公共交通换乘客流量预测方法研究

李珍

摘  要：流量预测是最近几年研究的热点方向，流量预测的方式是基于数据的变化规律来实现的，常用的方法就是根据算法输入、输出来预测变化量的发展趋势。文章重点分析客流换乘量预测的两种方法，定性分析法、定量分析法，同时分析系统复杂结构的线性和不真实性，将原始空间的数据通过非线性支持向量机映射到高维空间中，对交通的疏导有一定的实际参考意义。

关键词：客流量;预测;方法

中图分类号：F572          文献标志码：A         文章编号：2095-2945（2020）03-0135-02

Abstract： Traffic forecasting is a hot research direction in recent years， the way of traffic forecasting is based on the change law of data， and the commonly used method is to predict the development trend of change according to the input and entry of the algorithm. This paper focuses on the two methods of passenger transfer prediction， qualitative analysis and quantitative analysis， and analyzes the linearity and unauthenticity of the complex structure of the system， and maps the data of the original space to the high-dimensional space through nonlinear support vector machine. It has certain practical reference significance for traffic grooming.

Keywords： passenger flow; forecast; method

當前，公共交通在人们的生活中扮演着越来越重要的角色，出于环境保护、节约能源的要求，国家也在大力发展公共交通设施建设，并积极鼓励人们选择这种绿色出行方式，并且在城市中尤其是一二线的大城市里，选择公交、地铁已经成为了居民的首选出行方式。目前全国已经建成的公共交通设施已经具有相当的规模，使用人数也相当庞大，对公共交通系统中乘客人群换乘流向进行准确的评估预测，可以大大提高设施系统的利用效率，更好的为民众公共出行提供更加优质便捷的服务。

现在已经有很多学者研究机构提出了一些理论上的预测方法，但是实际应用效果并不十分理想，因此可以在现阶段该领域研究成果的基础上与实际结合，提出升级版的提升换乘客流量预测方法。可以从以下两个方面入手。一方面，交通枢纽的规划建设是依据使用公共交通设施换乘客流量来进行预测的，通过研判使用人群的流量动向，可以决策新公交站点的区域选位、公共设施的承载能力、以及现有CBD区域换乘站点的扩容扩建等。另一方面，准确预测CBD地区换乘客流量的情况，也直接影响公共交通设施投资的成本回收速度。更能够促进政府和国家对公交系统进行更加高效、科学的管理，最终形成使用效率高、公共服务好、民众实惠多、企业收益快的良性经营局面。

换乘客流量的准确预测取决于建立模型的精确程度。选取合理的模型，高效精确的进行模拟分析，才能够得到准确的预测结果，从而进一步指导换乘站点的规划布局、选址建设、扩容增量等实际工作的展开。因此，公共交通系统的规划、建设、升级离不开对换乘客流量的科学精准预测。

1 定性分析法

定性预测方法是基于研究人员主观判断的一种预测方法，它要求研究人员要准确的掌握现有的公共交通换乘系统的相关数据，并对交通换乘效率的影响因素的变化趋势进行分析研究，以此为基础对换乘量的变化趋势进行评估。这种方法要求研究人员要具有良好的理论基础和从业经验，还要拥有能够理性客观的判断能力，才能够得到精确度较高的预测结果。定性分析方法，它常用于缺少资料数据的预测中。其中主要的方法有“专家调查法”、“扩展指数法”、“指标判断法”、“主观概率预测法”、“专家判断法”、“远景方案讨论法”、“关联推算预测法”、“直观法”、“类比法”等。在实际使用中，经常将“定性预测”与“定量预测”相结合来进行预测。具有代表性的例子就是English等人使用德尔菲法，基于有限的历史数据，对航空公司的运输量进行预测。并且在其发表的著作中指出，可以先用计算机进行数据预处理，这种方法的两个关键因素就是预测人员的选择和预测人员评分的权重系数。

支持向量机有以下优缺点：如果样本量不大的话，使用支持向量机，可以使结构风险最小化，但是，用这种机器学习法得出的最优解，是在已有的数据信息基础之上得来的，使样本数据趋于无穷求出的解并不是上述所说的最优解;用支持向量机进行大规模训练，需占用更多的内存，耗费大把的时间;如果用神经网络方法，可能会出现局部极值，而且这个问题是无法避免和解决的，然而通过支持向量机模型，就能将待解决的问题简化为一个凸二次规划问题，相关理论也可以解释证明，最后得出来的结果就是最优解;经典分类器与输入数据的特征矢量维数有关，支持向量机的好处是，其分类器泛化能力与之无关，可避免“维数灾难”的发生。总的来说，支持向量机的定性分析有很多性能是好过已知方法的，可以成功处理模式识别问题（分类问题、判别分析）和回归问题（时间序列分析）等，还可用于综合评价和预测等。

2 定量分析法

定量预测法与上节中的定性预测法的应用领域相互补。在定量预测中要求能够及时、完整的收集到预测相关的数据资料，同时再与充分的历史数据进行比对，然后进行建模，再根据数学预测模型预测研究主体的发展趋势。这种预测方法不仅要求有完备详尽的相历史资料，还强调对当前数据收集整理的实时性和全面性，在此基础上运用数学的统计分析理论进行预测得到结果，因此也称为“统计预测”，以下是几种主要的“统计预测”：

2.1 回归模型

这种方法的原理是首先找出与被预测现象有关的各种影响因素，在通过数学函数表达式来表达影响因素与该现象的数量关系，即通过数学的方法进行量化预测。这种预测方式能够洞悉各种影响因素，具有客观性高、应用范围广的特点。但是由于其数学结构稳定，对数据要求程度高，也具有建立回归模型难度大的劣势。下面是对回归模型优缺点的粗略总结：

（1）回归模型中认为每一个数据最终对预测结果的影响相同的，因此所有数据都同样重要，但是实际中各种数据的影响权重是不同的。

（2）初期的数据处理工作量巨大，并且如果有线数据加入就要重新计算，这就导致了回归模型的计算成本较大。

（3）在实际应用中识别选择预测结果影响因素自变量时，研究人员的主观因素较大，难以保证过程中完全客观公平。

2.2 时间序列预测模型

是以被预测事物历史数据为基础，并以此来进行其未来变化趋势的预测，主要有“移动平均法”、“指数平滑法”、“趋势推测法”、“随机时间序列法”四种主要的具体预测方法。这种方法经常应用于数据收集困难或者自变量选择困难的情况下，该方法简单易操作，基于历史数据得来的预测结果往往也较为可靠，但是缺点是无法揭示系统之内各影响因素之间的联系。以下是该方法的优缺点：

（1）时间序列模型摒弃了其他影响因素，只把时间作为预测结果的影响因素，这样容易导致结果失真。

（2）含有一些随机因素的模型极易受到干扰。当遇到有着非线性和不确定性的预测目标时就需要对其中的突发状况进行优化处理，否则会因此产生较大误差，影响预测结果的精度。

（3）模型建立好之后，其中的固定参数应当随着时间而进行实时更新，以便满足进行动态预测的要求，但事实上很难达到这种要求。

（4）如果要提高预测模型的精度，则需要增加大量的数据收集和计算工作，这样会显著增加计算成本，同时也可能会因为新增数据而干扰预测结果。

支持向量机（Support Vector Machine，SVM）是一种有着很强的数据分类处理性能的工具，通过分离各种数据使应用效果利润达到最大。现实情况中，复杂结构的线性分离和数据分类往往是不真实的，因此数据在特征空间内的线性分类可以把原始空间的数据通过非线性支持向量机映射到高维空间中。Lin等科研人员的研究显示，支持向量机在处理不断增加的样本量时，用的是“贝叶斯法则”。

2.3 灰色模型预测法

这种方法是基于灰色模块应用于只有时间变量的预测方法，它的原理是通过微分拟合法构建自累加数据模型来进行预测。灰色模型预测法具有多种上述方法无可匹及的优点，它要求的数据量小，对数据分布情况要求也不那么严格，甚至还可以对缺失、杂乱的数据进行随机弱化处理以保证预测的顺利进行。其优缺点主要有：

（1）灰色系统模型是采用累加合成对數据进行预处

理，以删除那些随机性的数据。但是这样做的缺点是也有可能会删除那些代表变化趋势规律的数据，从而破坏预测模型建立的客观性。

（2）在模型建立的过程中，放弃了研究数据中隐藏的变化规律，而是采用简单的指数方式进行数据拟合，这样数据拟合方法过于浮夸，并且也没有一个可行的拟合程度评价机制。

（3）现在模型输出结果的常用的检验方法是后验差

法，但是这种方法的可靠性值得商榷。

随着智能预测相关领域的发展，大数据资源的整合、预测成为未来一段时期内的热门领域。本文基于客流量换乘为研究对象，仅在小范围内做了短时预测，仅能为交通部门的客流疏导提供建议，具体实际应用还有一定差距。

参考文献：

[1]孙永奎，陈光，李辉.基于自适应小波分解和SVM的模拟电路故障诊断[J].仪器仪表学报，2008（10）：2105-2109.

[2]孙永奎，陈光，李辉.支持向量机在模拟电路故障诊断中应用[J].电子测量与仪器学报，2008（02）：72-75.

[3]彭敏放.容差模拟电路故障诊断屏蔽理论与信息融合方法研究[D].湖南大学，2013.

[4]王承.基于神经网络的模拟电路故障诊断方法研究[D].电子科技大学，2015.

[5]杨士元.模拟系统的故障诊断与可靠性设计[M].清华大学出版社，1993：195-196.