作者 张克申1 安俊峰1 孙二杰1 赵帅1 芦潇1 卢萌萌2 1.济南轨道交通集团有限公司(山东 济南 250000)2.山东劳作工作技能学院(山东 济南 250000)
张克申(1973)，男，工程师，研讨方向：主动化。
摘要：触及一种依据翻滚式地铁人流量混合猜测办法，选用的是双猜测算法，双猜测通道的办法;双猜测办法指的是猜测用到了ELM神经网络和LSSVM两种算法混合组成。双猜测通道指的是选用两个不同的翻滚序列基数进行猜测。终究依据不同办法确认权重巨细，而且得到混合猜测数据模型。
0 导言
地铁中，客流量剖析是一个很重要的范畴，客流量的多少直接影响到安全，城市的经济发展等重要因素。地铁的客流量多少对乘客的出行有很大的警示效果。
AFC(主动售检票)体系能够取得很大的客流量信息，能够进行设置，取得每分钟、每小时、每天、每月、每季度、每年的数据信息，而且能够依照车站每类收拾，构成巨大的数据信息，信息量的满足和巨大满足支撑咱们去进行剖析和猜测，而且由于数据量的满足和巨大，能够对感兴趣数据进行分类整合，组成想要的数据信息进行研讨。
搜集很多的客流量数据后，以每半年或许每年为单位作为数据核算，有效地去猜测未来五年或许未来十年，甚至未来二十年的数据，关于地铁线路的规划，市政建设的布局都有着指导性的效果。
而且现有的猜测算法都是针关于已知的数据进行剖析和猜测，从而研讨一种猜测办法去猜测不知道数据是有必要的。现在存在的猜测办法是用已知的数据做研讨，即知道数输入数据和输出数据，进行研讨和发掘，可是往往未来的的输入数据是不知道的，那么带来猜测很大的不方便，可是猜测有着很重要的效果。因而针对不知道数据的猜测是个有力的使用。
本文提出一种依据翻滚式地铁人流量混合猜测办法，而且将数据传递给AFC体系，由AFC体系来完结相关的预警信号。
1 原理简介
1.1 ELM神经网络
ELM是一个神经网络的办法，结构由输入层、隐含层和输出层构成，具有部分回忆模块和部分反应衔接的前向办法的神经网络。具有练习速度快，差错不大，不容易堕入到部分最优值的特色。
其间带有m个隐含层节点的ELM的网络结构式(1)所示：
其间pi、qi是学习参数，ni是衔接第i个隐含层节点与输出层之间的权重，表明的是当输入是X的时分，第i个隐含层节点的输出数值。
1.2 LSSVM介绍
LS-SVM和SVM有很重要的联络和差异，下面有所比较。
(1)优化问题的结构
SVM方针函数选用了差错因子的一次项，LS-SVM选用了差错因子的二次项，一起束缚条件的先定下，SVM选用不等式束缚，LS-SVM选用等式束缚办法。
(2)优化问题的求解
SVM求解QP问题中，变量维数和练习样本的个数是相同的，而LS-SVM办法凭借求解线性方程组到达了终究的决议计划函数，在某些方面上降低了求解难度，进步速度。
(3)解的稀少性
SVM中，需求处理QP问题，方针条件是到达大局最优解，而且，大部分的Lagrange乘子均为0。在LS-SVM办法中，方针函数采取了差错平方项，束缚条件是等式，通过必定的处理办法，把SVM的QP问题转化成线性问题，因而Lagrange乘子与差错项成比例关系，可是LS-SVM办法通过对终究求解得到的Lagrange乘子进行排序，相同的景象下，能够完成解的稀少性。
2 详细施行进程
2.1 全体构架
本文首要触及双通道、双猜测模型，如图1所示，首要包含以下进程：
(1)从AFC(地铁中的主动售票体系)取得收拾出人流量数据。
(2)双通道猜测的进程，详细操作如下：
(a)比方采样频率为1，组成序列为A，翻滚序列 [A1,A2,A3,..An]，猜测第(n+1)个数据，然后用猜测的成果A(n+1)与本来的序列[A1,A2,A3,..An]组成新的序列[A1,A2,A3,..An，A(n+1)]，用新的序列猜测第(n+2)个数据。以此类推，得到一个通道的猜测数据，此种办法记成通道1。
(b)开端挑选的翻滚序列基数是[A2,A3,……An]总共(n-1)个数据，猜测第(n+1)个数据，然后用猜测的成果A(n+1)与本来的序列[A2,A3,..An]组成新的序列[A2,A3,..An，A(n+1)]，用新的序列猜测第(n+2)个数据。以此类推，得到一个通道的猜测数据，此种办法记成通道2。
值得一提的是，上述的(a)、(b)进程中挑选的基数不必定是[A1,A2,A3,..An]、[A2,A3,..An]等这样的数列，也能够选用其他[A2,A3,..An]、[A3,..An]等办法。
(3)进行决议计划取得未来猜测数据的进程，详细操作如下：
通过上述进程(2)的(a)、(b)两个进程，咱们能够得到针对通道1 通道2的两个猜测数据序列。在这里，通道1的猜测数据记成[A(n+1),A(n+2)……A(n+m)]，通道2的猜测数据记成[Ab(n+1),Ab(n+2)……Ab(n+m)];与上述的两个通道的序列求加权均匀作为终究的猜测成果，即(w1*[Ab(n+1),Ab(n+2)……Ab(n+m)]+ w2*[A(n+1),A(n+2)……A(n+m)]),其间w1和w2是ELM神经网络和LSSVM的权重。
2.2 通道猜测模型和确认
假定翻滚序列 [A1,A2,A3,..An]猜测第(n+1)个数据，用ELM得到的成果是AA(n+1)，svm猜测得到的是AB(n+1)，取加权均匀数作为第(n+1)个数据的猜测成果，记A(n+1)=(AA(n+1)+ AB(n+1))/2)，然后用猜测的成果A(n+1)与本来的序列[A1,A2,A3,..An]组成新的序列[A1,A2,A3,..An，A(n+1)]，用新的序列猜测第n+2个数据;用ELM得到的成果是AA(n+2)，LSSVM猜测得到的是AB(n+2)。那么取加权均匀数作为第(n+2)个数据的猜测成果，记A(n+2)=(AA(n+2)+ AB(n+2))/2),以此类推。
假定翻滚序列 [A2,A3,..An]猜测第(n+1)个数据，用ELM得到的成果是AA(n+1)，LSSVM猜测得到的是AB(n+1)，那么取加权均匀数作为第(n+1)个数据的猜测成果，记A(n+1)=(AA(n+1)+ AB(n+1))/2)，然后用猜测的成果A(n+1)与本来的序列[A2,A3,..An]组成新的序列[A2,A3,..An，A(n+1)]，用新的序列猜测第(n+2)个数据;用ELM得到的成果是AA(n+2)，LSSVM猜测得到的是AB(n+2)，取加权均匀数作为第(n+2)个数据的猜测成果，记A(n+2)=(AA(n+2)+ AB(n+2))/2)，以此类推。
通过上述两个进程，咱们能够得到针对通道1 通道2得到的两个猜测数据序列，在这里通道1的猜测数据记成[A(n+1),A(n+2)……A(n+m)];通道2的猜测数据记成[Ab(n+1),Ab(n+2)……Ab(n+m)];与上述的两个通道的序列求加权均匀作为终究的猜测成果，也便是(w1*[Ab(n+1),Ab(n+2)……Ab(n+m)]+ w2*[A(n+1),A(n+2)……A(n+m)])。其间，w1和w2是ELM神经网络和LSSVM的权重，其间本文依照2.3的办法，得出的权重w1=0.49，w2=0.51。
2.3 关于权重的建立办法
(1)标准差法确认权重：
本文确认权重的进程如下：
(1)选取i个数据做练习，得到实在值和猜测值，其间ELM的猜测值当作E1,E2,…Ei，LSSVM的猜测值当作l1,l2,…li,实在值为R1,R2,…Ri;
(2)依照公式(2)，确认ELM和LSSVM的权重w1,w2;
(3)依照公式(4)，确认ELM和LSSVM的权重w3,w4;
(4)核算混合模型的差错平方和，依照公式(5)：
(5)
其间依照w1,w2两种权重得的混合模型的差错平方和是f1，依照w3,w4两个权重得到混合模型的差错平方和是f2。
(5)比较上述进程f1、f2，假如f1
2.4 猜测成果
图3、图4、图5是本文通过编程猜测得到的数据成果，分别是通道1、通道2及终究决议计划的猜测成果。
3 定论
选用本文计划与现有技能比较，具有以下的长处和活跃效果：
(1)有AFC体系供给相应的客流量数据信息，然后有猜测计划进行双通道猜测，猜测得到的信息传递给AFC体系，而且假如客流量到达很大的顶峰时分，从而进行相关的预警信息，由AFC体系提早奉告乘客，或许有相关的拥堵预告，请乘客提早挑选交通办法。
(2)本文选用网络的数据流量进行数据整合和发掘，关于现有的数据进行收拾，然后用这些数据进行关于未来不知道的数据进行猜测，是一个相当可观的使用办法。
(3)使用本文计划能够对五年、十年甚至二十年的城市地铁的人流量进行猜测，提早做好规划，关于地铁规划和城市安置有着很重要的猜测和导向效果。
本文所触及的办法不是针对现在有的数据进行实验，而是对未来不知道的数据进行猜测和剖析，相同适用于相关的金融市场，比方股票未来的走势猜测、基金的猜测、未来人类的寿数猜测等具有很大的参考价值和实际意义。
参考文献：
[1]Zhao Z, Chen Z, Chen Y, et al. A Class Incremental Extreme Learning Machine for Activity Recognition[J]. Cognitive Computation, 2014:1-9.
[2]Bueno-Crespo A, Garcia-Laencina P J, Sancho-Gomez J L. Neural architecture design based on extreme learning machine [J]. Neural Networks, 2013，48:1924 Sunday H, Silver D, Gagvani N, et al. Skeleton based shape matching and retrieval[C].Shape Modeling International, 2003，IEEE, 2003:130-139
[3]熊南,刘百芬.依据自适应粒子群优化LSSVM的网络流量在线猜测[J].核算机使用与软件，2013，30(9)：21-24.
[4]叶美盈，汪晓东，张浩然.依据在线最小二乘支撑向量机回归的混沌时刻序列猜测[J].物理学报，2005，54(6):2568-2573.
[5]张文金,许爱军.混沌理论和LSSVM相结合的网络流量猜测[J].核算机工程与使用,2013,49(15):101-104.
[6]Huang G B，Siew C K. Extreme learning machine with randomly assigned RBF kernels[J]. International Journal of Information Technology,2005,11(1):16-24.
[7]李彬,李贻斌.依据ELM 学习算法的混沌时刻序列猜测[J],天津大学学报, 2011,44(8):701-704.
[8]李海波,郑秀萍,柴天佑.浮选工艺目标KPCA-ELM 软丈量模型及使用[J].化工学报,2012,33(1):4-8.
[9]周传世,刘永清.变权重组合猜测模型的研讨[J].猜测,1995,(4),47-48.
[10]王志勇,陈昊鹏.依据组合神经网络模型的函数迫临办法[J].核算机使用与软件,2008(7),137-139.
本文来源于《电子产品世界》2018年第8期第64页，欢迎您写论文时引证，并注明出处。
