CN105513337A - 一种客流量的预测方法及装置 - Google Patents

Abstract

本发明公开了一种客流量的预测方法及装置，用于客流量预测技术领域。在本发明一些可行的实施方式中，方法包括：获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。本发明技术方案基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。

Description

一种客流量的预测方法及装置

技术领域

本发明涉及客流量预测技术领域，具体涉及一种客流量的预测方法及装置。

背景技术

轨道交通作为公共交通的重要组成部分，其具有速度快、时间准、运量大、运距长、舒适度高、受外界影响小等特点，其在城市公共交通流量大、道路拥堵等问题起着重要的作用，已日益成为市民出行的首选交通方式，随着地铁客流量的逐天增加，轨道交通也遭受客流集散拥挤严重，客流组织工作的复杂度也越来越高，因此，地铁客流量的短期预测体现出其他交通方式不可比拟的作用，是制定运力配置方案、客运组织方案的重要参考因素。

现有的客流量的预测方法多是基于单源数据的预测方法，例如基于智能卡数据的客流量的预测方法，由于影响客流量的因素有多种多样，因此这种仅仅依据智能卡数据对客流量进行预测的方法会导致预测的精准度尤其是短期预测的精准度比较低。

综上所述，现有技术中的客流量的预测方法是基于单源数据，导致预测的客流量的精准度比较低。

发明内容

本发明实施例提供一种客流量的预测方法及装置，以解决现有技术中的客流量的预测方法是基于单源数据，导致预测客流量的精准度比较低的问题。

本发明第一方面提供一种客流量的预测方法，包括：

获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；

基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

本发明第二方面提供一种客流量的预测装置，包括：

获取模块，用于获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；

预测模块，基于所述获取模块中获取的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

由上可见，本发明实施例基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种客流量的预测方法的流程图；

图2是本发明实施例提供的一种客流量的预测方法的子流程图；

图3是本发明实施例提供的一种客流量的预测方法的另一子流程图；

图4是本发明实施例提供的一种客流量的预测装置的逻辑结构示意图；

图5是本发明实施例提供的一种客流量的预测装置的另一逻辑结构示意图；

图6是本发明实施例提供的一种客流量的预测装置的又一逻辑结构示意图。

具体实施方式

本发明实施例提供一种客流量的预测方法，以解决现有技术中的客流量的预测方法是基于单源数据，导致预测客流量的精准度比较低的问题。本发明实施例还提供相应的一种客流量的预测装置。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

下面通过具体实施例，分别进行详细的说明。

实施例一、

请参考图1，本发明实施例提供的一种客流量的预测方法，可包括：

110、获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据。

影响客流量的因素有多种多样，例如天气状况，公路交通拥堵，这些因素都会影响到未来的客流量。本发明实施例通过获取智能卡刷卡数据、气象数据及机动车GPS数据，并基于这些数据的特征属性进行客流量的预测，可更好的提高预测的精准度。

在本发明的一些实施例中，客流量具体为地铁客流量。

在本发明的一些实施例中，所述智能卡刷卡数据包括：智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型。其中进出站类型是指乘客是进站类型还是出站类型。可用CardID、StationId、TrnsctTime和TrnsctyType来分别标识智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型。

所述气象数据包括：气象站点、站点经纬度，十分钟风速，湿度，气压，十分钟降雨量。可用StationID、GPS、Tenmtwdspeed、Humidity，Barpressure和Tenmnrainfall来分别标识气象站点、站点经纬度，十分钟风速，湿度，气压及十分钟降雨量。

所述机动车GPS数据包括：车牌号、时间、经度、纬度及速度。可用ID、Time、Lat、Lng及Speed来分别标识车牌号、时间、经度、纬度及速度。

请参考图2，在本发明的一些实施例中，所述获取多源数据中影响客流量的特征属性包括：

1101、基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量。

在本发明的一些实施例中，所述基于智能卡刷卡数据将乘客分为常客和散客两类的步骤具体为：基于智能卡刷卡数据获取乘客的时空特征信息，根据所述时空特征信息将乘客分为常客和散客两类。

请参考图3，在本发明的一些实施例中，所述基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量包括：

11011、根据智能卡刷卡数据中的智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型，汇总每张智能卡的出行信息和活跃天数。

在本发明的而一些实施例中，可将长时间的智能卡数据，按CardID、StationId、TrnsctTime、TrnsctyType将乘客的进站和出站记录相匹配，形成一次出行，每次出行包含了进站点和出站点及进出站时间，以汇总每张卡的所有出行信息和活跃天数。

11012、根据所述出行信息和活跃天数获取乘客的集中出行时间段。

在本发明的一些实施例中，针对每位乘客可按以下步骤做分析，假设乘客的活跃天数为D_num。

步骤11012根据所述出行信息和活跃天数获取乘客的集中出行时间段具体可包括以下步骤：

(1)、获取乘客在每天每个时段的活跃状态。

在本步骤中，可用数组H表示，其中行表示天，列表示时段，时段是指将天划分为多个时段，H_ji的值表示在第j天，第i时段乘客的状态，当H_ji的值为0时表示乘客在第j天，第i时段无乘车行为，当H_ji的值为1时表示乘客在第j天，第i时段有乘车行为。

(2)、汇总每个时间段乘客的乘车天数。

本步骤中，可采用重叠时间段，三小时为一时间段，例如00:00～2:59,1:00～3:59…，结果用一维数组T表示乘客的乘车天数，这里T_i表示第i个时间段的乘车天数，结果用如下公式1表示：

$T_i=\underset{j=1}{\overset{Dnum}{\Σ}}\left(H_{ji}\right|H_{j(i+1)}\left|H_{j(i+2)}\right)$ (公式1)

(3)、对T中的值按降序排列，获取乘车天数与活跃天数大于预先设置的经验值ε(即T_i/D_num>ε)时的所有时间段集合S{S₁，S₂,…}。

11013、获取每位乘客在每个集中出行时间段的进站点，当第一乘客在第一集中出行时间段中从第一进站点进站的概率大于预先设置的第一阈值时，则标记第一进站点为第一集中出行时间段内第一乘客的经常出行站点，此时的第一乘客为第一进站点、第一集中出行时间段内的常客，否则为散客，所述第一乘客是全部乘客中的任一乘客，所述第一集中出行时间段是全部集中出行时间段中的任一集中出行时间段，所述第一进站点是全部站点中的任一站点。。

在本发明的一些实施例中，第一阈值的范围为(0,1)。

优选的，第一阈值具体为0.8。经过实验发现，当第一阈值采用0.8时，对客流量的预测结果更精准。

一个例子中，例如获取乘客A在某个S_i时段的进站点是W，如果乘客A在S_i时间段从W站进站的概率大于0.8，即Pr(W|S_i)>0.8，则标记进站点W为该集中出行时间段S_i内乘客A的经常出行站点，此时乘客A为进站点W、集中出行时间段S_i内的常客，如果乘客A在S_i时间段从W站进站的概率小于等于0.8，即Pr(W|S_i)≤0.8，则此时乘客A为进站点W、集中出行时间段S_i内的散客。

11014、周期统计常客和散客两类乘客的数量，形成两个时间序列，分别为常客时间序列和散客时间序列。

在本发明的一些实施例中，常客时间序列和散客时间序列表示如下：

Y＝{y_t-n,…,y_t-1,y_t},Y’＝{y’_t-n,…,y’_t-1,y’_t}

在本发明的一些实施例中，可每几分钟例如每15分钟统计一下常客和散客两类乘客的数量，从而可以实现短期预测。

1102、基于气象数据计算站点的天气指数。

具体的，本步骤是基于气象数据，利用辐射模型计算站点的天气指数。其中，辐射模型(radiationmodel)是借鉴固体物理学中物质运动的发散和吸收过程提出的，弥补了重力模型应用于人口流动强度模拟存在的多项不足，并利用人口流、物流、信息流等进行了实例验证。与重力模型相比，辐射模型与实测数据的拟合程度较高，能够更趋近现实地模拟两地之间的流动强度。

由于气象数据是通过各个气象站收集的数据，由于资金，土地，人力等成本的限制，现有气象站的数量是有限的，因此不能准确的知道任意给定一个位置的天气情况，即目前的天气信息存在稀疏性，为了细粒度的推算各地铁站点附近的天气状况，本发明实施例使用辐射模型估算每个地铁站点的天气指数，按照公式2计算地铁站点受到所有气象站所预报天气的影响，简称天气指数WtherFactor，d_k是此地铁站到气象站点k的距离，O_k是各气象站的天气指标，n代表气象站的数量，k为大于1的自然数。

$WtherFactor=\underset{k=1}{\overset{n}{\Σ}}{\left(\frac{1}{1+d_k}\right)}^e\frac{O_k}{\underset{k=1}{\overset{n}{\Σ}}{O}_k}$ (公式2)

1103、基于机动车GPS数据计算所述站点的路况指数。

由于部分地铁乘客来源于从公交车、私家车、出租车等换乘而来，而这些乘客量与路况例如道路的速度有关系。例如如果附近道路畅通，那么平均时间内到来的换乘乘客数量可能越多，反之如果道路拥挤，那么换乘乘客数量则可能越少。除此之外，地铁站周边的道路可能有多条，并且不同的路段平均时间内通过的车流量不同，从而对地铁站客流影响也不相同，假设地铁站周边的路段有n条，在时间段t内通过这n条路段的历史长期的平均车流量分别为{Cr₁,Cr₂,Cr₃,…Cr_n}，其中Cr_n的下标为路段的编号，那么编号为i路段的权重为假设在时间段t内、这n条路段的历史长期平均速度分别为{Hsp₁,Hsp₂,Hsp₃,…Hsp_n}，如果某天在时间段t各路段的平均速度分别为{Sp₁,Sp₂,Sp₃,…Sp_n}，那么为道路i的速度对客流量的影响因子。本发明实施例中，通过用各路段的权重Wght_i与道路速度对客流的影响因子sfactor_i的积的和来计算地铁站周边路段的路况指数TrffcFactor的值，如公式3。

$TrffcFactor=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{sfactor}}_i\×{\mathrm{Wght}}_i)$ (公式3)

120、基于所述特征属性，利用自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记为ARIMA)和人工神经网络(ArtificialNeuralNetwork，简记为ANN)预测未来的客流量。

在本发明的一些实施例中，所述基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量包括：

基于所述常客和散客两类乘客的数量、所述天气指数和所述路况指数，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

在本发明的一些实施例中，所述基于所述常客和散客两类乘客的数量、所述天气指数和所述路况指数，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量包括：

利用自回归积分滑动平均模型对常客时间序列和散客时间序列的数量进行预测，得到第一预测结果和第二预测结果；

对第一残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第一样本集，对第二残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第二样本集，所述第一残差序列为所述常客时间序列与第一预测结果的差，所述第二残差序列为所述散客时间序列与第二预测结果的差；

利用人工神经网络，分别对所述第一样本集和所述第二样本集进行预测，得到第三预测结果和第四预测结果；

所述未来的客流量包括所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果。

在本发明的一些实施例中，所述未来的客流量为第一预测结果、第二预测结果、第三预测结果和第四预测结果的和。

大量研究表明,客流量的发生是一个动态复杂系统,具有不均匀性、差异性、多样性、突发性、随机性、可预测性和规律性等复杂性的特点，单一预测模型都是基于线性或非线性数据，不能同时捕捉其发生的线性和非线性规律,很难达到理想的预测精度。本发明实施例首先采用差分自回归移动平均模型(ARIMA)预测客流发生的历史数据，使其线性规律信息包含在ARIMA模型的预测结果中，这时非线性规律包含在残差序列中,然后通过对残差序列进行样本重构，加入天气指数和路况指数形成新的样本集，利用ANN模型对新的样本集进行预测,使非线性规律包含在新的样本集的预测结果中,最后将两者的预测结果相加得到组合预测模型的预测值。

ARIMA模型是时间滞后变量和误差项的线性组合，被广泛用于交通短期预测，例如交通流，乘车时间，路况等，其在相对线性平稳的时间序列方面效果比较理想，然而ARIMA模型的应用程序，认为滞后的时间变量是存在线性关系的，因此ARIMA模型不能发现非线性的关系。ANN是经常被采用的建模方法，因为他们拥有适应性强，非线性和任意函数映射能力的特性。

ARIMA模型极具弹性，融合了时间序列分析和回归分析的优点，但由于客流受到多种因素的影响，这样基于线性数据的ARIMA模型无法捕捉客流变化过程中的非线性信息,从而导致预测精度不理想,而非线性的神经网络算法可以弥补其不足。而良好的属性获取是建立预测模型的前提，单源数据的其在属性的获取上具有偏面性，本发明实施例通过基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。

为了帮助理解本发明技术方案，下面结合一个例子对本发明实施例的步骤120做进一步说明。

(1)、把常客时间序列的数据y_t看成是由线性自相由线性自相关结果L_t与非线性结果N_t两部分组成，即y_t＝L_t+N_t。

(2)、用ARIMA模型对y_t进行预测，得到预测结果为L^_t，则残差e_t＝Y_t-L^_t，得到的第一残差序列记为{e_t}；

(3)、对第一残差序列进行样本重构，并加入所述天气指数WtherFactor和所述路况指数TrffcFactor，形成第一样本集，利用ANN模型对第一样本集进行预测，得到预测结果e^_t如公式4：

e^_t＝f(e_t-1,e_t-2,e_t-3,...,e_t-n,WtherFactor,TrffcFactor)(公式4)

(4)、将用ARIMA模型和ANN进行组合得到预测结果为，y^_t＝L^_t+e^_t。

利用以上方法可分别对常客时间序列和散客时间

Y＝{y_t-n,…,y_t-1,y_t},Y'＝{y’_t-n,…,y’_t-1,y’_t}做预测，假设未来t时间段的客流量与t-n，…，t-1时间段的历史数据相关。得到结果的和为最终预测的未来t时间段的客流量。

在一个例子中，以深圳市两个月的深圳通卡交易数据，两个月智能卡数据、TaxiGPS数据、天气数据为依据，采用本发明实施例的客流量的预测方法进行预测实验，实验结果证明本发明在预测精度上优于基于单源数据的预测精度。

由上可见，在本发明的一些可行的实施方式中，本发明实施例的客流量的预测方法，基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。

为了更好的实施本发明实施例的上述方案，下面还提供用于配合实施上述方案的相关装置。

实施例二、

请参考图4，本发明实施例提供一种客流量的预测装置40，可包括：

获取模块41，用于获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；

预测模块42，基于所述获取模块中获取的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

请参阅图5，在本发明的一些实施例中，所述获取模块41包括：

分类单元411，用于基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量；

天气指数单元412，用于基于气象数据计算站点的天气指数；

路况指数单元413，用于基于机动车GPS数据计算所述站点的路况指数；

所述预测模块42，具体用于基于所述分类单元411中统计的常客和散客两类乘客的数量、所述天气指数单元412中计算的所述天气指数及所述路况指数单元413中计算的所述路况指数，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

请参阅图6，在本发明的一些实施例中，所述分类单元411包括：

汇总子单4111，用于根据智能卡刷卡数据中的智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型，汇总每张智能卡的出行信息和活跃天数；

第一获取子单元4112，用于根据所述出行信息和活跃天数获取乘客的集中出行时间段；

分类子单元4113，用于获取每个乘客在每个集中出行时间段的进站点，当第一乘客在第一集中出行时间段中从第一进站点进站的概率大于预先设置的第一阈值时，则标记第一进站点为第一集中出行时间段内第一乘客的经常出行站点，此时的第一乘客为第一进站点、第一集中出行时间段内的常客，否则为散客，所述第一乘客是全部乘客中的任一乘客，所述第一集中出行时间段是全部集中出行时间段中的任一集中出行时间段，所述第一进站点是全部站点中的任一站点；

统计子单元4114，用于周期统计常客和散客两类乘客的数量，形成两个时间序列，分别为常客时间序列和散客时间序列。

在本发明的一些实施例中，所述预测模42包括：

第一预测单元421，用于利用自回归积分滑动平均模型对常客时间序列和散客时间序列的数量进行预测，得到第一预测结果和第二预测结果；

样本集单元422，用于对第一残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第一样本集，对第二残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第二样本集，所述第一残差序列为所述常客时间序列与第一预测结果的差，所述第二残差序列为所述散客时间序列与第二预测结果的差；

第二预测单元423，用于利用人工神经网络，分别对所述第一样本集和所述第二样本集进行预测，得到第三预测结果和第四预测结果；

所述未来的客流量包括所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果。

在本发明的一些实施例中，

所述智能卡刷卡数据包括：智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型；

所述气象数据包括：气象站点、站点经纬度，十分钟风速，湿度，气压，十分钟降雨量；

所述机动车GPS数据包括：车牌号、时间、经度、纬度及速度。

可以理解，本发明实施例的告警采集器的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。

由上可见，在本发明的一些可行的实施方式中，基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

实施例三、

本发明实施例还提供一种计算机可读介质，包括计算机执行指令，以供计算机的处理器执行所述计算机执行指令时，所述计算机执行实施例一的客流量的预测方法的方法流程。

综上，本发明实施例客流量的预测方法及装置，基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上对本发明实施例所提供的客流量的预测方法以及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种客流量的预测方法，其特征在于，包括：

获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；

基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

2.根据权利要求1所述的方法，其特征在于，所述获取多源数据中影响客流量的特征属性包括：

基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量；

基于气象数据计算站点的天气指数；

基于机动车GPS数据计算所述站点的路况指数；

所述基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量包括：

基于所述常客和散客两类乘客的数量、所述天气指数和所述路况指数，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

3.根据权利要求2所述的方法，其特征在于，所述基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量包括：

根据智能卡刷卡数据中的智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型，汇总每张智能卡的出行信息和活跃天数；

根据所述出行信息和活跃天数获取乘客的集中出行时间段；

获取每个乘客在每个集中出行时间段的进站点，当第一乘客在第一集中出行时间段中从第一进站点进站的概率大于预先设置的第一阈值时，则标记第一进站点为第一集中出行时间段内第一乘客的经常出行站点，此时的第一乘客为第一进站点、第一集中出行时间段内的常客，否则为散客，所述第一乘客是全部乘客中的任一乘客，所述第一集中出行时间段是全部集中出行时间段中的任一集中出行时间段，所述第一进站点是全部站点中的任一站点；周期统计常客和散客两类乘客的数量，形成两个时间序列，分别为常客时间序列和散客时间序列。

4.根据权利要求3所述的方法，其特征在于，所述基于所述常客和散客两类乘客的数量、所述天气指数和所述路况指数，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量包括：

利用自回归积分滑动平均模型对常客时间序列和散客时间序列的数量进行预测，得到第一预测结果和第二预测结果；

对第一残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第一样本集，对第二残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第二样本集，所述第一残差序列为所述常客时间序列与第一预测结果的差，所述第二残差序列为所述散客时间序列与第二预测结果的差；

利用人工神经网络，分别对所述第一样本集和所述第二样本集进行预测，得到第三预测结果和第四预测结果；

所述未来的客流量包括所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果。

5.根据权利要求1所述的方法，其特征在于，

所述智能卡刷卡数据包括：智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型；

所述气象数据包括：气象站点、站点经纬度，十分钟风速，湿度，气压，十分钟降雨量；

所述机动车GPS数据包括：车牌号、时间、经度、纬度及速度。

6.一种客流量的预测装置，其特征在于，包括：

获取模块，用于获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；

预测模块，基于所述获取模块中获取的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

7.根据权利要求6所述的装置，其特征在于，所述获取模块包括：

分类单元，用于基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量；

天气指数单元，用于基于气象数据计算站点的天气指数；

路况指数单元，用于基于机动车GPS数据计算所述站点的路况指数；

所述预测模块，具体用于基于所述分类单元中统计的常客和散客两类乘客的数量、所述天气指数单元中计算的所述天气指数及所述路况指数单元中计算的所述路况指数，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

8.根据权利要求7所述的装置，其特征在于，所述分类单元包括：

汇总子单元，用于根据智能卡刷卡数据中的智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型，汇总每张智能卡的出行信息和活跃天数；

第一获取子单元，用于根据所述出行信息和活跃天数获取乘客的集中出行时间段；

分类子单元，用于获取每个乘客在每个集中出行时间段的进站点，当第一乘客在第一集中出行时间段中从第一进站点进站的概率大于预先设置的第一阈值时，则标记第一进站点为第一集中出行时间段内第一乘客的经常出行站点，此时的第一乘客为第一进站点、第一集中出行时间段内的常客，否则为散客，所述第一乘客是全部乘客中的任一乘客，所述第一集中出行时间段是全部集中出行时间段中的任一集中出行时间段，所述第一进站点是全部站点中的任一站点；

统计子单元，用于周期统计常客和散客两类乘客的数量，形成两个时间序列，分别为常客时间序列和散客时间序列。

9.根据权利要求8所述的装置，其特征在于，所述预测模块包括：

第一预测单元，用于利用自回归积分滑动平均模型对常客时间序列和散客时间序列的数量进行预测，得到第一预测结果和第二预测结果；

样本集单元，用于对第一残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第一样本集，对第二残差序列进行样本重构，并加入所述天气指数和所述路况指数，形成第二样本集，所述第一残差序列为所述常客时间序列与第一预测结果的差，所述第二残差序列为所述散客时间序列与第二预测结果的差；

第二预测单元，用于利用人工神经网络，分别对所述第一样本集和所述第二样本集进行预测，得到第三预测结果和第四预测结果；

所述未来的客流量包括所述第一预测结果、所述第二预测结果、所述第三预测结果和所述第四预测结果。

10.根据权利要求6所述的装置，其特征在于，

所述智能卡刷卡数据包括：智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型；

所述气象数据包括：气象站点、站点经纬度，十分钟风速，湿度，气压，十分钟降雨量；

所述机动车GPS数据包括：车牌号、时间、经度、纬度及速度。