一種城市軌道交通站點客流不確定性分析方法
2023-12-05 12:29:41
一種城市軌道交通站點客流不確定性分析方法
【專利摘要】本發明公開了一種城市軌道交通站點客流不確定性分析方法，包括以下步驟：首先利用AFC系統採集足夠的歷史客流數據，然後對原始數據進行處理，得到以△T為時間間隔的客流序列，接著基於城市軌道交通客流顯著的以周為周期的特性，使用SARIMA模型擬合客流序列，並以擬合後的SARIMA模型作為GARCH模型的均值方程，接著對均值方程的殘差序列建立條件方差方程，計算得到GARCH模型預測的置信區間，基於預測的置信區間評估模型預測的可靠性。本發明可用於城市軌道交通短時客流預測，能夠提高城市軌道交通短時客流預測的可信度(可靠性)，為城市軌道交通運營與管理提供決策依據。
【專利說明】一種城市軌道交通站點客流不確定性分析方法
【技術領域】
[0001]本發明涉及城市軌道交通智能化技術，尤其涉及一種城市軌道交通站點客流不確定性分析方法。
【背景技術】
[0002]有效的城市軌道交通運營與管理是城市軌道交通系統發揮其預期功能的重要保障，而軌道交通客流的預測和分析是軌道交通運營管理的基礎，準確、可靠的軌道交通客流預測對於軌道交通運營管理就顯得至關重要。城市軌道交通站點客流受多種自然因素和社會因素的影響，具有非線性和不確定性的顯著特點，而我國城市軌道交通事業發展處於初期，軌道交通客流預測研究才剛剛起步，目前城市軌道交通大部分的城市軌道交通客流預測技術僅僅從點預測的層面評估預測的準確性，並沒有基於統計分析手段來科學評估預測的可靠性，即對客流不確定性研究還很欠缺。
[0003]目前，國內外在交通流的不確定研究方面已經有了初步的成果，這些研究方法有:狀態空間-神經網絡模型方法，似不相關回歸模型方法，Boot-Strap方法等。狀態空間-神經網絡模型是通過添加一個儲存之前神經元狀態的狀態層作為短期記憶，調節各神經元權重來高效地學習真實的複雜時空狀態；似不相關回歸模型是一種以各分模型方程間的誤差相關性為前提的特殊聯立方程組，它在模型參數的估計過程中根據方程間的誤差調整各方程的回歸係數，從而使模型的整體誤差趨於最小；B00t-Strap方法是一種再抽樣統計方法，用原樣本自身的數據抽樣得出新樣本及統計量，它是根據給定的樣本複製觀測信息，不需要進行分布假設或增加新的樣本信息，可對總體的分布特徵進行統計推斷。但是這些現有的成果的研究對象主要是針對道路交通流的不確定性，在城市軌道交通客流方面尚未有相關研究。
[0004]我國城市軌道交通已進入了高速發展時期，準確把握客流規律，基於客流規律安排運營計劃，使軌道交通系統的運營管理具有科學性和準確性。因此，為了提高城市軌道交通站點客流預測的可靠性，迫切需要一種城市軌道交通站點客流不確定性分析方法。
【發明內容】
[0005]發明目的:本發明提供一種城市軌道交通站點客流不確定性分析方法，它使用GARCH模型對均值方程的殘差序列分析，克服了現有軌道交通站點客流預測技術對預測可信度(可靠性)分析的不足，且提高了城市軌道交通站點客流預測的可靠性。
[0006]技術方案:為實現上述目的，本發明採用的技術方案為:
[0007]一種城市軌道交通客流高峰持續時間預測方法，包括如下步驟:
[0008]一種城市軌道交通站點客流不確定性分析方法，包括如下步驟:
[0009]步驟一、數據處理:獲取站點客流的歷史交易數據，對原始數據進行處理，設定時間間隔AT(比如15min)，按時間間隔AT對時間進行分段，統計各時間段內的站點客流，得到一個以ΛT為時間間隔的原始客流序列(包括訓練數據集和測試數據集)；[0010]步驟二、SARIMA模型的建立:
[0011](21)客流序列平穩性檢驗:對原始客流序列進行平穩性分析；若原始客流序列是平穩的客流序列，則直接進入步驟(22);若原始客流序列是非平穩的客流序列，則首先用差分方式對原始客流序列進行平穩化處理，得到平穩的客流序列，再進入步驟(22)，所述差分方式包括d階一般差分和D階季節差分；
[0012](22) SARIMA模型的識別:用ARMA模型對平穩的客流序列進行擬合，確定ARMA模型的階數，即確定(P，q)以及(P，Q)的值；再綜合步驟(21)中的d階一般差分和D階季節差分，得到原客流序列擬合的乘積季節模型的完整結構如下:
[0013]Φρ(Β) ΦP (Bs) (1-B) (1-Bs)1Vt = Qq(B) Oq(Bs) ε t
[0014]其中，yt為原始客流序列的觀測值，ε t為殘差項，B為滯後算子，S表示變化周期(具有可比性的觀測值之間最小的時間間隔，如季度數據S = 4)，1-B表示非季節差分，1-Bs表示季節差分，ΦΡ(Β)表示非季節自回歸多項式，ΦΡ(Β3)表示季節自回歸多項式，Qq(B)表示非季節平均移動多項式，?q(Bs)表示季節平均移動多項式，P表示非季節自回歸多項式的最大滯後階數，P表示季節自回歸多項式的最大滯後階數，q表示非季節平均移動多項式的最大滯後階數，Q表示季節平均移動多項式的最大滯後階數，d表示非季節差分次數，D表示季節差分次數；
[0015]將上述模型記為(p，d, q) X (P, D, Q)s階季節時間序列模型，即SARIMA模型；
[0016]步驟三、GARCH模型的建立:
[0017](31)選定均值方程、建立條件方差方程:以步驟二中確定的SARIMA模型作為均值方程，並對均值方程的殘差序列進行異方差檢驗，即ARCH效應檢驗，若殘差序列存在異方差性，則對殘差序列建立GARCH模型，確定GARCH模型的階數，即確定(m，η)的值；GARCH模型的數學表達式為:
【權利要求】
1.一種城市軌道交通站點客流不確定性分析方法，其特徵在於:包括如下步驟: 步驟一、數據處理:獲取站點客流的歷史交易數據，對原始數據進行處理，設定時間間隔Λ Τ，按時間間隔Λ T對時間進行分段，統計各時間段內的站點客流，得到一個以Λ T為時間間隔的原始客流序列； 步驟二、SARIMA模型的建立: (21)客流序列平穩性檢驗:對原始客流序列進行平穩性分析；若原始客流序列是平穩的客流序列，則直接進入步驟(22);若原始客流序列是非平穩的客流序列，則首先用差分方式對原始客流序列進行平穩化處理，得到平穩的客流序列，再進入步驟(22)，所述差分方式包括d階一般差分和D階季節差分； (22)SARIMA模型的識別:用ARMA模型對平穩的客流序列進行擬合，確定ARMA模型的階數，即確定(P，q)以及(P，Q)的值；再綜合步驟(21)中的d階一般差分和D階季節差分，得到原客流序列擬合的乘積季節模型的完整結構如下:
ΦΡ(Β) ΦP(Bs) (1-B) (1-Bs)1Vt = Qq(B) Oq(Bs) ε t 其中，Yt為原始客流序列的觀測值，ε t為殘差項，B為滯後算子，S表示變化周期，1-B表示非季節差分，1-Bs表示季節差分，ΦΡ(Β)表示非季節自回歸多項式，Op(Bs)表示季節自回歸多項式，Θ,(Β)表示非季節平均移動多項式，Oq(Bs)表示季節平均移動多項式，P表示非季節自回歸多項式的最大滯後階數，P表示季節自回歸多項式的最大滯後階數，q表示非季節平均移動多項式的 最大滯後階數，Q表示季節平均移動多項式的最大滯後階數，d表示非季節差分次數，D表示季節差分次數； 將上述模型記為(P，d, q) X (P, D, Q)s階季節時間序列模型，即SARIMA模型； 步驟三、GARCH模型的建立: (31)選定均值方程、建立條件方差方程:以步驟二中確定的SARIMA模型作為均值方程，並對均值方程的殘差序列進行異方差檢驗，即ARCH效應檢驗，若殘差序列存在異方差性，則對殘差序列建立GARCH模型，確定GARCH模型的階數，即確定(m，η)的值；GARCH模型的數學表達式為:
2.根據權利要求1所述的城市軌道交通站點客流不確定性分析方法，其特徵在於:所述步驟一中，統計各時間段內的站點客流，站點客流為進站客流與出站客流之和。
3.根據權利要求1所述的城市軌道交通站點客流不確定性分析方法，其特徵在於:所述步驟二中，ARMA模型的階數確定方法如下:首先利用平穩序列的自相關圖和偏相關圖的拖尾和截尾現象來初步確定(P，q)以及(P，Q)的值；再利用更為嚴格的模型選擇標準，即赤池信息準則和施瓦茲信息準則來最終確定ARMA模型的階數。
4.根據權利要求1所述的城市軌道交通站點客流不確定性分析方法，其特徵在於:所述步驟三中，GARCH模型的階數確定方法如下:首先利用殘差平方的自相關圖和偏相關圖的拖尾和截尾現象來初步確定(m，n)的值；再利用更為嚴格的模型選擇標準，即赤池信息準則和施瓦茲 信息準則來最終確定GARCH模型的階數。
5.根據權利要求1所述的城市軌道交通站點客流不確定性分析方法，其特徵在於:所述步驟(21)中，採用迪克-富勒檢驗對原始客流序列的平穩性進行分析。
【文檔編號】G06Q50/30GK104021430SQ201410262069
【公開日】2014年9月3日 申請日期:2014年6月12日 優先權日:2014年6月12日
【發明者】張寧, 徐世鵬, 石莊彬, 錢振東 申請人:東南大學