[发明专利]基于SVM预测乘客出行概率的轨道交通客流预测方法

说明书

技术领域

本发明提供一种基于支持向量机（Support Vector Machine or SVM）预测乘客出行概率的轨道交通客流预测方法，即提供一种基于SVM预测乘客出行概率的轨道交通客流预测方法，属于计算机应用技术领域。

背景技术

随着国民经济的快速发展，城市化进程的不断加快，城市人口密度的不断增长，城市交通所承受的压力也逐渐加大。轨道交通具有客运量大、速度快、时间准、运距长、舒适度高、受外界因素影响小等特点，如今已经被越来越多的城市作为重点建设项目之一。

轨道交通客流预测是以轨道交通运行数据为基础，预测较短一段时间内站点的进出站客流、区段断面客流，换乘站换乘客流，地铁站内部客流分布等，能够监测地铁网络中客流情况并为突发事件提供预警，对于轨道交通系统安全高效运行具有重要的意义。

现存技术中一种轨道交通客流的预测方法，是简单的面向地铁站点，将地铁客流看作简单的时间序列，利用神经网络进行预测，主要处理过程如下：

1.利用采集装置采集一段时间的轨道交通客流数据，将数据集分成两部分，训练数据集和测试数据集。

2.确定神经网络的参数，包括神经网络的层数、各层神经元的数目、层与层之间的传递函数、学习算法等。

3.利用训练数据集训练神经网络，将训练好的网络利用测试数据集进行测试。如果测试结果不满足要求，则修改网络参数，重新进行训练和预测。

4.利用训练好的网络预测轨道交通客流。

上述方法最大的问题就是孤立地处理一个地铁站，没有将地铁网络当作一个整体来对待，也就不能利用乘客出行规律进行预测，降低了预测的精度。

发明内容

本发明的目的是提供一种基于SVM预测乘客出行概率的轨道交通客流预测方法，将地铁网络当作一个整体来对待，利用乘客出行规律进行预测，提高预测的精度并且提供实时预测进站客流的功能。

本发明一种基于SVM预测乘客出行概率的轨道交通客流预测方法，其具体步骤如下：

步骤一：采集一段时间的轨道交通历史数据，该数据可以看作是乘客出行记录的集合，其中每条记录包括乘客出行的起始站点、目的站点，进站时刻和出站时刻；

步骤二：基于历史数据，统计乘客出行比例，针对每一个地铁站，统计乘客由该站进入去往其它站的比例；

步骤三：利用统计得到的出行比例数据训练最小二乘支持向量机（LSSVM），预测乘客出行概率，即针对每一个地铁站，预测乘客由该站进入去往其它站的概率；

步骤四：存储预测得到的出行概率，供实时客流预测模块使用；

步骤五：采集实时进站客流数据；该数据可以看作是乘客进站记录的集合，进站记录包括乘客的起始站点和进站时间；

步骤六：获取在步骤四中存储的乘客在该站的出行概率，预测乘客出行的目的站点；

步骤七：结合列车的发车间隔，模拟乘客出行，计算乘客到达和离开每一个站点的时间，并更新全路网客流。

其中，在步骤一中所述的“采集一段时间的轨道交通历史数据”，可以通过在地铁进出站闸机口布设装置，获取乘客刷卡信息采集得到。

其中，在步骤三中所述的“最小二乘支持向量机”，是支持向量机的一种扩展，在构造最优决策函数时，遵循了结构风险最小化原则，同时引入了间隔的概念，并巧妙地利用了原空间的核函数取代了高维特征点的点积运算，降低了计算的复杂度。

其中，在步骤三中所述的“利用统计得到的出行比例数据训练最小二乘支持向量机（LSSVM），预测乘客出行概率”，其训练内容和步骤为：

最小二乘支持向量机的训练数据样本可以表示为：(x₁,y₁)，(x₂,y₂)，…(x_n,y_n)。其中y_i是目标值，x_i是输入向量。

非线性回归问题可以描述为求解下面问题：