基于改进Logistic-...网络的地铁短时客流预测研究_胡明伟.pdf

第 42 卷第 3 期重 庆 交 通 大 学 学 报(自 然 科 学 版)Vol 42No32023 年 3 月JOUNAL OF CHONGQING JIAOTONG UNIVESITY(NATUAL SCIENCE)Mar 2023DOI:103969/jissn1674-069620230313基于改进 Logistic-SSA-BP 神经网络的地铁短时客流预测研究胡明伟1，2，3，何国庆1，吴雯琳1，赵千1，2，3(1 深圳大学 土木与交通工程学院，广东 深圳 518060;2 滨海城市韧性基础设施教育部重点实验室(深圳大学)，广东 深圳 518060;3 深圳大学 未来地下城市研究院，广东 深圳 518060)摘要:地铁客流的变化规律存在着一定周期性和潮汐性，针对地铁客流的预测有助于提高城市轨道系统的运营效率，实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度，提出了一种基于 Logistic 混沌映射麻雀算法(Logistic-SSA)优化 BP 神经网络的地铁客流短时预测模型。该模型通过 Logistic 混沌映射初始化麻雀算法种群，再利用改进后的麻雀算法优化 BP 神经网络，达到提高 BP 神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站 AFC 刷卡数据为例，利用构建的预测模型开展客流预测实验，并通过 3 种准确性评价指标(MAE、MSE、MAPE)，评价改进前后模型预测的准确性。研究结果表明:改进的 Logistic-SSA-BP 预测模型平均绝对百分误差分别为 1496%和 1373%;与传统 BP 预测模型相比，其客流预测结果具有更高的准确性。关键词:交通工程;地铁;短时客流预测;Logistic 混沌映射;麻雀算法;BP 神经网络中图分类号:U491文献标志码:A文章编号:1674-0696(2023)03-090-08Subway Short-Term Passenger Flow Forecast Based onImproved Logistic-SSA-BP Neural NetworkHU Mingwei1，2，3，HE Guoqing1，WU Wenlin1，ZHAO Qian1，2，3(1 College of Civil and Transportation Engineering，Shenzhen University，Shenzhen 518060，Guangdong，China;2 Key Laboratory of Coastal Urban esilient Infrastructures(Shenzhen University)，Ministry of Education，Shenzhen518060，Guangdong，China;3 Underground Polis Academy of Shenzhen University，Shenzhen 518060，Guangdong，China)Abstract:The change rules of passenger flow of subway have certain periodic and tidal characteristics Predicting subwaypassenger flow can help improve the operational efficiency of urban rail systems and achieve intelligent operation of railtransit To improve the accuracy of short-term subway passenger flow prediction results，a short-term prediction model ofsubway passenger flow based on Logistic-SSA optimization BP neural network was proposed The proposed model initializedthe sparrow search algorithm population through a Logistic chaotic map，and then optimized the BP neural network by usingthe improved sparrow algorithm to improve the global search ability and convergence efficiency of the BP neural networkTaking the inbound and outbound AFC card data of Shenzhen Metro Xixiang Station as an example，a passenger flowprediction experiment was conducted by using the constructed prediction model，and the accuracy of the model predictionbefore and after the improvement was evaluated through three accuracy evaluation indicators such as MAE，MSE andMAPE The experimental results show that MAPE of inbound and outbound are 1496%and 1373%respectively for theimproved Logistic-SSA-BP prediction model Compared with the traditional BP prediction model，the passenger flowprediction results of the proposed model have higher accuracyKey words:traffic engineering;subway;short-term passenger flow forecast;Logistic chaotic maps;sparrow searchalgorithm;BP neural network收稿日期:2021-11-08;修订日期:2021-12-30基金项目:国家自然科学基金项目(52090084;L1924061);中国工程科技发展战略广东研究院 2020 年咨询研究项目(2020-GD-04-1-1)第一作者:胡明伟(1972)，男，湖南衡阳人，教授，博士生导师，主要从事智能交通方面的研究。E-mail:humw2005 126com通信作者:何国庆(1993)，男，重庆人，硕士研究生，主要从事智能交通方面的研究。E-mail:heguoqingcq 163com0引言城市地铁以其经济、便利、高效的运营优势，逐渐成为大众出行的首要选择，现在城市地铁的客流也与日俱增1。据相关统计，截至 2021 年 6 月全国41 个城市地铁总客运量达 1961 亿人次，日平均6 57776万人次，比 2019 年 6 月上涨 094%。面对日益庞大的地铁客流，通过历史客流数据精准预测未来的短时客流量，是地铁运营公司制定日常行车计划和突发事件紧急疏散预案的重要依据。因此，如何对城市地铁短时客流量进行高效、准确预测是地铁运营管理者所关注的问题。近些年来，地铁客流短时预测领域的研究已受到国内外学者高度关注，常见的客流预测方法可分为统计学的客流预测方法和机器学习的客流预测方法。统计学的客流预测方法包括平均模型、时间序列模型、指数平滑模型、卡尔曼滤波模型和非参数回归模型等2-3。BMWILLIAMS 等4 提出了基于季节性移动平均(SAIMA)的客流预测模型;韩超等5 通过改进 AIMA，减少遗忘因子，以达到提升模型预测精度的目的;熊杰等6 通过构建卡尔曼滤波模型，实时采集最新数据，以此得到早晚高峰期客流量的精准预测。机器学习的客流预测方法主要包括支持向量机、贝叶斯及神经网络等7。HAN Huiting 等8 提出了基于 XGBoost 的高速铁路客流预测模型，通过对高铁订票信息作为重要的客流特征进行模型训练，得到的预测值比传统模型预测值精度更高;张淑玉等9 从历史客流数据和预售期已售票额出发，提出了基于发车时间、行车时间、休息日等客流特征的贝叶斯预测模型，在客流预测中取得较好效果;李若怡等10 将时空特征作为输入层，采用改进的 LSTM模型对运营客流 OD 数据进行预测。BP 神经网络作为最典型的深度学习方法，被众多学者用于客流预测11-12。但传统 BP 神经网络常伴着准确度低、收敛时间长、结果易陷入局部最优等情况13-17。因此，学者们常通过其他算法对 BP 神经网络模型加以改进，从而提高预测结果的准确性和收敛速度。惠阳等18 通过改进的粒子群算法，优化了 BP 神经网络，使地铁客流预测的准确性有极大提升;傅晨琳等19 提出了基于集合经验模态分解法优化 BP 神经网络，构建了地铁客流短时预测模型，探究了日间客流波动的影响因素;张艺铭等20 通过将余弦思想和动态权重改进的灰狼算法，与 BP神经网络结合，达到提高轨道交通短时客流预测的目的;王国梁等21 提出通过麻雀算法优化 BP 神经网络，建立了小米米粉糊化预测模型，由实验对比发现，优化后的 BP 神经网络能提高在小米米粉糊化特征指标回归、预测上的优势。麻雀搜索算法(sparrow search algorithm，SSA)22-25 是近年来提出的一种新型启发式算法，它来源于麻雀的捕食和反捕食行为，具有寻优能力强、收敛速度快、全局性良好等特点;在故障检验、关键参数辨识、路径优化等方面有着较好的效果，但在地铁客流预测上的研究较少。鉴于此，笔者提出了一种新的 BP神经网络回归预测模型(Logistic-SSA-BP)。该模型利用 Logistic 混沌映射后的麻雀搜索算法(Logistic-SSA)寻优能力强、收敛速度快的特点，对传统的 BP神经网络进行改进，提升了其在地铁客流预测中的收敛速度和预测精度，并通过深圳地铁历史客流数据进行了实例验证。1SSA 与 BP 神经网络原理11SSA 原理SSA 算法是根据麻雀捕食与躲避捕食行为提出的新型启发式优化算法。相较于其他传统算法，该算法在精度、收敛速度和稳定性上都具有一定优势26。SSA 算法建模过程如图 1。图 1麻雀算法(SSA)流程Fig 1Flowchart of sparrow search algorithm19第 2 期胡明伟，等:基于改进 Logistic-SSA-BP 神经网络的地铁短时客流预测研究其具体步骤如下:步骤步骤 1 1:确定初始化种群;步骤步骤 2 2:确定种群迭代次数，以及初始探索者和融入者比例;步骤步骤 3 3:计算族群适应度值;步骤步骤 4 4:通过式(1)迭代探索者位置;步骤步骤 5 5:通过式(2)迭代融入者位置;步骤步骤 6 6:通过式(3)迭代预警者位置;步骤步骤 7 7:计算适应度值和麻雀位置;步骤步骤 8 8:判断是否符合终止条件，若符合则退出计算，并输出最终结果，否则，回到步骤步骤 2 2 重新开始计算。麻雀群作为一个智能群体，在捕食过程中具有明显的分工行为，分别为探索者、融入者和预警者。其中:探索者作为主要的食物搜索个体，往往最快找到食物，融入者是一部分跟随探索者的个体，预警者是麻雀群中负责预警的个体，当危险来临时，会提醒放弃捕食行为。通常由于探索者负责发现食物，所以具有最大的搜索区域27，在模型中表现为较高的适应度值。探索者和融入者身份是随时动态变化的，当预警值大于安全阀值时，探索者会将融入者带到其它安全地区进行捕食。S