基于GRA和LSSVM的对外客流预测
刘青云
摘要:交通流量预测是交通规划的重要组成部分,传统交通需求预测较少考虑需求的随机性和波动性。为了客观预测未来几年的客流量,本文以拉萨市对外客流量为对象,提出了一种基于灰色关联度和支持向量机相结合的流量预测模型。引入关联因素分析法,综合考虑经济、产业等对客流的影响,并将交通区位和旅游区位定量化纳入到影响因素之中,最后结合实际案例对拉萨市客流进行预测,说明该模型的实用性。
关键词:交通工程;交通流预测;灰色关联法;支持向量机
0 引言
交通需求预测是交通规划管理部门建设基础设施的重要决策依据。在早期研究过程中,以时间序列为基础的指数平滑法、灰色预测模型等传统经典的预测方法,及以因素关联分析为基础的弹性系数法、回归分析法等一直是预测领域中重要的研究方向[1]。客流预测是多种因素相互影响相互作用的产物,现较少考虑城区位对城市的影响,也较少涉及随机性、不规律性客流的研究[2]。因此本文将区位因素纳入灰色关联度(GRA)分析中,并采用ISSVM模型对拉萨市对外交通需求进行预测。
1 关联因素分析
旅客交通运输需求是在一定社会发展条件下衍生出的客流量。客流量除了受其本身歷史发展因素的影响,还与城市内其他的发展因素相联系,主要分为以下几类:
(1)国内生产总值(E),国内生产总值是衡量一个地区经济状况最常见的指标,一个城市经济发展越成熟,其客运需求量也越高。
(2)产业发展(C),城市产业的发展会促进入流活动的增加。将第一产业(C1)、第二产业(C2)、第三产业生产总值(C3)都纳入影响因素中。
(3)城市区位因素(L),城市区位包含政治、文化、交通、旅游区位,其中一个城市的交通区位和旅游区位对客流的影响较大,因此将交通、旅游区位纳入到影响因素中,由于这两因素都为定性因素,因而需要将其定量化。
1)交通区位,城市分级中采用城市居民收入、商业指标等进行衡量,与交通区位影响因素相似,因此以城市等级作为划分交通区位的依据,并通过同类城市类比分析后定量确定交通区位度。我国共划分为五个等级的城市,设一线城市交通区位为[0.8,1],二线交通区位为[0.6,0.8],三线交通区位为[0.4,0.6],四线交通区位为[0.2,0.4],五线交通区位为[0,0.2]。
2)旅游区位,城市旅游业的发展能够吸引大量的人口,而一个城市的旅游区位需要根据城市内的旅游设施、旅游经济综合评估,而这些数据较难获取。因此以旅游收入和旅游人数确定城市的旅游区位,即:
2 灰色关联度与LSSVM预测模型
2.1.1 灰色关联度分析
关联度分析是确定关联元素与目标元素间关系的强弱,若样本数据反映出两因素变化的态势(方向、大小和速度等)基本一致,则他们间的关联度较大;反之,它们间的关联度较小。具体算法步骤如下:
(1)选择参考序列
采用GRA法,首先需确定评价单元序列和参考序列。设评价单元序列由二个样品和n个评价指标组成,即{xik}(i=1,2,3,…,m;k=1,2,3,...,n )。参考序列即是反映系统行为特征的参考数列,即{x0k}(k=1,2,3,…m)。
(2)原始数据无量纲化
由于原始数据包括多个关联因素体系,测度的单位不同,不利于各个评价单元间的比较。因此在进行灰色关联度分析时,为便于进行无量纲化和归一化,因而采用均值法进行无量纲化处理。
2.1.2 基于支持向量机的预测模型
根据历史数据构造对外客运交通流与各个因素间的关系模型,利用支持向量机进行仿真训练;用测试样本进行测试,分析测试结果与真实结果间的关系。再输入未来年相关因素变量值,用已拟定好的仿真模型进行测试,实现对外客运交通需求预测。LSSVM模型中核函数的选择会影响到模型的性能,因此在LSSVM建模过程中选择合适的核函数显得尤为重要。本文选用RBF核函数提高收敛性[4]。
3 基于LSSVM模型的对外客流预测
近年来随着对西部地区的投入开发,拉萨市未来交通基础设施正在不断的建设,如何科学合理地预测对外客流,对促进拉萨市经济、交通的快速发展起到重要的作用。
(1)输入变量的选择
选取的数据输入量要能反映对外客运交通的发展趋势,因此根据上式选择出关联度较大的影响因素,并采取归一化处理,使输入量在[0,1]之间。根据灰色关联度分析,得到关联度从高到底排序为人均GDP(0.91)、第二产业总值(0.91)、第三产业总值(0.88)、交通区位(0.74)作为输入变量。
(2)学习训练样本建立
为了获取准确可靠的样本输出值,根据收集到拉萨市2005~2016年的数据,采用C++编程实现算法,从中提取前面8组数据作为训练样本,后面4组作为测试样本。在本文中系数C=10,ε=0.45。
(3)客流预测
将未来年的输入变量带入模型中预测得到未来几年的结果如图1所示。
4 结论
支持向量机回归已成为相关领域比较热门的研究对象,其在非线性数据处理方面的能力较强。本文从输入变量人手,将对外客运量相关的因素全面考虑,采取灰色相关度分析出相关度较高的因素作为输入变量,提升交通需求预测的精度。
参考文献:
[1]王生昌,白韶波,张慧.公路客运量预刚方法的比较[J].长安大学学报(自然科学版),2005, (05):83-85+98.
[2]缪荟,缪翼军,陈红坤,胡畔.基于模糊层次分析法与支持向量机的变压器风险评估[J].现代电力,2014,31(06):64-69.
[3]沈瑞光.城市综合交通枢纽客运需求预测方法与模型研究[D].哈尔滨工业大学,2013.
[4]肖健华,林健,刘晋.区域经济中长期预测的支持向量回归方法[J].系统工程理论与实践,2006, (04):97-103.