基于小波分解与LSTM的城市轨道短时客流预测

1、文章信息

文章题为《A novel prediction model for the inbound passenger flow of urban rail transit》，是一篇发表在Information Science期刊上，关于城市轨道交通短时客流预测的文章。

2、摘要

城市轨道交通快捷方便，已成为许多城市实现交通现代化的首选。因此，高精度的短期入境客流预测对于城市轨道交通的日常管理至关重要，因为运营方可以根据预测的客流来控制客流或重新安排列车。随着自动收费器(AFC)的广泛应用，可以方便地获取和记录大量的历史行程数据。在已有的研究中，长短期记忆网络(LSTM)特别适合于学习具有长期相关性的时间序列数据，并被广泛应用于交通流预测中。由于LSTM总是将时间序列数据作为输入，因此它的输出将与之前的输入和输出相关。大多数车站入境客流呈周期性波动，是一个具有多时间尺度的非平稳序列。利用小波分析（wavelet）对时间序列进行处理，可以清晰地反映出不同时间尺度下的多重变化趋势。因此，小波分析可以有效地处理入境客流数据因时间/时段短而产生的波动性。

文章提出了一种结合小波分析和长短时记忆网络的深度学习模型（Wave-LSTM），通过对地铁站的历史时间序列分析，预测未来的进站客流。文章的重点分为如下三点：

1. 该模型集成了小波分解、小波重构和LSTM。本文提出了一种新的一维时间序列预测模型。对时间序列分析，提取各车站的进站客流的临界特征，并估算出不同时间尺度下入境客流的未来趋势。综合小波分析和LSTM的优点，构建了Wave-LSTM模型。模型中，输入为该站历史入境客流，输出为该站预测的短期入境客流。

2. 本文采用控制变量的方法来确定Wave-LSTM中的参数，包括合适的小波、分解深度、隐藏单元数和迭代次数等。值得注意的是，将Dmeyer小波应用于客流预测，显著提高了预测精度。

3. 为了验证Wave-LSTM模型的有效性，文章对Wave-LSTM、ARIMA、非线性自回归预测模型(NAR)和标准LSTM模型进行了数值实验。本文提出的模型成功预测了北京地铁空港线东直门站的客流，并通过实际客流数据验证了该方法的有效性。

3、文章结构

1. 首先提出了长短时记忆网络LSTM在时间序列分析中的优势，并提出了小波分析能够更好的反映时间序列的趋势。

2. 描述了LSTM的原理，以及小波分析的原理，同时讲解了文章提出的Wave-LSTM的算法。

3. 讲解了数据选取，以及模型调参（包括小波分解的分解深度以及小波函数的选择，LSTM参数的选择）

4. 对比了Wave-LSTM、NAR、ARIMA、LSTM四个模型的预测效果，证明了模型的有效性。

4、模型结构

文章提出的模型大致可以分为三个部分：1、小波分解；2、训练LSTM模型；3、小波重构。

小波分解：

首先，模型的输入是待预测车站历史入境客流。在站位选择上，本文倾向于选择预测需求较大的站位。历史入境客流可以通过该站的每个入境AFC设备终端获得。之后，将数据分解，得到D1,D2,…,Dm,Am一系列数据。过程如下图所示：

分解过程中要先确定适当的小波和分解深度。利用不同的小波对原始客流数据进行分解。通过观察多次分解得到的低频近似信号的平滑程度，重点关注平滑程度高的小波，为预测台站选择合适的小波和分解深度。文章选择分解深度为3，分别选取了haar、db5、sym3、coif、dmeyer作为小波函数，对15min、30min、60min三个时间粒度下的数据进行了实验。如下图所示。

15min：

30mins：

60mins：

可以看到选取db5和dmeyer作为小波函数时都得到了时间序列的整体趋势且较为平滑。最终文章选取了dmeyer作为小波函数，分解深度为3，得到三组高频数据D1,D2,D3，以及低频数据A3。最终的分解框图以及分解结果如下图所示。

LSTM模型：

在得到了小波分解的结果后，将四组时间序列数据输入到LSTM模型中。LSTM模型结构如下图所示。

输入t个历史时间步的数据，得到t+1时刻的结果，输入维度为4*t，输出维度为4*1。

小波重构：

利用Mallat算法对分解后的序列进行长度缩减。因此，我们应该采用重构算法对每一个被分解的序列进行重构，使每个重构序列都与原始序列长度相同。重建过程可以用下述式子表示：

重构后就得到了下一个时刻的客流预测值。

5、实验结果及其分析

文章采用的指标为：MAE和RMSE。定义如下。

Wave-LSTM模型调试过程如下所示。文章选取epoch=200，hidden units=100作为Wave-LSTM的参数。

在15mins、30mins、60mins三种时间粒度下的预测结果如下。

与ARIMA、NAR、LSTM模型MAE以及RMSE结果对比如下。

6、总结

本文提出了一种城市轨道交通入境客流的混合预测模型。Wave-LSTM基于小波分析和LSTM，考虑了短期客流的波动性、非线性特征和时间相关性，解决了普通LSTM模型的不足和数据波动性的问题。然而，本文的一些局限性和不可逾越的研究空白还需要进一步探讨。首先，本文仅以东直门车站入境客流为研究对象，对整个铁路网车站进行调查，可以进一步提出一个最优模型。再有，由于机场线的特殊性，乘客受旅行时间的影响较小，但受航班安排的影响较大。在未来的研究中，航班时刻表也可以作为影响预测的输入变量。

ATTENTION

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！