CN104217250B

CN104217250B - 一种基于历史数据的城市轨道交通新线开通客流预测方法

Info

Publication number: CN104217250B
Application number: CN201410386745.6A
Authority: CN
Inventors: 何志莹; 汪波; 黄建玲; 杜勇; 郭欣
Original assignee: BEIJING TRAFFIC INFORMATION CENTER
Current assignee: BEIJING TRAFFIC INFORMATION CENTER
Priority date: 2014-08-07
Filing date: 2014-08-07
Publication date: 2017-05-31
Anticipated expiration: 2034-08-07
Also published as: CN104217250A

Abstract

本发明公开了一种基于历史数据的城市轨道交通新线开通客流预测方法，对既有站点的历史进出站量数据进行聚类分析，提取站点属性，以及获取站点属性与进出站量之间的关系模型；基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量；及基于所述既有站点的历史OD分布数据训练学习创建的回归模型，获取需要预测站点的OD分布比例；以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，基于增量基础公式和出行时间，获取受影响站点的诱增客流量，基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量。

Description

一种基于历史数据的城市轨道交通新线开通客流预测方法

技术领域

本发明涉及智能交通技术领域，具体涉及一种基于历史数据的城市轨道交通新线开通客流预测方法。

背景技术

为了满足人们不断增长的交通需求，城市轨道网络不断扩建。大量新线建设和换乘站的出现改变了原有的城市轨道交通拓扑结构，城市轨道路网连通性、可达性均发生变化，从而影响出行者的出行选择行为，客流在城市轨道路网上的分布随之发生改变。因此，在新线开通前，结合新线的运营条件和既有线网运营现状，预测新线开通客流以及对既有线路的客流影响，对于制定线路规划、以及保障新线的顺利开通、线网的安全稳定运营具有重要的意义。

新线由于缺乏本线的历史数据，不能通过历史同期数据进行规律分析预测，现有技术中新线开通客流预测方法通常采用基于出行的四阶段预测模型方法来进行预设，该方法按照交通生成预测、交通分布预测、交通方式划分预测和交通分配四阶段来分析城市现状和未来的交通状况，从宏观的角度把握城市居民出行的特点，然后分阶段预测分析，是目前交通规划领域应用最广的方法。其中交通生成预测是获得城市在未来社会经济发展规模、人口规模和土地利用特征下，未来城市各交通小区可能产生和吸引到的总交通量；交通分布预测是获得未来城市交通出行在空间上的分布。

但是，采用上述方法需要通过大量的调查获得数据，收集较为困难，且收集时间长，且在模型构建中仅根据新站点本身的特点进行客流的预测，预测的精度较低。

发明内容

为了克服现有技术的不足，本发明提供了一种基于历史数据的城市轨道交通新线开通客流预测方法，是通过基于既有站点的历史数据对城市轨道交通的客流规律和影响因素进行挖掘和分析，得到新线进出站量预测模型和OD分布预测模型，并对既有站点的影响进行分析，预测出新线站点的每小时进出站量，使得预测的进出站量的精度得以提高。

本申请实施例提供了一种基于历史数据的城市轨道交通新线开通客流预测方法，包括：

对既有站点的历史进出站量数据进行聚类分析，提取站点属性，以及获取站点属性与进出站量之间的关系模型；

基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，其中，所述新线站点为所述新线中的所有站点；

以及基于所述既有站点的历史OD分布数据训练学习，创建回归模型，所述回归模型与OD分布比例、站点属性、站点距离和换乘次数相对应；

基于所述回归模型，获取需要预测站点的OD分布比例；

以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，基于增量基础公式和出行时间，获取受影响站点的诱增客流量，其中，所述受影响站点为所述站点区域内的所有既有站点；

基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量。

可选的，所述对既有站点的历史进出站量数据进行聚类分析，提取站点属性，具体包括：

对所述既有站点的历史进出站量数据进行预处理，所述既有站点中的每个站点基于各时刻的进出站量数据构建多维向量，获得既有站点样本；

对所述既有站点样本进行k-means聚类分析；

基于聚类结果和进出站量曲线变化规律，提取所述站点属性。

可选的，所述对所述既有站点样本进行k-means聚类分析，具体包括：

基于向量距离，将所述既有站点划分为M类站点，其中，所述M类站点包括办公区类站点、住宅区类站点、枢纽区类站点、住宅办公区类站点、火车站类站点、旅游区类站点、购物区类站点和郊区类站点。

可选的，所述站点属性包括办公指数、住宅指数、枢纽指数、购物指数、旅游指数和火车站指数。

可选的，在所述预测出所述新线站点的每小时进出站量之后，所述方法还包括：通过三次样条差值对预测的每小时进出站量进行处理，预测出所述新线站点的每十五分钟进出站量。

可选的，所述基于所述既有站点的历史进出站量数据，获取站点属性与进出站量之间的关系模型，具体包括：基于所述既有站点的历史进出站量数据，对所述M类站点中的每类站点进行评估；根据评估结果，根据评估结果，获取各类站点的站点属性参照表，以及站点属性和进出站量之间的关系模型。

可选的，所述基于所述既有站点的历史进出站量数据，对所述M类站点中的每类站点进行评估，具体包括：

基于所述既有站点的历史进出站量数据，通过所述k-means聚类获取每类站点的聚类中心曲线，获取每类站点的聚类中心曲线中的四个波峰值，所述四个波峰值用于表征早晚高峰小时的进出站量；

若早晚高峰小时进站量分别为O_am、O_pm，出站量为D_am、D_pm，所述既有站点的最大进出站量为N_max，则办公区类站点、住宅区类站点、住宅办公区类站点和郊区类站点的办公指数为均以及住宅指数均为

若枢纽区类站点中最大客流类别的早晚高峰进出站量之和为N_j、则枢纽区类站点的枢纽指数为

若购物类站点中最大客流类别的早晚高峰进出站量之和为N_j，则购物类站点的购物指数为

若旅游类站点中最大客流类别的早晚高峰进出站量之和为N_j，则旅游类站点的旅游指数为

若火车站类站点中最大客流类别的早晚高峰进出站量之和为N_j，则火车站类站点的火车站指数为

可选的，所述基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，具体包括：

对所述新线站点进行类别评估，从所述M类站点中确定与所述新线站点对应的一类站点；

根据与所述新线站点对应的一类站点和所述各类别的站点属性参照表，预测出所述新线站点的每小时进出站量，以及获取所述新线站点的站点属性；

获取对所述新线站点的现场调查参数，对所述新线站点的站点属性进行调整；

根据调整后的所述新线站点的站点属性，预测出所述新线站点的每小时进出站量。

可选的，所述基于所述既有站点的OD分布数据训练学习，创建回归模型，具体包括：选取每隔一预设时间的同类车站O到另外一类车站D的历史OD数据作为一组数据，创建一个线性回归模型，所述线性回归模型为：其中，P_ij为i站到j站的OD比例，为j站的全天总出站量，为i到j的站数，为i到j的换乘次数；

将所述既有站点对应的历史OD数据代入所述线性回归模型中，创建全天每小时的OD分布模型。

本发明有益效果如下：

本发明实施例中，本申请技术方案中是对既有站点的历史进出站量数据进行聚类分析，提取站点属性和获取站点属性与进出站量之间的关系模型，再基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，如此，相对于现有技术，本申请的技术方案无需进行大量的数据收集，可操作性更强，而且所述新线站点的每小时进出站量是基于既有站点的历史数据对城市轨道交通的客流规律和影响因素预测出来，具有更强的理论依据和较高的精度；而且本申请技术方案还基于所述既有站点的历史OD分布数据训练学习，基于创建的回归模型，获取需要预测站点的OD分布比例；以及基于诱增客流计算模型，获取所述新线开通后的诱增客流量；以及基于所述新线的公交车接驳线路数量和所述新线站点到所述受影响的既有站点区域的距离，确定所述受影响的既有站点区域受所述新线影响后的转移客流量，如此，相对于现有技术，本申请的技术方案能够获取OD分布预测模型，并对既有站点的影响进行分析，可以得到全天各时段的客流变化，且具有较高的精度。

附图说明

图1为本发明实施例中基于历史数据的城市轨道交通新线开通客流预测方法的流程图；

图2为本发明实施例中聚类中心点曲线的结构示意图。

具体实施方式

下面结合各个附图对本发明实施例技术方案的主要实现原理、具体实施方式及其对应能够达到的有益效果进行详细地阐述。

本发明实施例提出了一种基于历史数据的城市轨道交通新线开通客流预测方法，包括以下步骤：

步骤101：对既有站点的历史进出站量数据进行聚类分析，提取站点属性，以及获取站点属性与进出站量之间的关系模型；

步骤102：基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，其中，所述新线站点为所述新线中的所有站点；

步骤103：以及基于所述既有站点的历史OD分布数据训练学习，创建回归模型，所述回归模型与OD分布比例、站点属性、站点距离和换乘次数相对应；

步骤104：基于所述回归模型，获取需要预测站点的OD分布比例；

步骤105：以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，基于增量基础公式和出行时间，获取受影响站点的诱增客流量，其中，所述受影响站点为所述站点区域内的所有既有站点；

步骤106：基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量。

其中，在步骤101中，对所述既有站点的历史进出站量数据进行预处理，所述既有站点中的每个站点基于各时刻的进出站量数据构建多维向量，获得既有站点样本；对所述既有站点样本进行k-means聚类分析；基于聚类结果和进出站量曲线变化规律，提取所述站点属性，以及获取站点属性与进出站量之间的关系模型。

其中，所述既有站点包含的站点的数量不小于80个，例如可以是100个站点、500个站点、1000站点等，进一步的，所述进出站量包括进站量和出站量。

在具体实施过程中，所述对既有站点的历史进出站量数据进行聚类分析，提取站点属性，具体包括：对所述既有站点的历史进出站量数据进行预处理，所述既有站点中的每个站点基于各时刻的进出站量数据构建多维向量，获得既有站点样本；对所述既有站点样本进行k-means聚类分析；基于聚类结果和进出站量曲线变化规律，提取所述站点属性。

具体来讲，首先对所述既有站点历史进出站量数据进行预处理，再使得每个站点根据各时刻的进出站量数据构建多维向量p，其中，

p＝(o₁,o₂,...,o₂₀,d₁,d₂,...,d₂₀)

其中，o₁表示4:00到5:00的小时进站量，o₂表示5:00到6:00的小时进站量，以此类推，o₂₀表示23:00到24:00的小时进站量；同理，d表示对应的每小时出站量，其中，d₁表示4:00到5:00的小时出站量，d₂表示5:00到6:00的小时出站量，以此类推，d₂₀表示23:00到24:00的小时出站量。

由于每个站点构建一个多维向量，进而形成一个既有站点样本p_i，对所有既有站点样本进行k-means聚类，即在多维空间将所有站点根据向量距离划分成M类(M>＝8)，从而获得M类站点，且每一类站点均有一个在多维空间下的聚类中心点。

进一步的，根据每一类站点中的聚类中心的曲线形状分布特点，将具有相似的曲线变化趋势，即波形较为一致的曲线分为一类，则可进一步将M类分成8类，分析这8类站点的特性，可发现聚类结果较好的将具有共性的站点分为一类，所述8类站点分别是办公区类站点、住宅区类站点、枢纽区类站点、住宅办公区类站点、火车站类站点、旅游区类站点、购物区类站点和郊区类站点。

如此，使得在对所述既有站点样本进行k-means聚类分析时，可以基于向量距离，将所述既有站点划分为M类站点，其中，所述M类站点包括办公区类站点、住宅区类站点、枢纽区类站点、住宅办公区类站点、火车站类站点、旅游区类站点、购物区类站点和郊区类站点。

进一步的，再根据上述聚类结果，提取所述站点属性，所述站点属性包括办公指数、住宅指数、枢纽指数、购物指数、旅游指数和火车站指数，其中，所述办公指数用于表征办公楼的数量和规模，所述住宅指数用于表征住宅楼的数量和规模，所述枢纽指数用于表征枢纽容纳规模，所述购物指数用于购物指数，所述旅游指数用于表示旅游景点的数量和规模，所述火车站指数用于表征火车站的容纳规模，具体参加下表1。

站点属性	说明
		办公指数	表征办公楼的数量和规模
住宅指数	表征住宅楼的数量和规模
		枢纽指数	表征枢纽容纳规模
购物指数	表示商场数量和规模
		旅游指数	表示旅游景点的数量和规模
火车站指数	表示火车站的容纳规模

表1

在获取所述站点属性后，基于所述既有站点的历史进出站量数据，对所述M类站点中的每类站点进行评估；根据评估结果，获取各类站点的站点属性参照表，以及站点属性和进出站量之间的关系模型。

具体来讲，可以基于所述既有站点的历史进出站量数据，通过所述k-means聚类获取每类站点的聚类中心曲线，获取每类站点的聚类中心曲线中的四个波峰值，所述四个波峰值用于表征早晚高峰小时的进出站量；若早晚高峰小时进站量分别为O_am、O_pm，出站量为D_am、D_pm，所述既有站点的最大进出站量为N_max，则办公区类站点、住宅区类站点、住宅办公区类站点和郊区类站点的办公指数为均以及住宅指数均为枢纽指数、购物指数、旅游指数和火车站指数均为0；若枢纽区类站点中最大客流类别的早晚高峰进出站量之和为N_j、则枢纽区类站点的枢纽指数为办公指数、住宅指数、购物指数、旅游指数和火车站指数均为0。

进一步的，购物区类站点、旅游区类站点、火车站类站点采用与枢纽区类站点相同方式计算指数，具体以购物区类站点为例，若购物区类站点中最大客流类别的早晚高峰进出站量之和为N_j、则购物区类站点的购物指数为办公指数、住宅指数、枢纽指数、旅游指数和火车站指数均为0。

具体的，在对聚类得到的M类站点进行站点属性评估时，由于站点较多，每个站考察其办公、住宅等建筑情况较为复杂，且不容易得到准确的数据，因此，可以根据每类聚类中心曲线表征的特点进行属性评估，假设第i类聚类中心点为c_i，为40维向量，表征随时间变化的小时进出站量，具体可以如图2所示，可以得到曲线的四个波峰值，分别代表了早晚高峰小时进出站量，其中，所述早晚高峰包括早高峰和晚高峰，所述早高峰表征7:00至9:00的时间段内最大的小时客流量，所述晚高峰表征17:00至19:00的时间段内最大的小时客流量。

其中，图2中的横坐标表示时间，纵坐标表示进出站量。

假设早高峰的进站量为O_am，晚高峰的进站量为O_pm，早高峰的出站量为D_am，晚高峰的出站量为D_pm，所有站最大进出站量为N_max，则办公区、住宅区、住宅办公区和郊区所属类别的办公指数为住宅指数为其它指数为0。

假设枢纽区类站点内最大客流类别的早晚高峰进出站量之和为N_j、则枢纽指数：其它指数为0，购物区类站点、旅游区类站点、火车站类站点采用与枢纽区类站点相同方式计算指数，根据以上计算结果，形成各类别的站点属性参照表。

接下来执行步骤102，在该步骤中，基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，其中，所述新线站点为所述新线中的所有站点。

在具体实施过程中，由于所述关系模型为所述各类别的站点属性参照表，进而可以对所述新线站点进行类别评估，从所述M类站点中确定与所述新线站点对应的一类站点；根据与所述新线站点对应的一类站点和所述各类别的站点属性参照表，预测出所述新线站点的每小时进出站量，以及获取所述新线站点的站点属性；获取对所述新线站点的现场调查参数，对所述新线站点的站点属性进行调整；根据调整后的所述新线站点的站点属性，预测出所述新线站点的每小时进出站量。

具体的，在对每一个新站的类别评估时，初步匹配到M类站点中的一个类站点中，将每一个新站的所属类别站点匹配到所述各类别的站点属性参照表中，进而可以预测出每一个新站的每小时进出站量，即预测出所述新线站点的每小时进出站量，并获取新站的站点属性，即获取新站对应的指数。

进一步的，还可以根据对新站的现场调查参数，对新站的指数进行相应的调整，根据指数调整新站的每小时进出站量曲线幅度，如果一新站属于枢纽、旅游、购物、火车站相关的类，假设该新站对应类别的指数为P_c，其小时进站量为新站评估的指数为P_new，则该新站的小时进站量为所述类别的指数是指新站类别对应的类别指数，若新站为枢纽类，则新站对应的类别指数为枢纽指数；若新站为购物类，则新站对应的类别指数为购物指数；如果一新站属于办公、住宅、办公住宅、郊区相关的类别，假设该新站对应类别的办公指数为以及住宅指数为早晚高峰小时进站量分别为出站量为新站评估的办公指数为以及住宅指数为则对其高峰小时进出站量进行调整

例如，以所述新线站点中的A新站为例，首先对A新站进行类别评估，确定A新站属于购物区类站点，则根据购物类的站点属性参照表，预测出A新站的每小时进出站量，并获取A新站的站点属性，即获取A新站的指数，然后再根据对A新站的现场调查参数，对A新站的指数进行调整，获取调整后的A新站的指数为P_new，若A新站对应的购物类别的购物指数为P_c，其小时进站量为则A新站的每小时进站量为

进一步的，在所述预测出所述新线站点的每小时进出站量之后，所述方法还包括：通过三次样条差值对预测的每小时进出站量进行处理，预测出所述新线站点的每十五分钟进出站量。

具体的，在所述预测出所述新线站点的每小时进出站量之后，通过三次样条插值从1个小时粒度细化到15分钟粒度。

接下来执行步骤103，在该步骤中，以及基于所述既有站点的历史OD分布数据训练学习，创建回归模型，所述回归模型与OD分布比例、站点属性、站点距离和换乘次数相对应。

在具体实施过程中，根据既有站点历史OD分布数据训练学习，得到一个OD分布比例和站点属性、距离、换乘次数等影响因素之间的回归模型。

具体来讲，可以选取每隔一预设时间的同类车站O到另外一类车站D的历史数据作为一组数据，创建一个线性回归模型，所述线性回归模型为：其中，P_ij为i站到j站的OD比例，为j站的全天总出站量，为i到j的站数，为i到j的换乘次数，将所述既有站点对应的历史OD数据代入所述线性回归模型中，创建全天每小时的OD分布模型。

具体的，所述预设时间例如可以为15分钟，10分钟，20分钟等值，本申请不作具体限制，下面具体以所述预设时间为15分钟为例。

接下来执行步骤104，在该步骤中，基于所述回归模型，获取需要预测站点的OD分布比例。

例如，选取某15分钟的同类车站O到另外一类车站D的历史OD数据作为一组数据，学习一个线性回归模型其中P_ij为i站到j站的OD比例，为j站的全天出站量，为i到j的站数，为i到j的换乘次数，然后再将不同时段不同类别的数据作为输入，重复运行上述步骤，从而得到全天各个时段全路网的OD分布模型表，每个时段每个类别对应一个回归模型，其中，全天可以划分为24时段，每一个小时对应一个时段，所述时段还可以根据早晚高峰期进行划分；然后输入需要预测OD分布的站点数据，包括进入站点O和出去站点D的类别属性，以及预测的时间段，从而从OD分布模型表中选出对应的回归模型，根据距离、换乘次数、出站量等因素计算得到OD分布比例。

接下来执行步骤105，在该步骤中，以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，基于增量基础公式和出行时间，获取受影响站点的诱增客流量，其中，所述受影响站点为所述站点区域内的所有既有站点。

其中，通过分析历史新线开通前后全路网的进出站量变化，可以得到既有线路受影响的客流包括诱增客流和转移客流，所述诱增客流是由于可达性的增加，吸引了一部分客流；所述转移客流是由于新线的开通，乘客选择新线上的站点而不选择其他既有线上站点，导致既有线的客流量减少。

在具体实施过程中，在获取受影响站点的诱增客流量之前，首先，计算受影响的站点区域：

其中，LLL＝1,2,3表示新线和既有线路属于平行、交叉、平行交叉的关系，4表示其它关系，t_ij表示新站i到既有站j之间的出行时间，当t_ij≤t时为受影响的车站范围，t例如可以为不小于35min的值，例如可以为 35min、50min和60min等值。

其次，计算既有站进站量受新线影响概率p_ij：

其中，η表示权重参数，可以根据历史数据学习得到。

最后，计算诱增客流，即既有站点j受新线影响后的诱增客流Q_yj：

其中，n表示新站站点数。

接下来执行步骤106，在该步骤中，基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量。

在具体实施过程中，在通过步骤105计算出受影响的站点区域之后，根据公交车接驳线路数量、站间距离等因素计算转移客流。

具体来讲，在通过步骤105计算出受影响的站点区域之后，对受影响站点计算转移概率，其中，在计算转移客流和计算诱增客流时可以采用不同的方式来计算所述受影响的站点区域，当然也可以采用相同的方式来计算所述受影响的站点区域。

具体的，在计算转移客流时，可以根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，计算受影响的站点区域具体为：

其中，d_ij表示新站i到既有站j之间的空间距离，当d_ij≤r时为受影响的站点区域，r取不小于2km的值，例如可以为2km，2.5km等值。其次，对受影响车站计算转移概率为：

其中，L表示新站距离既有站点的空间距离；T表示新站到达大型居住区的出行时间t₁与既有站点到达同一大型小区的出行时间t₂差；即 T＝t₁-t₂；BN表示新站的公交车接驳线路数量，当它达到某一特定的值时，所述特定的值例如为4或5或6，使得出行更方便，因此会产生吸引客流，从而导致既有站点客流减少。

最后，计算转移客流，即既有站点j受新线影响后的转移客流Q_zj：

Q_zj＝β*Q_j

其中，β为f归一后得出的j站转移概率，Q_j为j站总进站量。

其中，步骤103和步骤105可以同时执行，也可以先执行步骤105，后执行步骤103，本申请不作具体限制。

本发明有益效果如下：

本发明实施例中，本申请技术方案中是对既有站点的历史进出站量数据进行聚类分析，提取站点属性和获取站点属性与进出站量之间的关系模型，再基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，如此，相对于现有技术，本申请的技术方案无需进行大量的数据收集，可操作性更强，而且所述新线站点的每小时进出站量是基于既有站点的历史数据对城市轨道交通的客流规律和影响因素预测出来，具有更强的理论依据和较高的精度；而且本申请技术方案还基于所述既有站点的历史OD分布数据训练学习，基于创建的回归模型，获取需要预测站点的OD分布比例；以及基于诱增客流计算模型，获取所述新线开通后的诱增客流量；以及基于所述新线的公交车接驳线路数量和站点距离，确定受影响的站点受所述新线影响后的转移客流量，如此，相对于现有技术，本申请的技术方案能够获取OD分布预测模型，并对既有站点的影响进行分析，可以得到全天各时段的客流变化，且具有较高的精度。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种基于历史数据的城市轨道交通新线开通客流预测方法，其特征在于，包括：

基于所述回归模型，获取需要预测站点的OD分布比例；

基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量；

其中，所述基于所述既有站点的历史OD分布数据训练学习，创建回归模型，具体包括：

选取每隔一预设时间的同类车站O到另外一类车站D的历史OD数据作为一组数据，创建一个回归模型，所述回归模型为：其中，P_ij为i站到j站的OD比例，为j站的全天总出站量，为i到j的站数，为i到j的换乘次数；

将所述既有站点对应的历史OD数据代入所述回归模型中，创建全天每小时的OD分布模型。

2.如权利要求1所述的预测方法，其特征在于，所述对既有站点的历史进出站量数据进行聚类分析，提取站点属性，具体包括：

对所述既有站点样本进行k-means聚类分析；

3.如权利要求2所述的预测方法，其特征在于，所述对所述既有站点样本进行k-means聚类分析，具体包括：

4.如权利要求3所述的预测方法，其特征在于，所述站点属性包括办公指数、住宅指数、枢纽指数、购物指数、旅游指数和火车站指数。

5.如权利要求4所述的预测方法，其特征在于，在所述预测出所述新线站点的每小时进出站量之后，所述方法还包括：

通过三次样条差值对预测的每小时进出站量进行处理，预测出所述新线站点的每十五分钟进出站量。

6.如权利要求5所述的预测方法，其特征在于，所述基于所述既有站点的历史进出站量数据，获取站点属性与进出站量之间的关系模型，具体包括：

基于所述既有站点的历史进出站量数据，对所述M类站点中的每类站点进行评估；

根据评估结果，获取各类站点的站点属性参照表，以及站点属性和进出站量之间的关系模型。

7.如权利要求6所述的预测方法，其特征在于，所述基于所述既有站点的历史进出站量数据，对所述M类站点中的每类站点进行评估，具体包括：

若枢纽区类站点中最大客流类别的早晚高峰进出站量之和为N_j，则枢纽区类站点的枢纽指数为

8.如权利要求7所述的预测方法，其特征在于，所述基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，具体包括：

根据与所述新线站点对应的一类站点和各类别的站点属性参照表，预测出所述新线站点的每小时进出站量，以及获取所述新线站点的站点属性；

根据调整后的所述新线站点的站点属性和站点属性与进出站量之间的关系模型，预测出所述新线站点的每小时进出站量。