一种基于Logistic模型的客流预测方法
【技术领域】
[0001] 本发明涉及轨道交通领域，尤其涉及一种基于Logistic模型的客流预测方法。
【背景技术】
[0002] 现有技术中主要采用四阶段的客流预测方法，即出行生成预测、出行分布预测、交 通方式划分预测和路网分配。出行生成预测模型是预测总的出行产生量，即每一个小区的 全部进出交通流量。出行分布预测模型中最典型的是重力模型和增长系数法。交通方式划 分预测模型主要分集聚模型和非集聚模型两种，最早的集聚模型是分担率曲线法，非集聚 模型以效用最大化理论为基础，其中有离散选择模型，根据所采用的概率分布函数不同，又 分为Logit模型族和Probit模型族，其中多元Logit模型仍被广泛应用。路网分配方法包 括全有全无分配方法、增量分配法、连续平均法。
[0003] 四阶段法客流预测是一种集聚的客流预测方法，而集聚模型是将每个人的交通活 动按照交通小区进行统计分析和处理的，所以，交通小区的划分合理与否是四阶段法客流 预测合理与否的基础。运用四阶段法进行规定交通客流预测时，首先要做的工作是对研究 的城市区域进行交通小区的划分，从而进行城市人口、就业、土地利用等资料的调查，在此 基础上进行居民出行生成预测、出行分布预测、交通方式划分预测和交通分配。但是，交通 调查是一项极其费时、费力的工作，而且结果的准确性也不好。
[0004] 另外四阶段法还存在其他一些不足，例如：⑴不同目的出行的生成和分布规律 变化很大，现有预测方法并没有很好的考虑这个因素的影响。（2)重力模型具有结果简单、 使用范围广的特点，但是当交通小区划分紧密，区间行走时间较短时，重力模型对现有交通 分布的拟合不好。（3)现有交通分配模型都是先求出公交0D，在此基础上采用某种分担率 模型划分轨道交通0D进行分配，但是没有考虑到预测年现有其他交通方式可能向轨道交 通转移等。从另一个方面来说，四阶段法在预测轨道交通客流量的应用上，没有考虑到轨道 交通的一些固有特点，如行车配置、运营计划制定、票价政策等等，这些对于客流都有较大 的影响。同时，四阶段法作为一次性的预测手段，在预测方面并不能做到高精度及长期跟踪 修正。而且由于四阶段法在掌握事实阶段需要投入大量的测算成本，因此也不符合反复跟 踪测算的需求。
【发明内容】
[0005] 针对现有技术中存在的问题，本发明提供了一种基于Logistic模型的客流预测 方法，利用已有的客流数据，通过合理的手段进行优化预测，提高预测的精度。
[0006] 本发明采用如下技术方案：
[0007] -种基于Logistic模型的客流预测方法，应用于轨道交通的中长期客流量预测， 所述客流预测方法包括：
[0008] 从客流数据库中提取客流数据，并将所述客流数据导入中长期客流数据库；
[0009] 在所述中长期客流数据库中读取所述客流数据中的月均客流数据和日均客流数 据；
[0010] 根据所述月均客流数据和/或所述日均客流数据利用Logistic模型进行客流预 测建模，并进行优化，得到客流预测数据。
[0011] 优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行基础 月客流预测建模。
[0012] 优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行季节 性客流预测建模。
[0013] 优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行路网 结构客流预测建模。
[0014] 优选的，所述方法中，根据所述月均客流数据和/或所述日均客流数据进行春运 客流预测建模，得到月客流预测数据。
[0015] 优选的，所述方法中，根据所述月均客流数据和所述日均客流数据生成日期因素 表。
[0016] 优选的，所述方法中，所述日期因素表包括平常日客流数据和特殊日客流数据。
[0017] 优选的，所述方法中，根据所述平常日客流数据和所述月均客流数据进行平常日 客流预测建模，得到平常日客流预测数据。
[0018] 优选的，所述方法中，根据所述特殊日客流数据和所述月均客流数据进行特殊日 客流预测建模，得到特殊日客流预测数据。
[0019] 优选的，所述方法中，所述客流预测建模的公式为：
[0020]
[0021] 其中，N为预测的客流量，r为乘客的内禀增长率，K为轨道交通的资源丰富程度； Θ为密度制约参数。
[0022] 本发明的有益效果是：
[0023] 本发明无需进行费时费力的交通调查工作，立足于轨道交通AFC系统的历史客流 数据，分析其客流发展规律，基于Logistic提出符合客流发展规律的预测模型，本发明可 以反复跟踪测算预测数据，不断自动修正模型，从而达到更好的预测精度。
【附图说明】
[0024] 图1为本发明的预测建模与Logistic模型之间的关联图；
[0025] 图2为本发明预测系统的结构示意图；
[0026] 图3为本发明基于Logistic模型的客流预测方法的流程图。
【具体实施方式】
[0027] 需要说明的是，在不冲突的情况下，下述技术方案，技术特征之间可以相互组合。
[0028] 下面结合附图对本发明的【具体实施方式】作进一步的说明：
[0029] 实施例一
[0030] 本实施例提供了一种基于Logistic模型的客流预测建模的公式，本实施例可以 应用于轨道交通领域，本实施例中的经典Logistic模型描述了种群增长数量与环境资源 之间的关系，如图1所示，经典Logistic种族的种族增长曲线模型中的参数与本实施例的Logistic客流增长曲线模型可以有如下的对应关系，例如，经典Logistic中种群数量可以 对应本实施例的乘客人数、种族的生长环境可以对应本实施例的轨道交通线路、资源量可 以对应本实施例中的轨道交通运能。
[0031] 下面将普通的Logistic模型结合轨道交通这一环境表示的增长率规律的基本方 程形式为列出加下，
[0032]
[0033] 兵甲，'吊'数r(r>U)孙73乘客人数的内禀增长率，表示每个乘客在没有受到抑制作 用时的最大增长率，即此乘客平均出生率与平均死亡率之差，反映的是乘客人数的内在特 性。Κ(Κ>0)反映了轨道交通资源的丰富程度。N为预测的客流人数，当N=K时，乘客人数 不再增长，所以K表征了轨道交通网络内能够容纳乘客人数的最大数量。乘客人数的积分 形式即为
[0034] 上述建立的模型的增长率可以呈现如下规律：首先在开始期乘客总数会很少，密 度增长缓慢。之后会到来一个加速期，这时乘客的数量逐渐增加，密度增长逐渐加快。之后 进入转折期，乘客总数达到饱和密度的一半，即为K/2,此时密度增长最快，之后逐步进入减 速期，乘客的数量超过K/2以后，密度增长逐渐变慢。最后是饱和期，乘客的数量达到K值 而饱和。
[0035] 实施例二
[0036] 本实施例作为实施例一的一个优选的实施例，对实施例一种的建模公式进行了改 进，本实施例提出了一种特定参数取得的自适应种群增长的Logistic模型公式：
[0037]
;中，N、K、r的含义与上述实施例相同，Θ为密度制约参数， 它是一个能兼容各种密度制约机制，含有更一般的非线性制约的函数，且存在显式解的种 群增长模型。因此它是一个描述乘客人数增长较好的数学表达式。