[發明專利]一種基于神經網絡的公交客流分時段組合預測方法

有效

• 申請號: 201811285080.4
• 申請日: 2018-10-31
• 公開（公告）號: CN109376935B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 王煒;李東亞;鄭永濤
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 蔣昱

1.一種基于神經網絡的公交客流分時段組合預測方法，其特征在于：該方法包括依次進行的收集基本相關信息步驟、確定最優的輸入數據步驟、確定組合預測模型步驟、確定預測模型性能步驟：

步驟一所述收集基本相關信息步驟中，通過對樣本數據分析法，發現公交客流具有時間、空間及人群三方面的分布特性，結合相關文獻，收集以下信息：所述相關信息分為兩大類，客觀影響因素和相關歷史數據，客觀影響因素包括月份M，星期日變化We，日時間變化D，平峰高峰P，節假日H，最低溫度T1，最高溫度T2，平均溫度T，風力風向Wi，降雨量R；相關歷史數據包括與預測時段相鄰2個時段的客流量Q₁₁、Q₁₂，相鄰3個工作日的客流量Q₂₁、Q₂₂、Q₂₃，相鄰3周同一星期日且同一時段的客流量Q₃₁、Q₃₂、Q₃₃，歷史數據的對應變量解釋如下表所示，同時，需要收集歷史數據中客觀影響因素和相關歷史數據對應的歷史公交客流量值Q，用來訓練預測算法以及檢驗預測方法的精度；

步驟二所述確定最優的輸入數據步驟中，是根據已有的歷史數據，從客觀影響因素Data1、相關歷史數據Data2、客觀影響因素和相關歷史數據的組合Data3共三種數據中選擇最優的數據作為輸入；

步驟三所述確定組合預測模型步驟中，確定了兩種神經網絡算法組合的方法，采用變權的方式組合兩種算法的預測結果，即根據不同時段客流特性，賦予兩種算法的預測結果不同的權重，從而加和得到最終的輸出結果，本方法預測的結果組成為：

y_i＝k_1iy_1i+k_2iy_2i，i＝1，...，n

e_i＝y_i-y_0i

其中y_i為組合算法的預測結果，y_1i為BP神經網絡的預測結果，y_zi為RBF神經網絡的預測結果，y_0i為第i個時間段的實際客流量值，k_1i表示BP神經網絡中第i個時間段的預測值所占的權重，k_2i表示RBF神經網絡中第i個時間段的預測值所占的權重，e_i表示第i個時間段組合算法輸出的預測值與實際值的殘差，權重k_1i和k_2i的值滿足如下二次數學規劃：

求得權重k_1i和k_2i的值后便可確定組合算法，輸入上個步驟中得到的Data，得到兩個訓練好的神經網絡的預測值，然后根據不同時段兩個不同算法得到的預測值對應的權重進行加和，即可得該組合預測模型的預測值；

步驟四所述確定預測模型性能的步驟中，使用MAPE、RMSE、RMSPE三個評價指標評價組合算法的預測性能，若預測性能較好，則該模型即為使用本方法得到的適合區域的公交客流組合預測方法；若預測性能較差，則返回確定最優的輸入數據步驟中，使用RBF神經網絡算法篩選得到最優的輸入數據Data，并繼續執行至確定組合預測模型步驟，然后評價該種情況下組合算法的預測性能，從兩種情況中選出性能較好的一個即為使用本方法得到的適合區域的公交客流組合預測方法。

2.根據權利要求1所述的一種基于神經網絡的公交客流分時段組合預測方法，其特征在于：步驟二使用組合算法中的兩種神經網絡算法來確定最優輸入數據，組合算法由經典的BP神經網絡算法和RBF神經網絡算法兩種神經網絡算法構成，所述確定最優的輸入數據步驟具體包括：

1)客觀影響因素的數據處理

對搜集到的客觀影響因素分別進行相關性檢驗、獨立性檢驗、數據降維處理，得到修正的、互不相關的客觀影響因素；

2)使用組合算法中的一種神經網絡算法進行客流量預測

首先，使用BP神經網絡算法，使用歷史數據訓練該神經網絡后，依次將歷史數據中的Data1、Data2、Data3作為BP神經網絡的輸入，使用訓練好的神經網絡進行公交客流預測，得到相應的預測值；

3)評價預測結果選出最優的輸入數據

將預測結果與相應的歷史客流量進行對比，根據算法的預測性能選擇預測效果最優的一種數據作為本方法中組合預測模型的輸入，其中預測性能的評價指標如下：

平均相對誤差均方根誤差均方根相對誤差

其中n為樣本數，為第i個樣本的預測值，y_i為第i個樣本客流量的真實值，根據MAPE、RMSE、RMSPE三個誤差值的大小，確定預測性能最優的輸入數據，最優的輸入數據記為Data。