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.