CN105427002A - 一种基于Logistic模型的客流预测方法 - Google Patents

Abstract

本发明涉及轨道交通领域，尤其涉及一种基于Logistic模型的客流预测方法。一种基于Logistic模型的客流预测方法，应用于轨道交通的中长期客流量预测，所述客流预测方法包括：从客流数据库中提取客流数据，并将所述客流数据导入中长期客流数据库；在所述长期客流数据库中读取所述客流数据中的月均客流数据和日均客流数据；根据所述月均客流数据和/或所述日均客流数据利用Logistic模型进行客流预测建模，并进行优化，得到客流预测数据。

Description

一种基于Logistic模型的客流预测方法

技术领域

本发明涉及轨道交通领域，尤其涉及一种基于Logistic模型的客流预测方法。

背景技术

现有技术中主要采用四阶段的客流预测方法，即出行生成预测、出行分布预测、交通方式划分预测和路网分配。出行生成预测模型是预测总的出行产生量，即每一个小区的全部进出交通流量。出行分布预测模型中最典型的是重力模型和增长系数法。交通方式划分预测模型主要分集聚模型和非集聚模型两种，最早的集聚模型是分担率曲线法，非集聚模型以效用最大化理论为基础，其中有离散选择模型，根据所采用的概率分布函数不同，又分为Logit模型族和Probit模型族，其中多元Logit模型仍被广泛应用。路网分配方法包括全有全无分配方法、增量分配法、连续平均法。

四阶段法客流预测是一种集聚的客流预测方法，而集聚模型是将每个人的交通活动按照交通小区进行统计分析和处理的，所以，交通小区的划分合理与否是四阶段法客流预测合理与否的基础。运用四阶段法进行规定交通客流预测时，首先要做的工作是对研究的城市区域进行交通小区的划分，从而进行城市人口、就业、土地利用等资料的调查，在此基础上进行居民出行生成预测、出行分布预测、交通方式划分预测和交通分配。但是，交通调查是一项极其费时、费力的工作，而且结果的准确性也不好。

另外四阶段法还存在其他一些不足，例如：(1)不同目的出行的生成和分布规律变化很大，现有预测方法并没有很好的考虑这个因素的影响。(2)重力模型具有结果简单、使用范围广的特点，但是当交通小区划分紧密，区间行走时间较短时，重力模型对现有交通分布的拟合不好。(3)现有交通分配模型都是先求出公交OD，在此基础上采用某种分担率模型划分轨道交通OD进行分配，但是没有考虑到预测年现有其他交通方式可能向轨道交通转移等。从另一个方面来说，四阶段法在预测轨道交通客流量的应用上，没有考虑到轨道交通的一些固有特点，如行车配置、运营计划制定、票价政策等等，这些对于客流都有较大的影响。同时，四阶段法作为一次性的预测手段，在预测方面并不能做到高精度及长期跟踪修正。而且由于四阶段法在掌握事实阶段需要投入大量的测算成本，因此也不符合反复跟踪测算的需求。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于Logistic模型的客流预测方法，利用已有的客流数据，通过合理的手段进行优化预测，提高预测的精度。

本发明采用如下技术方案：

一种基于Logistic模型的客流预测方法，应用于轨道交通的中长期客流量预测，所述客流预测方法包括：

从客流数据库中提取客流数据，并将所述客流数据导入中长期客流数据库；

在所述中长期客流数据库中读取所述客流数据中的月均客流数据和日均客流数据；

根据所述月均客流数据和/或所述日均客流数据利用Logistic模型进行客流预测建模，并进行优化，得到客流预测数据。

优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行基础月客流预测建模。

优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行季节性客流预测建模。

优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行路网结构客流预测建模。

优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行春运客流预测建模，得到月客流预测数据。

优选的，所述方法中，根据所述月均客流数据和所述日均客流数据生成日期因素表。

优选的，所述方法中，所述日期因素表包括平常日客流数据和特殊日客流数据。

优选的，所述方法中，根据所述平常日客流数据和所述月均客流数据进行平常日客流预测建模，得到平常日客流预测数据。

优选的，所述方法中，根据所述特殊日客流数据和所述月均客流数据进行特殊日客流预测建模，得到特殊日客流预测数据。

优选的，所述方法中，所述客流预测建模的公式为：

$\frac{aN}{dt}=rN(1-{\left(\frac{N}{K}\right)}^{\mathrm{\θ}});$

其中，N为预测的客流量，r为乘客的内禀增长率，K为轨道交通的资源丰富程度；θ为密度制约参数。

本发明的有益效果是：

本发明无需进行费时费力的交通调查工作，立足于轨道交通AFC***的历史客流数据，分析其客流发展规律，基于Logistic提出符合客流发展规律的预测模型，本发明可以反复跟踪测算预测数据，不断自动修正模型，从而达到更好的预测精度。

附图说明

图1为本发明的预测建模与Logistic模型之间的关联图；

图2为本发明预测***的结构示意图；

图3为本发明基于Logistic模型的客流预测方法的流程图。

具体实施方式

需要说明的是，在不冲突的情况下，下述技术方案，技术特征之间可以相互组合。

下面结合附图对本发明的具体实施方式作进一步的说明：

实施例一

本实施例提供了一种基于Logistic模型的客流预测建模的公式，本实施例可以应用于轨道交通领域，本实施例中的经典Logistic模型描述了种群增长数量与环境资源之间的关系，如图1所示，经典Logistic种族的种族增长曲线模型中的参数与本实施例的Logistic客流增长曲线模型可以有如下的对应关系，例如，经典Logistic中种群数量可以对应本实施例的乘客人数、种族的生长环境可以对应本实施例的轨道交通线路、资源量可以对应本实施例中的轨道交通运能。

下面将普通的Logistic模型结合轨道交通这一环境表示的增长率规律的基本方程形式为列出如下：

$\frac{dN}{dt}=rN(1-\frac{N}{K});$

其中，常数r(r>0)称为乘客人数的內禀增长率，表示每个乘客在没有受到抑制作用时的最大增长率，即此乘客平均出生率与平均死亡率之差，反映的是乘客人数的内在特性。K(K>0)反映了轨道交通资源的丰富程度。N为预测的客流人数，当N＝K时，乘客人数不再增长，所以K表征了轨道交通网络内能够容纳乘客人数的最大数量。乘客人数的积分形式即为：

上述建立的模型的增长率可以呈现如下规律：首先在开始期乘客总数会很少，密度增长缓慢。之后会到来一个加速期，这时乘客的数量逐渐增加，密度增长逐渐加快。之后进入转折期，乘客总数达到饱和密度的一半，即为K/2，此时密度增长最快，之后逐步进入减速期，乘客的数量超过K/2以后，密度增长逐渐变慢。最后是饱和期，乘客的数量达到K值而饱和。

实施例二

本实施例作为实施例一的一个优选的实施例，对实施例一种的建模公式进行了改进，本实施例提出了一种特定参数取得的自适应种群增长的Logistic模型公式：

其中，N、K、r的含义与上述实施例相同，θ为密度制约参数，它是一个能兼容各种密度制约机制，含有更一般的非线性制约的函数，且存在显式解的种群增长模型。因此它是一个描述乘客人数增长较好的数学表达式。当θ小于1、等于1、大于1时,可分别模拟出下凹增长、Logistic增长、上凸增长；当θ趋于无穷大时，模型趋于指数增长；当θ趋于0时，乘客人数趋于维持增长初值不变，上述模型公式的积分形式为：

实施例三

本实施例基于对轨道交通的客流数据进行分析，得知客流的长期趋势波动可认为被上述的Logistic种群增长模型所模拟，客流明显受到天气、节假日、暑假、寒假、春节等等季节性因素的影响，而且还受到轨道交通路网结构变化，如新增车站、新增线路、运营计划改变等的重要影响。因此，需要针对上述Logistic预测模型进一步优化，考虑季节性变动模型和路网结构等变化的影响。

季节性变动，是指客观事物由于自然条件、生产条件和生活***均法计算的周期内各时期季节性影响的相对数。季节性指数的计算分为三步：(1)计算周期内各期平均数，得到长期以来该时期的平均水平。(2)计算总平均数。(3)用单期平均数除以总平均数就可以得到各时期的季节性指数。

路网结构的变化会导致进行清分计算时各相关线路的清分比例、子路段等的改变，会使得线路的相关客流统计值产生相应的改变，从而对于客流的未来预测结果也会造成相应的影响。路网结构变化系数的求解采用对历史客流数据在新路网结构下进行模拟清分，据此计算相应系数。简单来说，路网结构导致的历史客流的变化幅度与预测客流变化的幅度是成正比的。

另外，基于公历时间的季节性指数并不能完全准确的估算或体现出春节对客流量的影响，春节期间的客流影响系数可参考历史数据中的春运天数对客流量的影响，得到二者的比例关系，从而对预测客流进行相关的计算和调整。

实施例四

如图2所示，本实施例主要提供一种客流量预测的方式及***，本实施例的***主要包括表现层、业务层、数据本三个层面，数据层的数据库子***和文件操作子***主要预存储有历史客流数据，历史客流数据包括历史月均客流数据和历史日均客流数据，业务层主要包括数据预处理子***、方案管理子***、客流预测建模子***、配置关系子***，旨在根据历史月均客流数据和/或历史日均客流数据利用Logistic模型进行客流预测建模，最后在表现层套用该模型得到客流预测数据。

本实施例还提供了一种基于Logistic模型的客流预测方法。如图3所示，本实施例的方法可以包括如下步骤：(1)从历史客流数据库提取历史客流数据。(2)将历史客流数据导入中长期客流数据库。(3)在长期客流数据库读取历史客流数据的历史月日均客流数据。(4)依据历史月日均客流，进行基础月日均客流数据预测建模，得到基础月日均客流预测结果，即Logistic模型预测结果。(5)进行季节性客流预测建模。(6)进行路网结构变化的客流预测建模。(7)进行春运客流的预测建模，生成预测月客流数据。(8)设计生成日期因素表。(9)读取历史平常日客流数据。(10)进行平常日客流预测建模，生成预测平常日客流数据。(11)读取历史特殊日客流数据。(12)进行特殊日客流预测建模，生成预测特殊日客流数据。

需要说明的是，本实施例中所有的关于“中长期”的表述可以理解为一天以上的时间，例如，未来一天及更长时间(可达20年以上)内的时间。

综上所述，本发明无需进行费时费力的交通调查工作，立足于轨道交通AFC***的历史客流数据，分析其客流发展规律，基于Logistic提出符合客流发展规律的预测模型，本发明可以反复跟踪测算预测数据，不断的自动修正模型，从而达到更好的预测精度。

通过说明和附图，给出了具体实施方式的特定结构的典型实施例，基于本发明精神，还可作其他的转换。尽管上述发明提出了现有的较佳实施例，然而，这些内容并不作为局限。

对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。

Claims (10)

1.一种基于Logistic模型的客流预测方法，其特征在于，应用于轨道交通的中长期客流量预测，所述客流预测方法包括：

从客流数据库中提取客流数据，并将所述客流数据导入中长期客流数据库；

在所述中长期客流数据库中读取所述客流数据中的月均客流数据和日均客流数据；

根据所述月均客流数据和/或所述日均客流数据利用Logistic模型进行客流预测建模，并进行优化，得到客流预测数据。

2.根据权利要求1所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行基础月客流预测建模。

3.根据权利要求2所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行季节性客流预测建模。

4.根据权利要求3所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行路网结构客流预测建模。

5.根据权利要求4所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行春运客流预测建模，得到月客流预测数据。

6.根据权利要求1所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，根据所述月均客流数据和所述日均客流数据生成日期因素表。

7.根据权利要求6所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，所述日期因素表包括平常日客流数据和特殊日客流数据。

8.根据权利要求7所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，根据所述平常日客流数据和所述月均客流数据进行平常日客流预测建模，得到平常日客流预测数据。

9.根据权利要求7所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，根据所述特殊日客流数据和所述月均客流数据进行特殊日客流预测建模，得到特殊日客流预测数据。

10.根据权利要求1所述的基于Logistic模型的客流预测方法，其特征在于，所述方法中，所述客流预测建模的公式为：

$\frac{dN}{dt}=rN(1-{\left(\frac{N}{K}\right)}^{\mathrm{\θ}});$

其中，N为预测的客流量，r为乘客的内禀增长率，K为轨道交通的资源丰富程度；θ为密度制约参数。