[发明专利]一种基于公交网络的乘客需求预测系统和方法

权利要求书

1.基于公交网络的乘客需求预测方法，具体步骤为：

1)从实际公交网络的应用出发，给出乘客需求预测方法的概要描述；步骤1)中的实际公交网络表示如下：假设某条公交线路包含N，N≥2个公交站点S＝{S₁，S₂，…，S_N}；其中第一个站点为出发站点，最后一个为终结站点；公交车在站点间的通行遵循特定的路线和特定的时刻表；D_b＝{d₁，d₂，…，d_j}表示在站点s上车的、乘坐b路公交车的j个乘客的目的地集合；根据公交车的换班时间将运行时间分为4个时间段；预测t时刻在公交站点s要乘坐b路公交车的乘客的数目

2)综合考虑非均匀性、突发性和周期性因素，分别提出三种不同的乘客需求预测模型；

步骤2)中对乘客需求的预测模型包括随时间变化的泊松模型，加权时间变化的泊松模型和综合自回归移动平均模型：

随时间变化的泊松模型包括以下步骤：给定时间内某公交站点有n辆公交车停靠的概率P(n)满足泊松分布，定义为式中表示在固定时间段内乘客对公交服务的平均需求的比率，λ的值不是常量，而是随时间变化的；把它看做一个时间函数λ(t)，从而将泊松分布变换成非齐次的；λ(t)定义为λ(t)＝λ₀δ_d(t)η_d(t)，h(t)，式中d(t)表示工作日{1＝周日，2＝周一，…}，h(t)是时间t所属的时间段，每30分钟作为一个时间段；另外需要满足下面两个等式和式中D是一天中时间段的数目，λ₀是一周泊松过程的平均比率，δ_i表示第i天的相对变化，η_j，i表示第j天第i时间段的相对变化，λ(t)是一个离散函数，用来表示公交站点s上随时间变化的乘客需求；

加权时间变化的泊松模型包括以下步骤：增加上周乘客需求量与之前几周乘客需求量的相关度；相关度的权值w用时间序列方法-指数平滑法-来计算，其定义为w＝α*{1，(1-α)，(1-a)²，...，(1-a)^λ-1}，式中λ是以往时间段中乘客需求的平均值，α是平滑因子，其值是由用户定义的，其大小范围为0＜α＜1；

综合自回归移动平均模型包括以下步骤：模拟和预测不同类型的单变量时间序列数据，变量的预测值是历史观测和随机误差的线性函数；将某特定公交站点s上随时间变化的乘客需求量看做时间序列，因此预测过程表示如下R_s，t＝θ₀+φ₁X_s，t-1+φ₂X_s，t-2+...+φ_pX_s，t-p+ε_s，t-θ₁X_s，t-1-θ₂X_s，t-2-...-θ_qX_s，t-q，式中R_s，t和ε_s，t分别是在时刻t乘客需求量的实际值和随机误差，φ_I(1，2，...，p)和θ_m(1，2，...，q)是模型的参数和权值，其中p和q是表示模型的阶的正整数；模型的阶和权值都利用自相关函数和偏自相关函数从历史时间序列中得到；这些值用来检测是否存在周期性，以及其周期性的频率；

3)提出一种基于滑动窗口的框架来整合三种预测模型，包括以下步骤：将三种模型结合起来实现更好的预测；M＝{M₁，M₂，...M_z}表示对一个给定时间序列进行建模的z个模型的集合；M_t＝{M_1t，M_2t，...M_zt}表示这些模型在时刻t对下一时间段的预测值的集合；整合预测值E_t，由下式计算得到其中ρ_jM是模型M_j在时间窗口[t-H，t]内的某个时间段做出的预测值，H是由用户定义的滑动窗口的大小；因为在后续的时间段中公交数据信息是连续不断到来的，因此时间窗口也要不断滑动，从而保证这些模型在下一个H时间段内正常运行；为了更好地评价预测的准确性，采用时间序列预测误差度量机制-对称平均百分比误差。