基于EMD的SVR方法在铁路客流预测中的应用

孟歌; 王洪业; 李丽辉; 韩慧婷

基于EMD的SVR方法在铁路客流预测中的应用

中国铁道科学研究院集团有限公司电子计算技术研究所, 北京 100081

基金项目:

国家重点研发计划先进轨道交通专项（2018YFB1201404）；中国铁路总公司科技研究开发课题（2018F012）；中国铁道科学研究院青年课题项目（2017YJ102）。

详细信息

作者简介:
孟歌,助理研究员;王洪业,研究员。

中图分类号: U293;TP39
计量
- 文章访问数: 107
- HTML全文浏览量: 0
- PDF下载量: 16
出版历程
- 收稿日期: 2019-08-26
- 刊出日期: 2020-08-03

SVR method based on EMD applied to railway passenger flow prediction

Institute of Computing Technologies, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China

摘要

摘要: 客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。
- EMD /
- SVR /
- 客流 /
- 预测 /
- 非线性 /
- 自适应
Abstract: Passenger flow forecast is an important basis for railway passenger transport operation and management. The railway passenger flow has the characteristics of non-linear and non-stationary, and the traditional prediction model is difficult to get satisfactory results, so this paper used Empirical Mode Decomposition (EMD) method to decompose the passenger flow adaptively, used Support Vector Regression (SVR) to predict the Inherent Mode function(IMF), and established the SVR passenger flow prediction model based on EMD.The paper used Matlab to simulate SVR prediction, BP neural network prediction and SVR prediction model based on EMD. The average relative errors of the three prediction models were 22%, 25% and 13%, respectively.The simulation results show that the prediction accuracy of SVR method based on EMD is significantly higher than the other two methods, which can effectively improve the accuracy of railway passenger flow prediction.
- Empirical Mode Decomposition (EMD) /
- Support Vector Regression (SVR) /
- railway passenger flow /
- forecast /
- non-liner /
- adaptive

HTML全文

参考文献(15)

[1]	Simroth A, Zahle FL.Travel Time Prediction Using Floating Car Data Applied to Logistics Planning[J]. IEEE Transaction on Intelligent Transportation Systems, 2011, 12(1):243-253.
[2]	蔡昌俊,姚恩建,王梅英,等. 基于乘积ARIMA模型的城市轨道交通进出站客流量预测[J]. 北京交通大学学报, 2014, 38(2):135-140.
[3]	黄召杰,冯硕. 灰色预测模型在铁路客流预测中的应用[J]. 交通科技与经济, 2014, 16(1):57-60.
[4]	曹鸿飞,张铭,李平. 灰色动态模型群在城市轨道交通客流预测中的应用研究[J]. 铁路计算机应用, 2012, 21(3):1-3.
[5]	赵珏昱,李志恒,刘清祥,等. 基于ARMA_SVR串联模型的公交客流预测模型研究[C]//中国智能交通协会. 第十三届中国智能交通年会论文集. 北京:电子工业出版社, 2018:469-477.
[6]	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.
[7]	王茁,张文博,王义智. 城市轨道交通客流预测的BP神经网络分析与实现[J]. 交通与运输, 2018, 34(5):53-55.
[8]	孟歌,伍忠东, Muhammad Waqas Ahmad. FSVR在铁路趟车客运量预测中的应用[J]. 济南大学学报(自然科学版), 2015, 29(5):383-388.
[9]	Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis[J]. Proceedings of the Royal Society of London. Series A:Mathematical, Physical and Engineering Sciences, 1998, 454(1971):903-995.
[10]	邓乃扬,田英杰. 数据挖掘中的新方法——支持向量机[M]. 北京:科学出版社, 2004:1-408.
[11]	田中大,高宪文,李琨. 基于EMD与LS-SVM的网络控制系统时延预测方法[J]. 电子学报, 2014, 42(5):868-874.
[12]	程启明,陈路,程尹曼,等. 基于EEMD和LS-SVM模型的风电功率短期预测方法[J]. 电力自动化设备, 2018, 38(5):27-35.
[13]	Amirat Y, Benbouzid M, Wang T, et al. Performance analysis of an EEMD-based Hilbert Huang transform as a bearing failure detector in wind turbines[C]//2014 International Conference on Green Energy, IEEE, 2014:193-198.
[14]	Mert A, Akan A. Hilbert-Huang Transform based hierarchical clustering for EEG denoising[C]//European Signal Processing conference, IEEE, 2014.
[15]	邱云飞,李智义. 改进人工鱼群算法在SVM参数优化中的应用[J]. 计算机工程与科学, 2018, 40(11):2074-2079.

施引文献(8)

期刊类型引用(4)

1.	宋文超，杨帆，邢泽华，张钰杰. 时间二维变化建模的网络流量多步预测方法. 西安电子科技大学学报. 2025(01): 22-36 . 百度学术
2.	王浩然，戴鹏，刘俊博，时菁，宋浩然，顾子晨. 高速铁路线路环境异物入侵视频检测系统研制. 计算机测量与控制. 2024(10): 86-91 . 百度学术
3.	蔡政达，陈跃，邱启源. 基于深度学习的铁路异物检测综述. 科技资讯. 2024(19): 24-26 . 百度学术
4.	张慧飞，姜汇川，刘宁，李洪. 基于YOLOv5s模型的地铁列车车顶关键部件检测算法研究. 铁路计算机应用. 2024(12): 1-7 . 本站查看