[發明專利]基于SPGAPSO-SVM算法的公交客流量預測方法及系統

在審

• 申請號: 201911049432.0
• 申請日: 2019-10-31
• 公開（公告）號: CN110766237A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 李雷孝;林浩;鄧丹;王慧;周成棟;馮永祥
• 申請（專利權）人: 內蒙古工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/00;G06N3/12;G06N20/10
• 代理公司: 44483 佛山知正知識產權代理事務所(特殊普通合伙)
• 代理人: 堯娟

本發明屬于公交客流量預測技術領域，尤其涉及基于SPGAPSO?SVM算法的公交客流量預測方法及系統，其包括通過基于大規模數據處理的快速通用計算引擎平臺的彈性分布式數據集進行種群的構建、切分和并行化處理，并輸出最優系統參數，本發明解決了現有技術存在現有預測模型計算適應度消耗時間過長的問題，具有較高的預測準確率、較快的運行速度和良好的可擴展性的有益技術效果。

技術領域

本發明屬于公交客流量預測技術領域，尤其涉及基于SPGAPSO-SVM算法的公交客流量預測方法及系統。

背景技術

準確預測城市公交客流量對于科學地進行城市公交車運營調度決策、提高公交車運營效率具有十分重要的意義，在現代交通系統中，城市公交車發揮著重要職能，相對于其他出行方式，公共交通具有載客量大、排污量小、成本較低等特點，為了保障城市公交高效有序的運營，不僅需要良好的公交運營管理方案，有效的運營調度同樣必不可少，利用公交相關信息數據進行準確公交客流量預測可以為城市公交車的運營調度提供有效的決策支持；

目前國內外學者在公交客流量預測領域已經取得了一定的研究成果，研究成果可分為兩類，一類是用數學方法建立數學規劃模型或線性預測模型來實現對城市公交客流量的預測，如文獻1《利用多元線性回歸方法建立公交各時間段客流量模型》，并通過城市一卡通數據對模型進行了驗證，如文獻2提出了《基于卡爾曼濾波的短時客流量預測方法》，首先基于卡爾曼濾波原理對地鐵換乘客流系統構建狀態方程，然后運用灰色關聯分析來確定該狀態轉移矩陣的值，進而實現客流量的預測，另一類是通過機器學習或人工智能中的相關算法構建預測模型，利用訓練數據對模型進行訓練，從而預測出客流量，如文獻3構造了支持向量機(Support-Vector-Machine，SVM)預測模型并運用粒子群算法優化模型，實現了地鐵站點客流量預測，如文獻4采用基于黃金分割的粒子群對SVM的參數進行尋優，構建了混合核SVM客流量預測模型4，如文獻5基于深度信念網絡和支持向量回歸機提出了城市軌道交通短時客流深層預測模型DBN-P/GSVM，同時基于嵌入式遺傳算法和粒子群算法實現SVM的參數尋優；

當前大數據時代，傳統的數學方法消耗時間過長，已不能應對龐大的數據量增長，SVM作為經典的機器學習算法之一，其優秀的泛化能力和對數據的低要求使它成為客流量預測的主流方法，針對傳統SVM預測模型準確率不高的問題；

傳統的預測模型，如SVM客流量預測模型、遺傳算法優化、粒子群算法優化、GAPSO-SVM算法、GAPSO-SVM算法等，其中，GAPSO-SVM算法是本發明最接近的現有技術，該算法通過GAPSO-SVM算法的GA操作和PSO操作可分為初始化種群，種群更新，計算適應度3部分，初始化種群包括參數初始化、隨機生成初始化種群、計算初始化種群適應度，種群更新包括選擇操作、交叉操作、變異操作、速度更新、位置更新、種群更新，計算適應度包括遍歷種群中的所有個體，并調用svm_train函數計算個體適應度。分別運行GA操作和PSO操作20次，其中最大迭代次數為50，種群規模為20，計算并記錄各部分消耗時間的平均值，針對GAPSO-SVM算法而言，種群內所有個體適應度的計算約占總體算法運行時間的91.4％，邏輯較為復雜的種群更新耗時約占總體算法運行時間的5.72％，初始化種群約占總體算法運行時間的3.4％，計算適應度耗時過長是因為每個個體都需要進行一次交叉驗證來計算樣本均方誤差(Mean Square Error，MSE)，如最大迭代次數為50，種群規模為20，交叉驗證參數為5，則要進行5000次交叉驗證；

現有技術存在現有預測模型計算適應度消耗時間過長的問題。

發明內容

本發明提供基于SPGAPSO-SVM算法的公交客流量預測方法及系統，以解決上述背景技術中提出了現有技術存在現有預測模型計算適應度消耗時間過長的問題。