duì)百分比誤差(MAPE)，對(duì)其誤差分布情況進(jìn)行統(tǒng)計(jì)，見(jiàn)圖5。

圖4 全網(wǎng)站點(diǎn)分時(shí)進(jìn)站客流預(yù)測(cè)值與真實(shí)值對(duì)比Fig.4 Comparisons between actual and estimated entrance passenger flow of all stations

圖5 全網(wǎng)站點(diǎn)預(yù)測(cè)誤差分布Fig.5 Error distribution of all stations’entrance passenger flow

從圖4可以看出，大部分?jǐn)?shù)據(jù)點(diǎn)分布在45°線附近，說(shuō)明預(yù)測(cè)結(jié)果與真實(shí)值非?？拷?，未出現(xiàn)“漂移”現(xiàn)象，說(shuō)明預(yù)測(cè)結(jié)果較合理。同時(shí)由圖5得到，52.2%的站點(diǎn)MAPE在10%以下，79.4%的站點(diǎn)MAPE在15%以下，89.7%的站點(diǎn)MAPE在20%以下，而大于50%的站點(diǎn)只有1個(gè)，通過(guò)查找原始數(shù)據(jù)，發(fā)現(xiàn)其為低涌站，進(jìn)一步分析發(fā)現(xiàn)，該站點(diǎn)客流量非常小，15 min粒度分時(shí)進(jìn)站客流量大部分為10人次以下，由于基礎(chǔ)量過(guò)小而造成站點(diǎn)MAPE過(guò)大。由此說(shuō)明，本文構(gòu)造的非參數(shù)回歸模型在實(shí)時(shí)進(jìn)出站客流預(yù)測(cè)應(yīng)用中具有較好的預(yù)測(cè)精度和良好的適應(yīng)性。

4 結(jié)論

本文以軌道交通進(jìn)出站客流為研究對(duì)象，通過(guò)研究分析實(shí)時(shí)進(jìn)出站客流特征，對(duì)平常日客流進(jìn)行合理歸類(lèi)。然后，對(duì)模型中的狀態(tài)向量選取及預(yù)測(cè)算法進(jìn)行研究，構(gòu)建適用于實(shí)時(shí)進(jìn)出站客流預(yù)測(cè)的K近鄰非參數(shù)回歸模型。最后，基于所構(gòu)建的非參數(shù)回歸模型，預(yù)測(cè)了2015年12月14—20日線網(wǎng)各站點(diǎn)的分時(shí)進(jìn)出站客流量，并通過(guò)與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比分析，檢驗(yàn)了預(yù)測(cè)模型的精度。結(jié)果顯示，該模型預(yù)測(cè)的分時(shí)進(jìn)出站客流量的全天平均絕對(duì)百分比誤差ED與分時(shí)平均絕對(duì)百分比誤差Et在2%、14%以下，其中，89.7%的站點(diǎn)誤差在20%以內(nèi)，只有極少的站點(diǎn)在20%以上。由此表明，該模型具有較高的精度和良好的適用性，可以為城市軌道交通運(yùn)營(yíng)組織管理工作提供重要的決策依據(jù)。

［1］呂利民，李吳，溫辛妍，等.城市軌道交通短期客流預(yù)測(cè)方法［J］.都市快軌交通，2015，28(2):21- 25.

LYU Lim in，LIWu，WEN Xinyan，et al.Methods for forecasting short- term urban mass transit passenger flow［J］.Urban rapid rail transit，2015，28(2):21 25.

［2］VAN DER VOORT M，DOUGHERTY M，WATSON S.Combining kohonen mapsw ith arima time seriesmodels to forecast traffic flow［J］.Transportation research part C:E-merging technologies，1996，4(5):307- 318.

［3］W ILLIAMS B M，HOEL L A.Modeling and forecasting vehicular traffic flow as a seasonal arima process:theoretical basis and empirical results［J］.Journal of transportation engineering，2003，129(6):664- 672.

［4］OKUTANI I，STEPHANEDESY J.Dynam ic prediction of traffic volume through Kalman filtering theory［J］.Transportation research part B:Methodological，1984，18(1): 1- 11.

［5］張春輝，宋瑞，孫楊.基于卡爾曼濾波的公交站點(diǎn)短時(shí)客流預(yù)測(cè)［J］.交通運(yùn)輸系統(tǒng)工程與信息，2011，11(4): 154- 159.

ZHANG Chunhui，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.

［6］XIAO JM，WANG X H.Study on traffic flow prediction using RBF neural network［C］//International Conference on Machine Learning and Cybernetics，IEEE，2004:2672 2675.

［7］魯明旭，葉銀忠，馬向華.神經(jīng)網(wǎng)絡(luò)在地鐵客流預(yù)測(cè)中的應(yīng)用［J］.機(jī)械研究與應(yīng)用，2012，25(3):86 89.

LU M ingxu，YE Yinzhong，MA Xianghua.Application of neural network in the subway passenger flow prediction［J］.Mechanical research＆application，2012，25(3):86 89.

［8］董升偉.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的軌道交通短時(shí)客流預(yù)測(cè)方法研究［D］.北京:北京交通大學(xué)，2013.

DONG Shengwei.The research of short-time passenger flow forecasting based on improved BP neural network in urban rail transit［D］.Beijing:Beijing Jiaotong University，2013.

［9］鄒巍，陸百川，鄧捷，等.基于遺傳算法與小波神經(jīng)網(wǎng)絡(luò)的客流預(yù)測(cè)研究［J］.武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版)，2014，38(5):1148 1151.

ZOUWei，LU Baichuan，DENG Jie，etal.Passenger flow prediction based on genetic algorithms and wavelet neural networks［J］.Journal of Wuhan University of Technology (transportation science＆engineering)，2014，38(5): 1148- 1151.

［10］楊軍，侯忠生.基于小波分析的最小二乘支持向量機(jī)軌道交通客流預(yù)測(cè)方法［J］.中國(guó)鐵道科學(xué)，2013，34(3): 122- 127.

YANG Jun，HOU Zhongsheng.A wavelet analysis based LS- SVM rail transit passenger flow prediction method［J］.China railway science，2013，34(3):122- 127.

［11］趙麗琴.混合核支持向量機(jī)在地鐵客流預(yù)測(cè)中的應(yīng)用研究［D］.蘭州:蘭州交通大學(xué)，2015.

ZHAO Liqin.Application and research on prediction of subway passenger flow using m ixed kernel support vector machine［D］.Lanzhou:Lanzhou Jiaotong University，2015.

［12］DAVISG A，NIHAN N L.Nonparametric Regression and Short- Term Freeway Traffic Forecasting［J］.Journal of transportation engineering，1991，117(2):178 188.

［13］宮曉燕，湯淑明.基于非參數(shù)回歸的短時(shí)交通流量預(yù)測(cè)與事件檢測(cè)綜合算法［J］.中國(guó)公路學(xué)報(bào)，2003，16(1): 83- 87.

GONG Xiaoyan，TANG Shum ing.Integrated traffic flow forecasting and traffic incidentdetection algorithm based on non-parametric regression［J］.China journal of highway and transport，2003，16(1):83- 87.

［14］翁劍成，榮建，任福田，等.基于非參數(shù)回歸的快速路行程速度短期預(yù)測(cè)算法［J］.公路交通科技，2007，24 (3):93- 97.

WENG Jiancheng，RONG Jian，REN Futian，et al.Nonparametric Regression Model Based Short-term Prediction for Expressway Travel Speed［J］.Journal of highway and transportation research and development，2007，24(3): 93- 97.

［15］張濤，陳先，謝美萍，等.基于K近鄰非參數(shù)回歸的短時(shí)交通流預(yù)測(cè)方法［J］.系統(tǒng)工程理論與實(shí)踐，2010，30 (2):376- 384.

ZHANG Tao，CHEN Xian，XIE Meiping，et al.K NN based nonparametric regression method for short-term traffic flow forecasting［J］.Systems engineering-theory＆practice，2010，30(2):376- 384.

(編輯:郝京紅)

Real- time Forecasting of Entrance and Exit Passenger Flows for Urban Rail Transit Station:A Non- parametric Regression Approach

XIE Qiao1，LIBinbin2，HE Jiantao1，YAO Enjian2
(1.Guangzhou Metro Group Co.，Ltd.，Guagnzhou 510030; 2.School of Traffic and Transportation，Beijing Jiaotong University，Beijing 100044)

The short term fluctuations of passenger flows should be responded quickly w ith the help of re al- time forecasts to guarantee safe transportation.A non parametric regression model is established to accura tely forecast the real- time entrance and exit passenger flows in urban rail transit stations.Firstly，the time- sharing data for entrance and exit passenger flows of different days are compared and analyzed to lay a foundation for the construction of historical database.Secondly，the appropriate state vector for the non－parametricmodel is defined by calculating the self- correlation coefficient of historicaltime share passenger flow data and setting the threshold value of correlation to judge the data dependency.Thirdly，the forecasting algorithm is designed according to the entrance and exitpassenger flows’difference between K- nearestneighbor samplesand prediction objectives.Finally，the data of entrance and exit passenger flows collected from Guangzhou metro system is used for the case study，and the result shows that themean absolute per centage errors for the day and time- sharing passenger flowsare successfully limited to 2%and 14%respectively，which demonstrates that the forecasting accuracy of the proposedmodel is satisfactory.

urban rail transit;entrance and exit passenger flows;real- time forecast;K- nearest neighbor;non－parametric regression

U231

A

1672- 6073(2017)02- 0032- 05

10.3969/j.issn.1672 6073.2017.02.007

2016- 09 29

2016 11 27

謝俏，女，本科，線網(wǎng)管控中心副總經(jīng)理，鐵道工程(站場(chǎng))工程師，軌道交通運(yùn)輸管理方向，xieq iao@gzm tr.com

李斌斌，男，博士研究生，交通運(yùn)輸規(guī)劃與管理方向，16114203@b jtu.edu.cn

中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助(2016YJS066)