[发明专利]一种公交短时客流的预测方法

说明书

技术领域

本发明涉及的是交通系统，具体涉及的是一种公交短时客流的预测方法，属于智能交通系统领域。

背景技术

及时、准确的短时公交客流预测在公交编组的配置、公交时刻表的制定及公交智能调度中发挥着重要作用。传统的公交客流预测，选取的时间尺度较大(通常为年、月、日客流量)，主要研究客流变化的长期趋势，一般用于公交线路规划。现有的短时客流预测主要基于非参数方法，例如K-NN方法。该方法模型简单，但容易受噪声影响，仅适用于预测较为稳定的公交客流。人工神经网络方法(ANN)用于客流预测也取得了不错的效果，但对于较大数据量的客流预测，神经网络的预测精度较低，且无法描述公交客流的时变特性。以ARMA模型为代表的时间序列模型应用于短时客流的一步实时预测可以取得较高的预测精度。但单一模型仅能拟合客流数据的一种特征，难以拟合公交客流在不同时间尺度上存在的不同特性。

发明内容

本发明的目的在于克服现有技术存在的不足，提供一种公交短时客流的预测方法，利用公交客流的历史数据，建立不同时间尺度上的时间序列，通过分析时间序列的时变特性建立相应的预测模型，利用卡尔曼滤波及交互多模型算法建立混合模型，以获得提高预测准确率的效果。

为达到以上目的，本发明所采用的解决方案是：

一种公交短时客流的预测方法，其包括以下步骤：

1)对从公交IC卡数据中获取的公交客流历史数据按指定的时间间隔聚合；

2)从周、日和时间间隔三个时间尺度建立时间序列；

3)检验时间序列的平稳性和季节性，并对非平稳时间序列进一步校验异方差性，根据时间序列的时变特征建立相应的时间序列预测模型，分别对客流进行预测；

4)基于单一模型的预测结果，利用卡尔曼滤波及交互多模型算法建立混合预测模型；

5)利用所述预测模型预测短时公交客流。

进一步地，利用公交车上安装的公交IC卡刷卡器，读取乘客的刷卡时间及线路ID，同时利用公交车自动报站系统(Automated Voice Annunciation System,AVAS)获取公交站点数据，以时间为关键字段，将乘客的刷卡信息与自动报站系统(Automated Voice Annunciation System,AVAS)中的站点信息进行数据匹配，获得所述的公交客流历史数据。

进一步地，对于某一公交线路，将指定时间间隔(如5min)内的公交客流历史数据进行聚合，得到该公交线路指定时间间隔的客流数据。

进一步地，所述步骤3)进一步包括以下步骤：

A，校验时间序列自相关函数及偏自相关函数的拖尾、截尾特性并进行ADF(Augmented Dickey-Fuller)检验，验证时间序列的平稳性、季节性，初步验证非平稳序列的异方差性；

B，根据时间序列的时变特征，对平稳时间序列建立ARMA模型，对季节性时间序列建立SARIMA模型，对非平稳时间序列建立ARIMA模型，根据AIC(Akaike Information Criterion)准则及SC(Schwarz Criterion)准则，确定时间序列预测模型的最佳滞后阶数及差分阶数；

C，对存在异方差性的非平稳时间序列进行ARCH-LM检验，进一步建立ARIMA-GARCH复合模型；

D，利用RLS(Recursive Least Square)算法对建立的时间序列模型进行参数及噪声估计，模型噪声均为白噪声序列；

E，利用不同时间尺度的预测模型进行客流预测，输出三组预测结果序列。

进一步地，所述的时间序列预测模型包括：

A，对平稳的周时间序列建立ARMA模型：

其中，y_w为公交客流周时间序列；a_w为白噪声序列；分别为自回归参数和滑动平均参数；

B，对存在季节性的日时间序列建立周期为24的SARIMA模型：

其中，y_d为公交客流日时间序列；a_d为白噪声序列；分别为自回归参数和滑动平均参数；

C，对存在异方差性的非平稳时间间隔序列建立ARIMA-GARCH复合模型：