论文部分内容阅读
摘 要：铁路运输是一种重要的交通运输方式，近年来，随着我国铁路事业的不断发展，高铁的出现，极大的提升了铁路运输的速度和效率，我国也逐渐发展成为在建规模最大、运营速度最高、运营里程最长、集成能力最强、系统技术最全、发展速度最快的国家。在高速铁路的发展当中，对客流量的准确预测，是高铁修建的依据和基础。因此，基于EEMD的高铁客流预测，具有十分重要的意义和作用。
关键词：EEMD；高铁；客流预测
在铁路运输当中，客流数据的变化规律往往较为复杂，而对于这些规律，可以通过分析客流时频特性加以了解，从而更加准确的进行客流预测。在实际应用中，EEMD又叫做噪声辅助经验模态分解法，在非线性、非平稳数据的分析当中，具有十分良好的作用。利用EEMD法对高铁客流做出准确的预测，在高铁的建设和发展当中，能够跟有针对性，提升高铁资源的利用效率，从而取得更为良好的经济效益和社会效益。
一、EEMD算法的基本概述
（一）EEMD算法
在过去的EMD算法当中，能够分解非平稳序列，使之形成趋势项、IMF分量等，在这些分量当中，具有能够随着序列改变而改变的频率成分。分析分量的幅值、频率等，能够对原有序列的时频特性进行准确的体现。
数据经过EMD处理之后，x（t）=cj（t）+r（t）。
式中本征模函数的个数为N，本征模函数为cj（t），由高到低的频率范围，其中趋势项为r（t），对原序列主要趋势进行表示。
而在实际应用中，处理数据时往往会受到一些外部因素的影响，所以在EMD分解当中，可能会发生模式混叠的情况，对本征模函数分析产生影响。所以，对EEMD法进行应用，在对原序列进行分析的过程中，先将随机白噪声信号加入，然后再分解，重复M次之后，对平均分解结果进行计算。
（二）IMF分量重构
在IMF分量的重构过程中，可以采用很多种方法。如果只是簡单的进行相加，可能会对预测精度产生影响。对此，可以采用一些辅助算法综合进行应用。例如GA-BP神经网络就是一种较为良好的方法，其本身具有非线性映射的功能和作用，因此，采用GA-BP神经网络，能够通过训练对最优的IMF权重组合进行搜索。在重构过程中，应结合实际情况对是否选择所有分量，或判断如果加入往年同期数据，能够为客流预测提供更大的依据。
（三）EEMD的组合预测算法
在EEMD算法的应用中，需要进行组合运算。在实际计算中，利用EEMD将原始数据进行分解，形成本征模函数和趋势项。在运算当中，可以与GA-BP、GSVM等技术进行组合运算，针对本征模函数，进行建模和预测。相加分量预测结果，并向原序列预测结果还原。
二、基于EEMD高铁客流预测
（一）高铁客流特性
在当前的高速铁路网络建设当中，已经基本上遍布了全国主要的城市，尤其是在一些旅游景点所在城市之间，高铁更是具有极大的客流量。而在一年当中，在不同的时间，也会体现出不同的客流量特点。具体来说，通常在一年当中的清明、五一、端午、中秋、国庆等节假日时期当中，会出现客流迅速攀升，并达到尖峰的情况，因此能够看出是集中的旅游流爆发期。在除夕之前客流量逐渐攀升，到达最高点之后，在大年初一，时下降到最低点，由此可知是返乡客流的时期。因此，在高铁站的客流变化中，非平稳特性较为明显，在一些特殊时间段中，客流与平时相比，差异性也较为明显。
（二）客流序列聚类分析
在对客流进行分类的过程中，通过聚类的方式分析客流序列，以此作为基础。以7天的时间为一个阶段，对客流进行划分，对差异较为明显的几种数据，采用K均值聚类的方法进行划分，从而得出全年范围内，不同类别片段的分布情况。根据划分结果来看，除了在节假日阶段以外，平时的客流量基本上属于较为相似的情况。因此，可以采用统一的方式，对平日的客流进行预测。
（三）基于EEMD客流序列分析
在利用EEMD对客流序列进行分解之后，得到相应的趋势项、IMF分量等。在原序列、趋势项、IMF分量之间，进行Pearson相关性分析，得出的结果为，P（i）j=[-0.0075，0.0505，0.0555，-0.0557，0.0519，0.3146，
0.4794，-0.0915]，由此能够看出，在原序列、IMF-1之间，并不具有较大的相关性，因而时间序列相关性较小。对其进行HHT的变换，能够对元数据的幅值、频率等，进行更加准确的体现。
而为了对数据中主要的频率分布进行更加准确的判断，将一些不相关的IMF分量，以及具有较大能量的趋势项从原序列中进行消除，然后进行分析和预测。根据计算结果可知，幅值局部极值点的分布频率分别为0.00275Hz、0.03453Hz、0.06629Hz、0.49862Hz。对应的周期为362天、30天、15天、2天，也就是全年客流序列的中期分布为1年、1个月、15天、2天。在这一分布当中，以2天为周期的能量幅值来看，虽然并不具有较高的数值，不过和周围的幅值之间具有明显的区分，因此可知，是由于节假日客流增加所造成的。
三、结论
铁路运输使当前一种十分重要的运输形式，而在高铁则是当前一种十分快速高效的铁路运输方式。高铁虽然具有较高的速度和效率，但同样具有较高的费用和成本。
因此，应根据实际客流量进行高铁建设和调度，从而取得更好的效益。对此，可以利用基于EEMD的高铁客流预测，准确的掌握客流情况，从而更好的推动高铁事业的发展。
参考文献：
[1] 蒲松，王文宪，陈钉均，吕红霞.高速旅客列车开行方案的鲁棒优化模型[J].交通运输系统工程与信息，2015（06）：101-106.
[2] 过秀成，马超，杨洁，李星，龚小林.高速铁路综合客运枢纽交通衔接设施配置指标研究[J].现代城市研究，2010（07）：20-24.
[3] 李刚，潘跃.基于SPSS Modeler的超售方法在京沪高铁票额管理中的应用研究[J].铁路计算机应用，2014（08）：33-35.
[4] 单杏花，卫瑞明，王炜炜，张军锋，吕晓艳.铁路客运营销辅助决策系统及关键技术研究[J].铁路技术创新，2015（02）：123-127.
关键词：EEMD；高铁；客流预测
在铁路运输当中，客流数据的变化规律往往较为复杂，而对于这些规律，可以通过分析客流时频特性加以了解，从而更加准确的进行客流预测。在实际应用中，EEMD又叫做噪声辅助经验模态分解法，在非线性、非平稳数据的分析当中，具有十分良好的作用。利用EEMD法对高铁客流做出准确的预测，在高铁的建设和发展当中，能够跟有针对性，提升高铁资源的利用效率，从而取得更为良好的经济效益和社会效益。
一、EEMD算法的基本概述
（一）EEMD算法
在过去的EMD算法当中，能够分解非平稳序列，使之形成趋势项、IMF分量等，在这些分量当中，具有能够随着序列改变而改变的频率成分。分析分量的幅值、频率等，能够对原有序列的时频特性进行准确的体现。
数据经过EMD处理之后，x（t）=cj（t）+r（t）。
式中本征模函数的个数为N，本征模函数为cj（t），由高到低的频率范围，其中趋势项为r（t），对原序列主要趋势进行表示。
而在实际应用中，处理数据时往往会受到一些外部因素的影响，所以在EMD分解当中，可能会发生模式混叠的情况，对本征模函数分析产生影响。所以，对EEMD法进行应用，在对原序列进行分析的过程中，先将随机白噪声信号加入，然后再分解，重复M次之后，对平均分解结果进行计算。
（二）IMF分量重构
在IMF分量的重构过程中，可以采用很多种方法。如果只是簡单的进行相加，可能会对预测精度产生影响。对此，可以采用一些辅助算法综合进行应用。例如GA-BP神经网络就是一种较为良好的方法，其本身具有非线性映射的功能和作用，因此，采用GA-BP神经网络，能够通过训练对最优的IMF权重组合进行搜索。在重构过程中，应结合实际情况对是否选择所有分量，或判断如果加入往年同期数据，能够为客流预测提供更大的依据。
（三）EEMD的组合预测算法
在EEMD算法的应用中，需要进行组合运算。在实际计算中，利用EEMD将原始数据进行分解，形成本征模函数和趋势项。在运算当中，可以与GA-BP、GSVM等技术进行组合运算，针对本征模函数，进行建模和预测。相加分量预测结果，并向原序列预测结果还原。
二、基于EEMD高铁客流预测
（一）高铁客流特性
在当前的高速铁路网络建设当中，已经基本上遍布了全国主要的城市，尤其是在一些旅游景点所在城市之间，高铁更是具有极大的客流量。而在一年当中，在不同的时间，也会体现出不同的客流量特点。具体来说，通常在一年当中的清明、五一、端午、中秋、国庆等节假日时期当中，会出现客流迅速攀升，并达到尖峰的情况，因此能够看出是集中的旅游流爆发期。在除夕之前客流量逐渐攀升，到达最高点之后，在大年初一，时下降到最低点，由此可知是返乡客流的时期。因此，在高铁站的客流变化中，非平稳特性较为明显，在一些特殊时间段中，客流与平时相比，差异性也较为明显。
（二）客流序列聚类分析
在对客流进行分类的过程中，通过聚类的方式分析客流序列，以此作为基础。以7天的时间为一个阶段，对客流进行划分，对差异较为明显的几种数据，采用K均值聚类的方法进行划分，从而得出全年范围内，不同类别片段的分布情况。根据划分结果来看，除了在节假日阶段以外，平时的客流量基本上属于较为相似的情况。因此，可以采用统一的方式，对平日的客流进行预测。
（三）基于EEMD客流序列分析
在利用EEMD对客流序列进行分解之后，得到相应的趋势项、IMF分量等。在原序列、趋势项、IMF分量之间，进行Pearson相关性分析，得出的结果为，P（i）j=[-0.0075，0.0505，0.0555，-0.0557，0.0519，0.3146，
0.4794，-0.0915]，由此能够看出，在原序列、IMF-1之间，并不具有较大的相关性，因而时间序列相关性较小。对其进行HHT的变换，能够对元数据的幅值、频率等，进行更加准确的体现。
而为了对数据中主要的频率分布进行更加准确的判断，将一些不相关的IMF分量，以及具有较大能量的趋势项从原序列中进行消除，然后进行分析和预测。根据计算结果可知，幅值局部极值点的分布频率分别为0.00275Hz、0.03453Hz、0.06629Hz、0.49862Hz。对应的周期为362天、30天、15天、2天，也就是全年客流序列的中期分布为1年、1个月、15天、2天。在这一分布当中，以2天为周期的能量幅值来看，虽然并不具有较高的数值，不过和周围的幅值之间具有明显的区分，因此可知，是由于节假日客流增加所造成的。
三、结论
铁路运输使当前一种十分重要的运输形式，而在高铁则是当前一种十分快速高效的铁路运输方式。高铁虽然具有较高的速度和效率，但同样具有较高的费用和成本。
因此，应根据实际客流量进行高铁建设和调度，从而取得更好的效益。对此，可以利用基于EEMD的高铁客流预测，准确的掌握客流情况，从而更好的推动高铁事业的发展。
参考文献：
[1] 蒲松，王文宪，陈钉均，吕红霞.高速旅客列车开行方案的鲁棒优化模型[J].交通运输系统工程与信息，2015（06）：101-106.
[2] 过秀成，马超，杨洁，李星，龚小林.高速铁路综合客运枢纽交通衔接设施配置指标研究[J].现代城市研究，2010（07）：20-24.
[3] 李刚，潘跃.基于SPSS Modeler的超售方法在京沪高铁票额管理中的应用研究[J].铁路计算机应用，2014（08）：33-35.
[4] 单杏花，卫瑞明，王炜炜，张军锋，吕晓艳.铁路客运营销辅助决策系统及关键技术研究[J].铁路技术创新，2015（02）：123-127.