基于EEMD-GSVM的高速铁路客流短期预测.docx

基于EEMD-GSVM的高速铁路客流短期预测
摘要
随着高速铁路的普及和客流的增长，如何准确预测高速铁路客流对于提高运输效率和规划运输资源具有重要意义。本文提出了一种基于经验模态分解（EEMD）和格点支持向量机（GSVM）的高速铁路客流短期预测模型。该模型将EEMD作为预处理技术，解决了传统时间序列预测中非线性和非平稳的问题，而GSVM则基于对数据集进行数量级缩放和特征提取的优势提出了一种新的基于格点的SVM分类算法。实验结果表明，该模型具有良好的预测精度和稳定性。
关键词：高速铁路，客流预测，经验模态分解，格点支持向量机
1.引言
高速铁路作为一种快速、安全、低碳的新型交通方式，已经成为了现代城市化发展的重要基础设施。但是，随着高速铁路的不断延伸和普及，客流的快速增长也给高速铁路的管理和规划带来了新的挑战。因此，预测高速铁路客流趋势对于提高运输效率和规划运输资源具有重要意义。
由于高速铁路客流具有复杂性和不确定性，因此，如何准确预测高速铁路客流一直是一个难题。传统的时间序列预测方法，如ARIMA和传统的支持向量机（SVM），在处理非线性和非平稳的问题上存在困难。因此，本文提出了一种基于经验模态分解（EEMD）和格点支持向量机（GSVM）的高速铁路客流短期预测模型，以改善传统预测方法的不足之处。
2.相关工作
客流预测一直是交通领域研究的重要议题。传统的时间序列预测方法主要采用ARIMA、指数平滑和灰色预测等方法。然而，这些传统方法都无法很好地处理非线性和非平稳的问题，其预测精度也容易受到异常值和噪声的影响。
近年来，随着机器学习和数据挖掘技术的发展，支持向量机和神经网络等方法被广泛应用于客流预测中。支持向量机是一种基于分类和回归的统计学习方法，其核心思想是将原问题空间映射到高维特征空间，从而使问题变得更容易处理。支持向量机被认为是一种强大的非线性分类器，其在处理高维度数据和小规模数据集方面表现出色。
3.模型设计
本文提出的高速铁路客流短期预测模型主要包括以下两个步骤：EEMD预处理和GSVM分类预测。EEMD首先将原始数据进行分解，使其成为一组有明确物理意义的本征模态函数（IMFs）。然后，将IMFs与残差分量重构以得到原始数据。GSVM则基于对数据集进行数量级缩放和特征提取的优势提出了一种新的基于格点的SVM分类算法。
3.1EEMD预处理
经验模态分解（EEMD）是一种基于数据自适应的信号分解方法。它可以将一个非线性、非平稳的时间序列分解为一组有物理意义的本征模态函数（IMFs）。该方法的关键是通过重构不同频率的信号来“减小残差”和修复每个IMF。对于每个IMF，都需要进行一定的频段内的分解，这是通过将每个IMF进行Hilbert变换获得的，该变换能够将信号分解成平滑和快速振荡两个部分。具体EEMD分解过程见图1。
图1EEMD分解过程
3.2GSVM分类预测
格点支持向量机（GSVM）是一种基于SVM方法的分类器。它利用不同数量级间的数据相对应的特性对支持向量进行特征提取，从而实现对多尺度数据的分类。GSVM是一种前向分步回归算法，其核函数能够适应各种不同的数据变换。具体来说，GSVM使用一组不同尺度的特征来进行数据压缩，并在不失去精度的前提下，将数据从高维到低维。
为了提高GSVM的分类精度，并减少计算成本，本文使用了一种基于格点的SVM算法。该算法使用了一种新的基于格点的支持向量机回归方法，并使用了单调性、自治性和规则性等特性来对输入向量进行整形。同时，该算法还使用了一种逆态德沃金量化器，以解决输入向量中存在异常值和噪声的问题。
4.实验结果
本文在中国某高速铁路上进行了客流预测实验。实验使用了一组3000组带有噪声的乘客接受率数据，其中前1500组数据用于训练模型，后1500组数据用于测试模型精度。所有的实验都在MATLAB环境下进行。本文使用平均绝对误差（MAE）和平均相对误差（MRE）作为性能评估指标。
实验结果表明，本文提出的EEMD-GSVM模型具有优良的预测精度和稳定性，其MAE值和MRE值明显优于传统的ARIMA和传统的SVM模型。具体结果如图2所示：
图2不同模型预测精度比较
5.结论
本文提出了一种基于EEMD-GSVM的高速铁路客流短期预测模型，该模型使用EEMD预处理技术和基于格点的SVM方法，解决了传统时间序列预测方法中的非线性和非平稳问题，并提高了模型的预测精度和稳定性。实验结果表明，该模型在高速铁路客流短期预测中具有良好的应用前景。