作者　張克申¹ 安俊峰¹ 孫二杰¹ 趙帥¹ 蘆瀟¹ 盧萌萌²  1.濟南軌道交通集團有限公司(山東 濟南 250000)2.山東勞動職業技術學院(山東 濟南 250000)

　　張克申(1973)，男，工程師，研究方向：自動化。

摘要：涉及一種基于滾動式地鐵人流量混合預測方法，采用的是雙預測算法，雙預測通道的模式;雙預測方法指的是預測用到了ELM神經網絡和LSSVM兩種算法混合組成。雙預測通道指的是采用兩個不同的滾動序列基數進行預測。最后根據不同方式確定權重大小，并且得到混合預測數據模型。

0 引言

　　地鐵中，客流量分析是一個很重要的領域，客流量的多少直接影響到安全，城市的經濟發展等重要因素。地鐵的客流量多少對乘客的出行有很大的警示作用。

　　AFC(自動售檢票)系統可以獲得很大的客流量信息，可以進行設置，獲得每分鐘、每小時、每天、每月、每季度、每年的數據信息，并且可以按照車站每類整理，形成龐大的數據信息，信息量的充足和龐大足夠支撐大家去進行分析和預測，并且因為數據量的充足和龐大，可以對感興趣數據進行分類整合，組成想要的數據信息進行研究。

　　收集大量的客流量數據后，以每半年或者每年為單位作為數據統計，有效地去預測未來五年或者未來十年，甚至未來二十年的數據，對于地鐵線路的規劃，市政建設的布局都有著指導性的作用。

　　并且現有的預測算法都是針對于已知的數據進行分析和預測，進而研究一種預測方法去預測未知數據是有必要的。目前存在的預測方法是用已知的數據做研究，即知道數輸入數據和輸出數據，進行研究和挖掘，但是往往未來的的輸入數據是未知的，那么帶來預測很大的不方便，但是預測有著很重要的作用。因此針對未知數據的預測是個有力的應用。

　　本文提出一種基于滾動式地鐵人流量混合預測方法，并且將數據傳遞給AFC系統，由AFC系統來完成相關的預警信號。

1 原理簡介

1.1 ELM神經網絡

　　ELM是一個神經網絡的形式，結構由輸入層、隱含層和輸出層構成，具有局部記憶模塊和局部反饋連接的前向形式的神經網絡。具有訓練速度快，誤差不大，不容易陷入到局部最優值的特點。

　　其中帶有m個隱含層節點的ELM的網絡結構式(1)所示：

　　其中pi、qi是學習參數，ni是連接第i個隱含層節點與輸出層之間的權重，表示的是當輸入是X的時候，第i個隱含層節點的輸出數值。

1.2 LSSVM介紹

　　LS-SVM和SVM有很重要的聯系和區別，下面有所比較。

　　(1)優化問題的構造

　　SVM目標函數采用了誤差因子的一次項，LS-SVM采用了誤差因子的二次項，同時約束條件的先定下，SVM采用不等式約束，LS-SVM采用等式約束形式。

　　(2)優化問題的求解

　　SVM求解QP問題中，變量維數和訓練樣本的個數是一樣的，而LS-SVM方法借助求解線性方程組達到了最終的決策函數，在某些方面上降低了求解難度，提高速度。

　　(3)解的稀疏性

　　SVM中，需要解決QP問題，目標條件是達到全局最優解，并且，大部分的Lagrange乘子均為0。在LS-SVM方法中，目標函數采取了誤差平方項，約束條件是等式，通過一定的處理方式，把SVM的QP問題轉化成線性問題，因此Lagrange乘子與誤差項成比例關系，但是LS-SVM方法通過對最終求解得到的Lagrange乘子進行排序，同樣的情形下，可以實現解的稀疏性。

2 具體實施過程

2.1 整體構架

　　本文主要涉及雙通道、雙預測模型，如圖1所示，主要包括以下步驟：

　　(1)從AFC(地鐵中的自動售票系統)獲得整理出人流量數據。

　　(2)雙通道預測的過程，具體操作如下：

　　(a)比如采樣頻率為1，組成序列為A，滾動序列 [A1,A2,A3,..An]，預測第(n+1)個數據，然后用預測的結果A(n+1)與原來的序列[A1,A2,A3,..An]組成新的序列[A1,A2,A3,..An，A(n+1)]，用新的序列預測第(n+2)個數據。以此類推，得到一個通道的預測數據，此種方式記成通道1。

　　(b)開始選擇的滾動序列基數是[A2,A3,……An]一共(n-1)個數據，預測第(n+1)個數據，然后用預測的結果A(n+1)與原來的序列[A2,A3,..An]組成新的序列[A2,A3,..An，A(n+1)]，用新的序列預測第(n+2)個數據。以此類推，得到一個通道的預測數據，此種方式記成通道2。

　　值得一提的是，上述的(a)、(b)步驟中選擇的基數不一定是[A1,A2,A3,..An]、[A2,A3,..An]等這樣的數列，也可以采用別的[A2,A3,..An]、[A3,..An]等形式。

　　(3)進行決策獲得未來預測數據的過程，具體操作如下：

　　通過上述步驟(2)的(a)、(b)兩個步驟，我們可以得到針對通道1 通道2的兩個預測數據序列。在這里，通道1的預測數據記成[A(n+1),A(n+2)……A(n+m)]，通道2的預測數據記成[Ab(n+1),Ab(n+2)……Ab(n+m)];與上述的兩個通道的序列求加權平均作為最后的預測結果，即(w1*[Ab(n+1),Ab(n+2)……Ab(n+m)]+ w2*[A(n+1),A(n+2)……A(n+m)]),其中w1和w2是ELM神經網絡和LSSVM的權重。

2.2 通道預測模型和確定

　　假設滾動序列 [A1,A2,A3,..An]預測第(n+1)個數據，用ELM得到的結果是AA(n+1)，svm預測得到的是AB(n+1)，取加權平均數作為第(n+1)個數據的預測結果，記A(n+1)=(AA(n+1)+ AB(n+1))/2)，然后用預測的結果A(n+1)與原來的序列[A1,A2,A3,..An]組成新的序列[A1,A2,A3,..An，A(n+1)]，用新的序列預測第n+2個數據;用ELM得到的結果是AA(n+2)，LSSVM預測得到的是AB(n+2)。那么取加權平均數作為第(n+2)個數據的預測結果，記A(n+2)=(AA(n+2)+ AB(n+2))/2),以此類推。

　　假設滾動序列 [A2,A3,..An]預測第(n+1)個數據，用ELM得到的結果是AA(n+1)，LSSVM預測得到的是AB(n+1)，那么取加權平均數作為第(n+1)個數據的預測結果，記A(n+1)=(AA(n+1)+ AB(n+1))/2)，然后用預測的結果A(n+1)與原來的序列[A2,A3,..An]組成新的序列[A2,A3,..An，A(n+1)]，用新的序列預測第(n+2)個數據;用ELM得到的結果是AA(n+2)，LSSVM預測得到的是AB(n+2)，取加權平均數作為第(n+2)個數據的預測結果，記A(n+2)=(AA(n+2)+ AB(n+2))/2)，以此類推。

　　通過上述兩個步驟，我們可以得到針對通道1 通道2得到的兩個預測數據序列，在這里通道1的預測數據記成[A(n+1),A(n+2)……A(n+m)];通道2的預測數據記成[Ab(n+1),Ab(n+2)……Ab(n+m)];與上述的兩個通道的序列求加權平均作為最后的預測結果，也就是(w1*[Ab(n+1),Ab(n+2)……Ab(n+m)]+ w2*[A(n+1),A(n+2)……A(n+m)])。其中，w1和w2是ELM神經網絡和LSSVM的權重，其中本文按照2.3的方法，得出的權重w1=0.49，w2=0.51。

2.3 關于權重的確立方法

　　(1)標準差法確定權重：

　　本文確定權重的步驟如下：

　　(1)選取i個數據做訓練，得到真實值和預測值，其中ELM的預測值看成E1,E2,…Ei，LSSVM的預測值看成l1,l2,…li,真實值為R1,R2,…Ri;

　　(2)按照公式(2)，確定ELM和LSSVM的權重w1,w2;

　　(3)按照公式(4)，確定ELM和LSSVM的權重w3,w4;

　　(4)計算混合模型的誤差平方和，按照公式(5)：

(5)

　　其中按照w1,w2兩種權重得的混合模型的誤差平方和是f1，按照w3,w4兩個權重得到混合模型的誤差平方和是f2。

　　(5)比較上述步驟f1、f2，如果f1f2，那么最后權重選擇w3、w4。

2.4 預測結果

　　圖3、圖4、圖5是本文經過編程預測得到的數據結果，分別是通道1、通道2及最終決策的預測結果。

3 結論

　　采用本文方案與現有技術相比，具有以下的優點和積極效果：

　　(1)有AFC系統提供相應的客流量數據信息，然后有預測方案進行雙通道預測，預測得到的信息傳遞給AFC系統，并且如果客流量達到很大的高峰時候，進而進行相關的預警信息，由AFC系統提前告知乘客，或許有相關的擁擠預報，請乘客提前選擇交通方式。

　　(2)本文采用網絡的數據流量進行數據整合和挖掘，對于現有的數據進行整理，然后用這些數據進行對于未來未知的數據進行預測，是一個相當可觀的使用方法。

　　(3)應用本文方案可以對五年、十年乃至二十年的城市地鐵的人流量進行預測，提前做好規劃，對于地鐵設計和城市布置有著很重要的預測和導向作用。

　　本文所涉及的方法不是針對現在有的數據進行試驗，而是對未來不知道的數據進行預測和分析，同樣適用于相關的金融市場，比如股票未來的走勢預測、基金的預測、未來人類的壽命預測等具有很大的參考價值和實際意義。

　　參考文獻：

[1]Zhao Z, Chen Z, Chen Y, et al. A Class Incremental Extreme Learning Machine for Activity Recognition[J]. Cognitive Computation, 2014:1-9.

　　[2]Bueno-Crespo A, Garcia-Laencina P J, Sancho-Gomez J L. Neural architecture design based on extreme learning machine [J]. Neural Networks, 2013，48:1924 Sunday H, Silver D, Gagvani N, et al. Skeleton based shape matching and retrieval[C].Shape Modeling International, 2003，IEEE, 2003:130-139

　　[3]熊南,劉百芬.基于自適應粒子群優化LSSVM的網絡流量在線預測[J].計算機應用與軟件，2013，30(9)：21-24.

　　[4]葉美盈，汪曉東，張浩然.基于在線最小二乘支持向量機回歸的混沌時間序列預測[J].物理學報，2005，54(6):2568-2573.

　　[5]張文金,許愛軍.混沌理論和LSSVM相結合的網絡流量預測[J].計算機工程與應用,2013,49(15):101-104.

　　[6]Huang G B，Siew C K. Extreme learning machine with randomly assigned RBF kernels[J]. International Journal of Information Technology,2005,11(1):16-24.

　　[7]李彬,李貽斌.基于ELM 學習算法的混沌時間序列預測[J],天津大學學報, 2011,44(8):701-704.

　　[8]李海波,鄭秀萍,柴天佑.浮選工藝指標KPCA-ELM 軟測量模型及應用[J].化工學報,2012,33(1):4-8.

　　[9]周傳世,劉永清.變權重組合預測模型的研究[J].預測,1995,(4),47-48.

　　[10]王志勇,陳昊鵬.基于組合神經網絡模型的函數逼近方法[J].計算機應用與軟件,2008(7),137-139.

　　本文來源于《電子產品世界》2018年第8期第64頁，歡迎您寫論文時引用，并注明出處。