CN103473620B - 综合客运枢纽多交通方式预测方法及系统 - Google Patents

Abstract

本发明公开了一种综合客运枢纽多交通方式预测方法及系统，所述预测方法包括以下步骤：（1）、到达客流总量预测，利用客流量的历史数据，采用数据统计方法预测到达客流总量；（2）、各交通方式客流分担比例预测，利用各交通方式分担客流的历史数据，分别预测各交通方式的客流分担比例。本发明的综合客运枢纽多交通方式预测方法采用数理统计理论和数据建模方法，对枢纽客流总量及各交通方式客流分担比例建立科学合理的客流预测模型，解决了目前综合客运枢纽客流波动性大、各交通方式客流分担比例不平衡引起枢纽客流疏散效率低、旅客不能获知各交通方式运能状况问题，以达到枢纽客流集散效率最高和系统整体优化。

Description

综合客运枢纽多交通方式预测方法及系统

技术领域

本发明涉及交通运输领域，尤其涉及一种基于动态客流的大型综合客运枢纽多交通方式预测方法及系统。

背景技术

综合客运枢纽是城市中各种客运交通方式相互衔接、转换的设施，是城市交通系统不可或缺的重要组成部分。其主要职能是满足枢纽长途、铁路、民航等对外交通方式与公交、地铁、出租、社会车辆等城市公共交通方式的有效衔接，实现高效、安全、有序的客流集散和旅客换乘。

综合客运枢纽客流受节假日、时段、天气等多种因素影响，到达客流波动性大且各交通方式客流分担不平衡，造成旅客在部分时段打车难、坐车难，特别在夜间班次延误、晚点到达时换乘交通方式可选择性小，给枢纽旅客带来极大不便。由于综合客运枢纽各交通方式运营管理相对独立，针对枢纽客流波动性大和分担不平衡现象，缺乏对客流量信息统计以及科学的预测，导致部分交通方式运力资源准备不足，以及旅客对各公共交通方式的空闲或者拥挤情况无法获知，进而造成个别公共交通方式人满为患，旅客需要排队很时间，而另外一些公共交通方式出现空载现象，特别是在发生突发事件时，严重影响枢纽客流集散效率和运营安全。

基于此，如何发明一种综合客运枢纽多交通方式预测方法及系统，以数理统计理论和数据建模方法为技术手段，建立科学合理的客流预测、分配模型，以达到枢纽客流集散效率最高和系统整体优化。

发明内容

本发明为了解决现有枢纽客流集散效率低的问题，提供了一种综合客运枢纽多交通方式预测方法及系统，以数理统计理论和数据建模方法为技术手段，建立科学合理的客流预测、分配模型，以达到枢纽客流集散效率最高和系统整体优化。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种综合客运枢纽多交通方式预测方法，包括以下步骤：

（1）、到达客流总量预测，利用客流量的历史数据，采用数据统计方法预测到达客流总量；

（2）、各交通方式客流分担比例预测，利用各交通方式分担客流的历史数据，分别预测各交通方式的客流分担比例η_i。

进一步的，步骤（1）中采用K最近邻分类算法实现客流量的预测。

进一步的，所述的K最近邻分类算法为：

（11）、选取样本数据：距预测日期较近的N天客流数据x(j),j=1,2,…,N，经及N天客流样本的n维特征向量数据x_r(k),k=1,2,…,n，

（12）、样本期望：预测日期的n维特征向量

（13）、计算样本数据与样本期望数据的欧氏距离：

每个样本与样本期望的欧氏距离可表示为：

（14）、给定欧氏距离识别标准ds₁(x)和ds₂(x)，对N个样本进行识别，给出识别条件：如果有m(1≤m≤N)个样本满足上式要求，则认为该m个样本为同一类数据，这类数据即为可用预测数据；

（15）、统计出m个样本的所属分类,

根据各样本数据的特征向量的影响程度，将影响权值大的向量作为其分类，完成对m个样本数据的分类，

（16）、各分类中样本数最多的样本客流数据取平均值作为预测客流值

则客流预测值为：

进一步的，还包括步骤（3）、实时到达客流数据采集的步骤，利用步骤（2）中的不同交通方式的分担比例，计算出各交通方式实际在特定时间段需要分担客流量：假设客流量变化是一个时间波动函数Q_a,i(t)，因此从t₀到t₀+T时段内各交通方式的时段客流分担量为

进一步的，还包括计算最小枢纽滞留客流量的步骤：

其中Q_a,i(t)为第i种交通方式的到达流量时间变化函数，Q_d,i(t)为第i种交通方式服务流量的时间变化函数，式中：

${\∫}_{t_0}^{t_0+T}(Q_{a,i}\left(t\right)-Q_{d,i}\left(t\right))\mathrm{dt}={\∫}_{t_0}^{t_{i,1}+W_i}(Q_{a,i}\left(t\right)-Q_{d,i}\left(t\right))\mathrm{dt}+\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\∫}_{t_{i,1}+k\×I_i}^{t_{i,1}+k\×I_i+W_i}(Q_{a,i}\left(t\right)-Q_{d,i}\left(t\right))\mathrm{dt},$ 其中，t_i,1为第i种交通方式在时段开始时刻t₀附近最近的一班车上客时刻，W_i为第i种交通方式班车停站时间，I_i为第i种交通方式发车间隔，l为为第i种交通方式在[t₀,t₀+T]内发车班数，若的值小于零，则该种交通方式运能有剩余。

进一步的，还包括将所计算的交通方式运能状况进行显示的步骤。

基于上述的一种综合客运枢纽多交通方式预测方法，本发明同时提供了一种综合客运枢纽多交通方式预测系统，包括：客流预测模块，用于利用客流量的历史数据，采用数据统计方法预测到达客流总量；

客流分担比例预测模块，用于各交通方式客流分担比例预测，利用各交通方式分担客流的历史数据，分别预测各交通方式的客流分担比例η_i。

进一步的，还包括实时客流采集模块，用于实时到达客流数据采集。

又进一步的，还包括最小枢纽滞留客流量估计模块和显示模块，所述最小枢纽滞留客流量估计模块估计最小枢纽滞留客流量，显示模块用于将各交通方式运能状况进行显示。

与现有技术相比，本发明的优点和积极效果是：本发明的综合客运枢纽多交通方式预测方法采用数理统计理论和数据建模方法，对枢纽客流总量及各交通方式客流分担比例建立科学合理的客流预测模型，解决了目前综合客运枢纽客流波动性大、各交通方式客流分担比例不平衡引起枢纽客流疏散效率低、旅客不能获知各交通方式运能状况问题，以达到枢纽客流集散效率最高和系统整体优化。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

图1是本发明所提出的综合客运枢纽多交通方式预测方法的一种实施例流程图；

图2是本发明所提出的综合客运枢纽多交通方式预测系统的一种实施例方框图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细地说明。

实施例一，参见图1所示，本实施例的一种综合客运枢纽多交通方式预测方法，包括以下步骤：

S1、到达客流总量预测，利用客流量的历史数据，采用数据统计方法预测到达客流总量；

S2、各交通方式客流分担比例预测，利用各交通方式分担客流的历史数据，分别预测各交通方式的客流分担比例η_i。

本实施例的综合客运枢纽多交通方式预测方法，以数理统计理论和数据建模方法为依据，通过对历史数据的统计，建立预测模型，可以提前预测客流量情况，为调度部门进行合理调度提供数据支持，并科学预测出各交通方式客流分担比例，提高枢纽客流疏散效率，解决了目前客流分担比例不平衡引起枢纽客流疏散效率低的问题。

作为一个具体实施方式，由于本实施例中的预测方法是以历史数据为样本，统计方法拟采用在时间序列法的基础上，利用K最近邻(k-Nearest Neighbor，KNN)分类算法实现客流量的预测。如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。KNN算法不仅可以用于分类，还可以用于回归。通过找出一个样本的k个最近邻居，将这些邻居的属性的平均值赋给该样本，就可以得到该样本的属性。更有用的方法是将不同距离的邻居对该样本产生的影响给予不同的权值(weight)，如权值与距离成正比。

也即，步骤S1中采用K最近邻分类算法实现客流量的预测，

所述的K最近邻分类算法为：

S11、选取样本数据：距预测日期较近的N天客流数据x(j),j=1,2,…,N，经及N天客流样本的n维特征向量数据x_r(k),k=1,2,…,n，

S12、样本期望：预测日期的n维特征向量

S13、计算样本数据与样本期望数据的欧氏距离：

每个样本与样本期望的欧氏距离可表示为：

S14、给定欧氏距离识别标准ds₁(x)和ds₂(x)，对N个样本进行识别，给出识别条件：如果有m(1≤m≤N)个样本满足上式要求，则认为该m个样本为同一类数据，这类数据即为可用预测数据；

S15、统计出m个样本的所属分类,

根据各样本数据的特征向量的影响程度，将影响权值大的向量作为其分类，完成对m个样本数据的分类，例如：以天为单位进行客流总量预测，每天的客流数据受节假日、天气、季节三个因素影响，其中节假日分为非节假日、周末、国家法定假日，天气分为阴、晴、雨、雪、高温，季节分为春、夏、秋、冬。假设样本数据N=30天，特征向量n=3，每个样本数据其3个特征向量对客流数据影响程序不一样，其权值也不一样。统计出m个样本的所属分类，根据各样本数据的特征向量的影响程度，将影响权值大的向量作为其分类，完成对m个样本数据进行分类。比如某天的天气权值为1.3，节假日权值为1.0，季节权值为1.0，则可将其划分为天气类，也就是天气是影响当日客流量的主要因素。这样就可以将k个样本数据分成3大类，每个分类的样本数为4,3,3。

S16、各分类中样本数最多的样本客流数据取平均值作为预测客流值，也即，本实施例中第1类为样本数最多的分类，

则客流预测值为：

由于前述步骤是对客流量的预测，为了进一步获知当天实际有多少客流量，以便更加准确的计算各交通方式的实际分担比例，还包括步骤S3、实时到达客流数据采集的步骤，利用步骤S2中的不同交通方式的分担比例，计算出各交通方式实际在特定时间段需要分担客流量：假设客流量变化是一个时间波动函数Q_a,i(t)，因此从t₀到t₀+T时段内各交通方式的时段客流分担量为

比如，考虑的目前主要交通方式有三种：公交、出租、轨道交通，各交通方式客流分担量与服务提供之差为客流滞留量，则枢纽总客流滞留量为假设各交通方式的发车频率固定，以及单位运能恒定，还包括计算最小枢纽滞留客流量的步骤：

其中Q_a,i(t)为第i种交通方式的到达流量时间变化函数，Q_d,i(t)为第i种交通方式服务流量的时间变化函数，式中：

${\∫}_{t_0}^{t_0+T}(Q_{a,i}\left(t\right)-Q_{d,i}\left(t\right))\mathrm{dt}={\∫}_{t_0}^{t_{i,1}+W_i}(Q_{a,i}\left(t\right)-Q_{d,i}\left(t\right))\mathrm{dt}+\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\∫}_{t_{i,1}+k\×I_i}^{t_{i,1}+k\×I_i+W_i}(Q_{a,i}\left(t\right)-Q_{d,i}\left(t\right))\mathrm{dt},$ 其中，t_i,1为第i种交通方式在时段开始时刻t₀附近最近的一班车上客时刻，W_i为第i种交通方式班车停站时间，I_i为第i种交通方式发车间隔，l为为第i种交通方式在[t₀,t₀+T]内发车班数，若的值小于零，则该种交通方式运能有剩余。这是因为在时段[t_i,1+k×I_i+W_i,t_i,1+(k+1)×I_i]内到达的乘客并不能被[t_i,1+k×I_i,t_i,1+k×I_i+W_i]内剩余运能所承担，只能被下一时段[t_i,1+(k+1)×I_i,t_i,1+(k+1)×I_i+W_i]内的运能所利用。

如果某交通方式运能有剩余，而其它交通方式运能不足，则通过信息发布诱导客流向运能剩余交通方式转移，因此，本实施例中还包括将所计算的交通方式运能状况进行显示的步骤。这样旅客可以及时获知各交通方式运能状况，以供其参考选择合适的交通方式，不仅可以提高枢纽客流疏散效率，还可以在出现紧急状况下时实现旅客可以以此及时疏散，保障了运营安全。此外，如果某交通方式运能不足，且运力资源可调配，则可通过调整运营计划、增加运力资源等方式满足客流运输需求。

基于上述的一种综合客运枢纽多交通方式预测方法，本实施例同时提供了一种综合客运枢纽多交通方式预测系统，参见图2所示，包括：客流预测模块，用于利用客流量的历史数据，采用数据统计方法预测到达客流总量；

客流分担比例预测模块，用于各交通方式客流分担比例预测，利用各交通方式分担客流的历史数据，分别预测各交通方式的客流分担比例η_i。

进一步的，还包括实时客流采集模块，用于实时到达客流数据采集。

又进一步的，还包括最小枢纽滞留客流量估计模块和显示模块，所述最小枢纽滞留客流量估计模块估计最小枢纽滞留客流量，显示模块用于将各交通方式运能状况进行显示。

本综合客运枢纽多交通方式预测系统通过对综合客运枢纽未来一段时间范围客流总量和各交通方式客流分担量的预测，可以指导各交通方式根据客流预测量提前做好运力安排，科学合理地编制运营计划，同时结合枢纽实时采集客流到达量数据与预测数据的偏差，指导各交通方式进行相应的实时调度管理，并通过客流诱导管理来影响各交通方式的客流分担，实现枢纽客流分配均衡、系统最优的业务目标，有利于改善综合客运枢纽的资源利用和有效衔接。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种综合客运枢纽多交通方式预测方法，其特征在于，包括以下步骤：

（1）、到达客流总量预测，利用客流量的历史数据，采用数据统计方法预测到达客流总量；

（2）、各交通方式客流分担比例预测，利用各交通方式分担客流的历史数据，分别预测各交通方式的客流分担比例；

还包括步骤（3）、实时到达客流数据采集的步骤，利用步骤（2）中的不同交通方式的分担比例，计算出各交通方式实际在特定时间段需要分担客流量：假设客流量变化是一个时间波动函数，因此从到时段内各交通方式的时段客流分担量为；

还包括计算最小枢纽滞留客流量的步骤：，其中为第i种交通方式的到达流量时间变化函数，为第i种交通方式服务流量的时间变化函数，式中：

，

其中，为第i种交通方式在时段开始时刻附近最近的一班车上客时刻，为第i种交通方式班车停站时间，为第i种交通方式发车间隔，为为第i种交通方式在内发车班数，若的值小于零，则该种交通方式运能有剩余；

还包括将所计算的交通方式运能状况进行显示的步骤。

2.根据权利要求1所述的综合客运枢纽多交通方式预测方法，其特征在于，步骤（1）中采用K最近邻分类算法实现客流量的预测。

3.根据权利要求2所述的综合客运枢纽多交通方式预测方法，其特征在于，所述的K最近邻分类算法为：

（11）、选取样本数据：距预测日期较近的N天客流数据，经及N天客流样本的n维特征向量数据，

（12）、样本期望：预测日期的n维特征向量，

（13）、计算样本数据与样本期望数据的欧氏距离：

每个样本与样本期望的欧氏距离可表示为：，

（14）、给定欧氏距离识别标准和，对N个样本进行识别，给出识别条件：，如果有个样本满足上式要求，则认为该个样本为同一类数据，这类数据即为可用预测数据；

（15）、统计出个样本的所属分类,

根据各样本数据的特征向量的影响程度，将影响权值大的向量作为其分类，完成对个样本数据的分类，

（16）、各分类中样本数最多的样本客流数据取平均值作为预测客流值

则客流预测值为：。

4.一种综合客运枢纽多交通方式预测系统，其特征在于，包括：客流预测模块，用于利用客流量的历史数据，采用数据统计方法预测到达客流总量；

客流分担比例预测模块，用于各交通方式客流分担比例预测，利用各交通方式分担客流的历史数据，分别预测各交通方式的客流分担比例。

5.根据权利要求4所述的综合客运枢纽多交通方式预测系统，其特征在于，还包括实时客流采集模块，用于实时到达客流数据采集。

6.根据权利要求5所述的综合客运枢纽多交通方式预测系统，其特征在于，还包括最小枢纽滞留客流量估计模块和显示模块，所述最小枢纽滞留客流量估计模块估计最小枢纽滞留客流量，显示模块用于将各交通方式运能状况进行显示。