[发明专利]一种基于EMD的断面客流神经网络预测方法

说明书

本发明公开了属于轨道运输技术领域的一种基于EMD的断面客流神经网络预测方法。该方法先获取本征模函数分量：将每日每30分钟间隔时段内OD间的汇总客流量分配到断面客流信息中，形成断面客流量原始序列，对原始序列进行经验模式分解处理，获得IMF分量，组成IMF矩阵；组件识别：计算每个IMF分量与原始客流序列的皮尔森相关系数，分析与原始数据的相关性；神经网络预测：构建三层BP网络模型，将测试数据作为输入层的输入数据，代入到BP神经网络中进行预测，得到相应的断面客流量输出。本发明提出的混合EMD和神经网络的方法，分析客流数据特征，为神经网络预测方法提供输入变量。本发明可得断面客流预测精度均大于95%。

发明领域

本发明涉及一种基于EMD的断面客流神经网络预测方法，属于轨道运输技术领域。

背景技术

近年来，我国城市轨道交通发展迅速，轨道交通路网客运量持续攀升。庞大的客流量以及在路网上复杂的时空分布为中国城市轨道交通客流组织安全带来了巨大的挑战，实时、准确的短时交通流预测已成为中国城市轨道交通路网安全高效运营管理迫切需要解决的问题。交通量预测的结果将为运输系统管理提供参考，例如，运营管理规划、站点客流拥挤管制计划等。

多年来，国内外研究人员致力于交通流预测模型和预测方法的研究不断，但随着预测时间跨度的缩短，交通流显示出来的非线性、时变性、不确定性越来越强，导致交通流的预测效果和预测精度不甚理想。对于短时断面交通流量来说，瞬间短时交通流量包括以下3个部分：一、去除所有不确定性因素的反映交通流基本变化规律的交通流信息，即交通流变化的基本趋势；二、本质不确定性因素造成交通流突变趋势；三、非本质不确定性因素造成的交通流突变趋势。后两部分随机地影响了交通流的实时流量，使得交通流围绕在基本趋势附近发生扰动，甚至在某些时候，由于不确定因素的强烈干扰，使得这种扰动十分激烈。因此，对于短期客流预测模型而言，捕捉短期客流量特征是很有必要的。

在特征提取方面，经验模式分解(Empirical Mode Decomposition，EMD)是一种较新的信号处理方法，具有自适应和高信噪比的特点，十分适合于非平稳、非线性信号的分析处理，且通过EMD分解出的本征模函数(Intrinsic Mode Function，IMF)分量可用于提取特征信息。目前，已有学者采用计算各IMF的能量矩、能量熵、Renyi熵、Shannon熵以及计算IMF矩阵奇异值等方法进行了故障特征提取的研究。

皮尔森相关系数—ρ_xy反映变量之间相关关系密切程度的统计指标，取值在-1到1之间。ρ_xy=0时，称X、Y不相关；|ρ_xy|=1时，称X、Y完全相关，此时，X、Y之间具有线性函数关系；|ρ_xy|<1时，X的变动引起Y的部分变动，|ρ_xy|越大，X的变动引起Y的变动就越大，|ρ_xy|>0.8时称为高度相关，当|ρ_xy|<0.3时，称为低度相关，其他为中度相关。分析每个IMF分量与原始数据的相关性，剔除对原始序列影响不大的分量，可以减少计算时间、提高短期断面客流量的预测效率。

式中：n—样本数量，—样本的平均值，S_X，S_Y—样本标准差；

BP神经网络一般要求对神经元的传递函数选择。BP神经网络要求神经元的传递函数必须处处可微，常用的传递函数包括线性Purelin型和Sigmoid型。它们的各自表达式及特性如下：