基于数据融合的地铁客流量预测方法(1)(2)
2015-07-14 01:03
导读：历史序列 同为工作日或同为节假日的相邻数天,其流量曲线形状相对类似,流量曲线相似的日期在预测中具有较大的参考意义。本站最近m 天在时刻t 的流量
历史序列 同为工作日或同为节假日的相邻数天,其流量曲线形状相对类似,流量曲线相似的日期在预测中具有较大的参考意义。本站最近m 天在时刻t 的流量按日期先后记录下来的数据构成的时间序列为历史序列,即f2 (t) = { F0 i-p(t) ,1 ≤ p ≤ m} ( 3 ) 工作日和节假日流量差别较大,可将它们分类处理。该序列整体分布较平稳,有震荡,但频带较窄。第p个工作日在时刻t的流量如图3 所示。
邻站序列 图4 为本站与邻近2 个车站24 h 的流量曲线经DB2 小波3 层变换后的近似分量,可见各分量关联性较大。如果根据以前的数据将各邻近车站相互关系解算出来,就可以利用这种函数关系预测时刻t在本站的流量。最近m天在时刻t 的流量按日期先后记录下来的各邻站历史序列为本站的邻站序列,即
qf2 q(t) = { Fi-p(t) ,1 ≤ p ≤ m,1 ≤ q ≤ s} ( 4 )
q式中, Fi-p(t)表示第q个邻近站的第(i -p)天的流量;s 表示邻近站数。
1.3 相关序列的预测
由于各相关序列在预测中具有不同的影响,且分布规律和特点差异较大,因而各序列使用不同的预测方法。本文对当前序列进行小波分解后用Kalman 预测,对历史序列直接进行Kalman 预测,对邻站序列用幂级数多项式进行拟合。
1.3.1 小波分析
根据设置的分解指数η对序列进行小波N 尺度分解,得到一组低频信号和N 组高频信号,对这N 1 组信号分别用Mallat 塔式算法重构到原尺度上,得到N 1 组在原始尺度上的经过分解重构处理的信号。分别对信号用Kalman 滤波进行预测,得到N 1 个预测值,再将这N 1 个预测值用权系数合成最终的预测值。具体算法请参见文献[1 ]。
（转载自科教范文网http://fw.nseac.com） 1.3.2 Kalman 滤波离散线性Kalman 滤波方程为
F(t) = Φ(t -1) F(t -1) W(t -1)( 5 ) 式中,Φ (t) 为系统状态转移量; W(t) 为系统误差。Kalman 滤波通过t -1 时刻的状态F(t -1)估计t 时刻的状态F(t) 。具体算法请参见文献[1 ]。
1.3.3 多项式拟合
分别对各邻站序列用幂级数多项式拟合本站数据,拟合模型如下
n
i
p
^Fp(t) = αp,i(t) F(t) ( 6 )
i=0
i6 式中, Fp (t)为对第p个邻站在时刻t 的流量的i 次i 幂;αp,i(t)为Fp (t)的系数。当n= 2 时,上述拟合算法简化为线性回归模型。
1.4 流量的融合预测设预测对象共有n个相关的时间序列fi(t) ,经过预处理分别为fi(t) ,融合预测模型可表示^F(t)在f(t)上的映射,即^F(t) =ζ(f(t)) =ζ(f1 (t) ,f2 (t) ,fn(t)) ( 7 ) 式中,ζ(·)表示映射关系。特别地,式(7)可简化为如下的线性映射组合^F(t) = αi(t)ξ(fi(t)) ( 8 ) i=16
式中,αi(t)为t 时刻的序列fi (t)的权系数;ξ(fi (t)) 为以fi (t)为依据的局部预测值。为了确定上述算法中映射关系ζ(·),本文采用神经网络进行解算。
共2页: 1 [2] 下一页 论文出处(作者):李存军 邓红霞
快速原型法在深圳地铁AFC系统中的应用
系统特征图在地铁车辆通风设计中的应用
