基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

doi:10.3969/j.issn.1674-0696.2023.03.13

重庆交通大学学报（自然科学版） ›› 2023, Vol. 42 ›› Issue (3): 90-97.DOI: 10.3969/j.issn.1674-0696.2023.03.13

• 交通基础设施工程 • 上一篇

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)

收稿日期:2021-11-08 修回日期:2021-12-30 发布日期:2023-05-11
作者简介: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@126.com 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@163.com
基金资助:
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)

Subway Short-Term Passenger Flow Forecast Based on Improved Logistic-SSA-BP Neural Network

HU 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 Resilient Infrastructures (Shenzhen University), Ministry of Education, Shenzhen 518060, Guangdong, China; 3. Underground Polis Academy of Shenzhen University, Shenzhen 518060, Guangdong, China)

Received:2021-11-08 Revised:2021-12-30 Published:2023-05-11

摘要/Abstract

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、RMSE、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14.96%和13.73%；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

Abstract: he change rules of passenger flow of subway have certain periodic and tidal characteristics. Predicting subway passenger flow can help improve the operational efficiency of urban rail systems and achieve intelligent operation of rail transit. To improve the accuracy of short-term subway passenger flow prediction results, a short-term prediction model of subway passenger flow based on Logistic-SSA optimization BP neural network was proposed. The proposed model initialized the sparrow search algorithm population through a Logistic chaotic map, and then optimized the BP neural network by using the improved sparrow algorithm to improve the global search ability and convergence efficiency of the BP neural network. Taking the inbound and outbound AFC card data of Shenzhen Metro Xixiang Station as an example, a passenger flow prediction experiment was conducted by using the constructed prediction model, and the accuracy of the model prediction before and after the improvement was evaluated through three accuracy evaluation indicators such as MAE, RMSE and MAPE. The experimental results show that MAPE of inbound and outbound are 14.96% and 13.73% respectively for the improved Logistic-SSA-BP prediction model. Compared with the traditional BP prediction model, the passenger flow prediction results of the proposed model have higher accuracy.

Key words: traffic engineering; subway; short-term passenger flow forecast; Logistic chaotic maps; sparrow search algorithm; BP neural network

中图分类号:

U491

胡明伟1,2,3，何国庆1，吴雯琳1，赵千1,2,3. 基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究[J]. 重庆交通大学学报（自然科学版）, 2023, 42(3): 90-97.

HU Mingwei1,2,3, HE Guoqing1, WU Wenlin1, ZHAO Qian1,2,3. Subway Short-Term Passenger Flow Forecast Based on Improved Logistic-SSA-BP Neural Network[J]. Journal of Chongqing Jiaotong University(Natural Science), 2023, 42(3): 90-97.

参考文献

［1］ LU Jia, REN Gang, XULinghui. Analysis of subway station distribu-tion capacity based on automatic fare collection data of Nanjing metro［J］. Journal of Transportation Engineering Part A: Systems, 2020, 146(2): 1-9.
［2］曾诚，吴佳媛，罗霞.城市轨道交通短时客流预测文献综述［J］.铁道运输与经济，2021，43(8)：105-111.
ZENG Cheng, WU Jiayuan, LUO Xia. Literature review of short-term passenger flow forecast for urban rail transit［J］. Railway Transport and Economy, 2021, 43(8):105-111.
［3］屈莉，兰时勇，张建伟.基于浮动车数据非参数回归短时交通速度预测［J］.计算机工程与设计，2013，34(9)：3298-3332.
QU Li, LAN Shiyong, ZHANG Jianwei. Short-term traffic forecasting based on nonparametric regression and floating car data［J］. Computer Engineering and Design, 2013, 34(9): 3298-3332.
［4］ WILLIAMS B M, HOEL L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process: Theoretical basis and empirical results［J］.Journal of Transportation Engineering, 2003, 129(6): 664-672.
［5］韩超，宋苏，王成红.基于ARIMA模型的短时交通流实时自适应预测［J］.系统仿真学报，2004，16(7)：1530-1532.
HAN Chao, SONG Su, WANG Chenghong. A real-time short-term traffic flow adaptive forecasting method based on ARIMA model［J］. Journal of System Simulation, 2004, 16(7): 1530-1532.
［6］熊杰，关伟，孙宇星.基于Kalman滤波的地铁换乘客流预测［J］.北京交通大学学报，2013，37(3)：112-116.
XIONG Jie, GUAN Wei, SUN Yuxing. Metro transfer passenger forecasting based on Kalman filter［J］. Journal of Beijing Jiaotong University, 2013, 37(3): 112-116.
［7］刘夏，邱钊，陈焕东，等.基于机器学习模型的民航客流预测仿真研究［J］.软件，2018，39(5)：43-49.
LIU Xia, QIU Zhao, CHEN Huandong, et al. A study on the impro-vement of forecasting of civil aviation passenger number based on machine learning model［J］. Computer Engineering & Software, 2018, 39(5): 43-49.
［8］ HAN Huiting, ZHANG Junfeng, GE Meng, et al. Research on forecast of passenger flow of high-speed railway in competitive market based on XGBoost model［C］∥2020 13th International Symposium on Computational Intelligence and Design. Hangzhou: ISCID, 2020: 110-113.
［9］张淑玉.基于贝叶斯理论的铁路短期客流预测方法研究［D］.北京：北京交通大学，2018.
ZHANG Shuyu. Research on Forecasting Method of Short-Term Passenger Flow Based on Bayesian Theory［D］. Beijing: Beijing Jiaotong University, 2018.
［10］李若怡.基于改进时空LSTM模型的城市轨道交通系统OD客流短时预测［D］.北京：北京交通大学，2019.
LI Ruoyi. Short-Term Prediction of Origin-Destination Passenger Flow for Urban Rail Transit Based on Improved Spatio-temporal LSTM Model［D］. Beijing: Beijing Jiaotong University, 2019.
［11］侯晨煜，孙晖，周艺芳，等.基于神经网络的地铁短时客流预测服务［J］.小型微型计算机系统，2019，40(1)：226-231.
HOU Chenyu, SUN Hui, ZHOU Yifang, et al. Prediction service of subway short-term passenger flow based on neural network［J］. Journal of Chinese Computer Systems, 2019, 40(1): 226-231.
［12］曹升阳，陆国浩.基于红外传感器和BP神经网络的景区客流预测研究［J］.科技创新与生产力，2019(8)：9-12.
CAO Shengyang, LU Guohao. Research on scenic spot passenger flow prediction based on infrared sensor and BP neural network［J］. Sci-tech Innovation and Productivity, 2019(8): 9-12.
［13］ PENG Yanni, XIANG Wanli. Short-term traffic volume prediction using GA-BP based on wavelet denoising and phase space reconstruction［J］. Physica A: Statistical Mechanics and its Applications, 2020，549(C): 1-14.
［14］ ZHOU Xingyu, LI Hongmei, ZHENG Weihao, et al. Short-term traffic flow prediction based on the IMM-BP-UKF model［J］. Journal of Highway and Transportation Research and Development(English Edition), 2019, 13(2): 56-64.
［15］李建森，沈齐，范馨月.城市道路短时交通流量预测［J］.数学的实践与认识，2019，49(5)：192-197.
LI Jiansen, SHEN Qi, FAN Xinyue. The prediction of short-term traffic flow in urban roads［J］. Journal of Mathematics in Practice and Theory, 2019, 49(5): 192-197.
［16］陆百川，舒芹，马广露.基于多源交通数据融合的短时交通流预测［J］.重庆交通大学学报(自然科学版)，2019，38(5)：13-19.
LU Baicuan, SU Qin, MA Guanglu. Short-term traffic flow forecasting based on multi-source traffic data fusion［J］. Journal of Chongqing Jiaotong University(Natural Science), 2019, 38(5): 13-19.
［17］焦朋朋，安玉，白紫秀，等.基于XGBoost的短时交通流预测研究［J］.重庆交通大学学报(自然科学版)，2022，41(8)：17-23.
JIAO Pengpeng, AN Yu, BAI Zixiu, et al. Short-term traffic flow forecasting based on XGBoost［J］. Journal of Chongqing Jiaotong University(Natural Science), 2022, 41(8): 17-23.

[1]	韩宝睿, 濮海建, 朱震军. 基于改进Lotka-Volterra模型的城市轨道交通与常规公交竞合关系演变研究[J]. 重庆交通大学学报（自然科学版）, 2023, 42(2): 106-112.
[2]	何烈云, 周妍, 黄少泽, 刘强. 叠加放行信号控制方式适用条件及效益评价[J]. 重庆交通大学学报（自然科学版）, 2023, 42(1): 113-119.
[3]	李振龙, 董爱华, 杨磊. 基于群决策和熵权法的换道轨迹评价研究[J]. 重庆交通大学学报（自然科学版）, 2023, 42(1): 120-127.
[4]	翁小雄, 覃镇林, 张鹏飞. 基于图卷积门控循环网络的个体地铁出行预测[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 1-6.
[5]	蓝章礼, 王超, 杨晴晴, 金豪. 基于多粒度特征分割的车辆重识别算法[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 7-15.
[6]	赵欣, 酆磊, 林皓博, 陈曦, 肖宇舟. 相邻T型路口非直线路径绿波控制方法研究[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 16-23.
[7]	张智勇, 黄鑫灿, 邵越. 礼让行人条件下右转保护型相位设置阈值研究[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 24-33.
[8]	冯天军, 杨夏玉, 夏春亭, 梁春岩, 李赫楠. 基于分隔设施的寒区城市道路行车安全间距研究[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 34-38.
[9]	潘义勇, 吴静婷, 施颖. 交叉口处老年人碰撞事故伤害严重程度分析[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 39-44.
[10]	吕贞, 戚春华, 朱守林. 草原公路不同分心状态下驾驶人动态视觉特性[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 45-52.
[11]	张玲玉, 王力, 张立立, 张骁, 孙德辉. 智能汽车的切换型人机共驾研究进展与展望[J]. 重庆交通大学学报（自然科学版）, 2022, 41(09): 130-139.
[12]	赵树恩, 刘伟. 基于改进VGG模型的低照度道路交通标志识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(10): 178-184.
[13]	李英帅1，闫琦若1，赵聪2. 基于公交车右转内轮差效应的范围研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(09): 43-48.
[14]	阎莹1，刘革1，田敏1，刘佳乐1，穆岩2. 基于Trucksim的弯坡组合路段临界车速确定方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(09): 49-54.
[15]	胡明伟1,2,3，施小龙1，翟素云4,刘鹏1. 自动驾驶混合交通流的交通和环境效益评估[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 7-14.

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

Subway Short-Term Passenger Flow Forecast Based on Improved Logistic-SSA-BP Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics