CN106779241A - 一种轨道交通短期客流预测方法 - Google Patents

Abstract

本发明涉及一种轨道交通短期客流预测方法，从客流趋势数据库中提取历史客流趋势数据；提取预测日的第一时段的第一客流趋势数据，提取预测日之前每一日中的第一时段的第二客流趋势数据；根据第一客流趋势数据和第二客流趋势数据建立一第一模型得到所在日数据；通过计算取得的历史客流参考日的第二时段的第三客流趋势数据得到预测日的第二时段的第四客流趋势数据。本发明的有益效果：无需进行费时费力的交通调查工作，能够立足于轨道交通AFC系统的历史客流数据，分析其短期客流的趋势，基于k‑nearest‑neighbor的方法进行基于短期客流趋势的预测，反复积累历史数据，不断自动修正模型，选取更优的参考日，达到更好的预测精度。

Description

一种轨道交通短期客流预测方法

技术领域

本发明涉及轨道交通领域，尤其涉及一种轨道交通短期客流预测方法。

背景技术

城市轨道交通线网客流的影响因素非常复杂，国外比较成熟的是四阶段的客流预测方法，即出行生成预测、出行分布预测、交通方式划分预测和路网分配。出行生成预测模型是预测总的出行产生量，即每一个小区的全部进出交通流量。出行分布预测模型中最典型的是重力模型和增长系数法。交通方式划分预测模型主要分集聚模型和非集聚模型两种，最早的集聚模型是分担率曲线法，非集聚模型以效用最大化理论为基础，其中有离散选择模型，根据所采用的概率分布函数不同，又分为Logit模型族和Probit模型族，其中多元Logit模型仍被广泛应用。路网分配方法包括全有全无分配方法、增量分配法、连续平均法。由于我国的实际情况与国外情况有很大的出入，其中一些模型根本不适于在我国进行客流预测研究时使用。

从国内所采用的客流方法来看，大致可以分为趋势外延法、吸引范围法和交通规划的四阶段法几种形式。前两种方法仅考虑预测线路沿线机器吸引范围内客流的变化趋势，没有考虑轨道交通系统作为整个城市交通骨干建成后将导致城市路网状态分布的变化。后一种方法是以城市居民出行交通起止点调查(ORIGIN DESTINATION，OD 调查)为基础，按一定的数学模型对整个城市客流在路网上的分布进行分析，从中确定轨道交通线路上的客流。

近年来又出现了一种新的基于Logistic优化模型的轨道交通客流预测方法，通过对在经典的Logistic模型基础上改进的特定参数取得的自适应种群增长的Logistic模型进一步优化，考虑季节性变动模型和路网结构变化的影响，以及春节等特殊节假日的历史客流情况，预测后三个月乃至一年的月日均客流。该方法已应用于上海轨道交通中长期客流预测。

四阶段法客流预测虽然是目前使用最为广泛的一种轨道交通客流预测方法，但是由于轨道交通自身的特点，在利用四阶段法进行客流预测时，预测步骤及所要考虑的元素等方面都有其自身的特点。传统四阶段法客流预测是一种集聚的客流预测方法，而集聚模型是将每个人的交通活动按照交通小区进行统计分析和处理的，所以，交通小区的划分合理与否是四阶段法客流预测合理与否的基础。运用四阶段法进行规定交通客流预测时，首先要做的工作是对研究的城市区域进行交通小区的划分，从而进行城市人口、就业、土地利用等资料的调查，在此基础上进行居民出行生成预测、出行分布预测、交通方式划分预测和交通分配。但是，交通调查是一项极其费时、费力的工作，而且结果的准确性也不好。

另外四阶段法还存在其他一些不足，例如：(1)不同目的出行的生成和分布规律变化很大，现有预测方法并没有很好的考虑这个因素的影响。(2)重力模型具有结果简单、使用范围广的特点，但是当交通小区划分紧密，区间行走世间较短时，重力模型对现有交通分布的拟合不好。(3)现有交通分配模型都是先求出公交OD，在此基础上采用某种分担率模型划分轨道交通OD进行分配，但是没有考虑到预测年现有其他交通方式可能向轨道交通转移等。

从另一个方面来说，四阶段法在预测轨道交通客流量的应用上，没有考虑到轨道交通的一些固有特点，如行车配置、运营计划制定、票价政策等等，这些对于客流都有较大的影响。

同时，四阶段法作为一次性的预测手段，在预测方面并不能做到高精度及长期跟踪修正。而且由于四阶段法在掌握事实阶段需要投入大量的测算成本，因此也不符合反复跟踪测算的需求。

基于Logistic优化模型的轨道交通客流预测方法虽然避免了四阶段法的相关弊端和不足，也能达到更好的预测精度，但只适用于轨道交通中长期客流预测，若将其应用于短期客流预测，结果偏差较大。这是由于短期客流量依赖于一些中长期无法预测或建模的特殊情况，例如由于特定的天气状况(如台风、暴雨等)或举办高人气聚集的活动(如展会)等可能引起的客流异常。

目前国内尚无系统的能精确预测轨道交通短期客流的方法。

发明内容

针对现有技术中存在的问题，本发明提供了一种轨道交通短期客流预测方法，通过找出与当前的短期客流模式最为接近的参考客流模式所在日，根据历史客流参考日的短期客流来估计当前短期客流，实现灵活有效精确的短期客流预测，弥补了国内轨道交通短期客流预测的空白，对可能出现的大客流提前预警。本发明采用如下技术方案：

一种轨道交通短期客流预测方法，应用于轨道交通的短期客流量预测，用于根据预测日的第一时段的第一客流趋势数据预测所述预测日的第二时段的短期预测客流趋势数据，所述第一时段位于所述第二时段之前且所述第一时段与第二时段彼此在时间上连续，所述第一时段的所述第一客流趋势数据存储于一客流量数据库，以及于所述客流量数据库中存储所述预测日之前的历史客流趋势数据；所述客流预测方法包括：

步骤S1、从所述客流趋势数据库中提取历史客流趋势数据；

步骤S2、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所述第一客流趋势数据，以及从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述第一时段的第二客流趋势数据；

步骤S3、根据所述步骤S2中获得的所述预测日的所述第一时段的所述第一客流趋势数据和所述预测日之前每一日中的所述第一时段的所述第二客流趋势数据建立一第一模型，根据所述第一模型计算取得所述预测日之前的历史客流参考日的所在日数据；

步骤S4、从所述步骤S1中所述历史客流趋势数据中提取所述步骤S3中计算取得的所述历史客流参考日的所述第二时段的第三客流趋势数据；

步骤S5、对所述第三客流趋势数据进行处理，以得到所述预测日的所述第二时段的第四客流趋势数据，将所述第四数据作为所述预测日的所述第二时段的所述短期预测客流趋势数据。

优选的，所述步骤S2包括：

S21a、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所述第一客流趋势数据；

S22a、从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述第一时段的第二客流趋势数据；

所述步骤S21a和所述步骤S22a同时进行。

优选的，所述步骤S2包括：

S21b、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所述第一客流趋势数据；

S22b、从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述第一时段的第二客流趋势数据。

优选的，所述步骤S2中，所述预测日的所述第一时段的所述第一客流趋势数据为：

x_t-m+1：t＝(x_t-m+1，x_t-m+2，...，x_t)

其中，

x_t-m+1：t表示所述第一客流趋势数据构成的向量；

t表示当前时间；

m表示所述第一时段的时长。

优选的，所述步骤S2中，所述步骤S2中，所述预测日之前每一日中的所述第一时段的所述第二客流趋势数据为：

其中，

表示所述第二客流趋势数据构成的向量；

i表示所述预测日之前的第i日；

t表示当前时间；

m表示所述第一时段的时长。

优选的，所述步骤S3中，所述第一模型建模的公式为：

其中，

i^*表示所述历史客流参考日的所述所在日数据；

x_t-m+1：t表示所述第一客流趋势数据构成的向量；

表示所述第二客流趋势数据构成的向量；

t表示当前时间；

m表示所述第一时段的时长。

优选的，所述步骤S3中，由k个所述历史客流参考日所构成如下的最优历史客流参考日集合：

其中，

表示所述历史客流参考日的所在日数据的集合

i^*表示某一所述历史客流参考日的所述所在日数据；

t表示当前时间；

m表示所述第一时段的时长；

k表示一常数。

优选的，所述步骤S5中，根据所述历史客流参考日的所在最优历史客流参考日集合中的每个所述历史客流参考日对应的所述第三客流趋势数据，根据如下公式，采用加权平均的方式处理得到所述第四客流趋势数据：

其中，

x_τ表示所述第一客流趋势数据中τ时刻的客流；

表示所述第二客流趋势数据中τ时刻的客流；

n表示所述第二时段的时长；

t表示当前时间；

m表示所述的第一时段的时长；

k表示一常数。

优选的，所述第一时段和所述第二试单的时长单位为五分钟。

本发明的有益效果是：

本发明无需进行费时费力的交通调查工作，能够立足于轨道交通AFC系统的历史客流趋势数据，分析其短期客流的趋势，基于k-nearest-neighbor的方法进行基于短期客流趋势的预测。本发明可以反复积累历史数据，不断自动修正模型，选取更优的历史客流参考日，从而达到更好的预测精度。

附图说明

图1为本发明一种较佳的实施例中，轨道交通短期客流预测方法的流程图之一；

图2为本发明一种较佳的实施例中，轨道交通短期客流预测方法的流程图之二；

图3为本发明一种较佳的实施例中，轨道交通短期客流预测方法的流程图之三；

图4为本发明预测系统的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，下述技术方案，技术特征之间可以相互组合。下面结合附图对本发明的具体实施方式作进一步的说明：

如图1所示，一种轨道交通短期客流预测方法，应用于轨道交通的短期客流量预测，用于根据预测日的第一时段的第一客流趋势数据预测上述预测日的第二时段的短期预测客流趋势数据，上述第一时段位于上述第二时段之前且上述第一时段与第二时段彼此在时间上连续，上述第一时段的上述第一客流趋势数据存储于一客流量数据库，以及于上述客流量数据库中存储上述预测日之前的历史客流趋势数据；上述客流预测方法包括：

步骤S1、从上述客流趋势数据库中提取历史客流趋势数据；

步骤S2、从上述步骤S1中上述历史客流趋势数据中提取上述预测日的上述第一时段的上述第一客流趋势数据，以及从上述步骤S1中上述历史客流趋势数据中提取上述预测日之前每一日中的上述第一时段的第二客流趋势数据；

步骤S3、根据上述步骤S2中获得的上述预测日的上述第一时段的上述第一客流趋势数据和上述预测日之前每一日中的上述第一时段的上述第二客流趋势数据建立一第一模型，根据上述第一模型计算取得上述预测日之前的历史客流参考日的所在日数据；

步骤S4、从上述步骤S1中上述历史客流趋势数据中提取上述步骤S3中计算取得的上述历史客流参考日的上述第二时段的第三客流趋势数据；

步骤S5、对上述第三客流趋势数据进行处理，以得到上述预测日的上述第二时段的第四客流趋势数据，将上述第四数据作为上述预测日的上述第二时段的上述短期预测客流趋势数据。

在本实施例中，无需进行费时费力的交通调查工作，能够立足于轨道交通AFC系统的历史客流趋势数据，分析其短期客流的趋势，基于k-nearest-neighbor的方法进行基于短期客流趋势的预测。本发明可以反复积累历史数据，不断自动修正模型，选取更优的历史客流参考日，从而达到更好的预测精度。

如图2所示，本发明较佳的实施例中，上述步骤S2包括：

S21a、从上述步骤S1中上述历史客流趋势数据中提取上述预测日的上述第一时段的上述第一客流趋势数据；

S22a、从上述步骤S1中上述历史客流趋势数据中提取上述预测日之前每一日中的上述第一时段的第二客流趋势数据；

上述步骤S21a和上述步骤S22a同时进行。

如图3所示，本发明较佳的实施例中，上述步骤S2包括：

S21b、从上述步骤S1中上述历史客流趋势数据中提取上述预测日的上述第一时段的上述第一客流趋势数据；

S22b、从上述步骤S1中上述历史客流趋势数据中提取上述预测日之前每一日中的上述第一时段的第二客流趋势数据；

上述步骤S21b和上述步骤S22b顺序进行。

本发明较佳的实施例中，上述步骤S2中，上述预测日的上述第一时段的上述第一客流趋势数据为：

x_t-m+1：t＝(x_t-m+1，x_t-m+2，...，x_t)

其中，

x_t-m+1：t表示上述第一客流趋势数据构成的向量；

t表示当前时间；

m表示上述第一时段的时长。本发明较佳的实施例中，上述步骤S2中，上述步骤S2中，上述预测日之前每一日中的上述第一时段的上述第二客流趋势数据为：

其中，

表示上述第二客流趋势数据构成的向量；

i表示上述预测日之前的第i日；

t表示当前时间；

m表示上述第一时段的时长。

本发明较佳的实施例中，上述步骤S3中，上述第一模型建模的公式为：

其中，

i^*表示上述历史客流参考日的上述所在日数据；

x_t-m+1：t表示上述第一客流趋势数据构成的向量；

表示上述第二客流趋势数据构成的向量；

t表示当前时间；

m表示上述第一时段的时长。

本发明较佳的实施例中，上述步骤S3中，由k个上述历史客流参考日所构成如下的最优历史客流参考日集合：

其中，

表示上述历史客流参考日的所在日数据的集合

i^*表示某一上述历史客流参考日的上述所在日数据；

t表示当前时间；

m表示上述第一时段的时长；

k表示一常数。

本发明较佳的实施例中，上述步骤S5中，根据上述历史客流参考日的所在最优历史客流参考日集合中的每个上述历史客流参考日对应的上述第三客流趋势数据，根据如下公式，采用加权平均的方式处理得到上述第四客流趋势数据：

其中，

x_τ表示上述第一客流趋势数据中τ时刻的客流；

表示上述第二客流趋势数据中τ时刻的客流；

n表示上述第二时段的时长；

t表示当前时间；

m表示上述的第一时段的时长；

k表示一常数。在一个具体的实施例中，利用上海轨道交通检票系统的历史客流趋势数据及已知前期客流，假设前期客流模式与即将到来的短期客流模式强相关，提出基于k-Nearest-Neighbor算法的轨道交通短期客流预测方法。

令x_τ表示预测日τ时刻的五分钟分时客流(第一时段的第一客流趋势数据)，t表示当前时间，n表示短期预测的预测长度(第二时段的时长)，以五分钟为单位记，短期预测即估计

令m表示短期预测所用的第一时段的时长，以五分钟为单位记，则向量x_t-m+1：t＝(χ_t-m+1，χ_t-m+2，...，χ_t)即为第一客流趋势数据向量。令表示历史上i日τ时刻的五分钟客流(预测日之前每一日的第一时段的第二客流趋势数据)，则向量即为历史上i日在同一时间段的第二客流趋势数据向量。

Nearest-Neighbor算法首先寻找出与当前的第一时段(历史客流参考日的第一时段对应客流模式)最为接近的历史客流参考日的所在日，并假设第一时段与即将到来的第二时段强相关，于是根据历史客流参考日的第一时段的短期客流来估计第二时段的短期客流。具体过程如下：

输入预测日的第一时段的第一客流趋势数据x_t-m+1：t，过往历史上T天同时间段(预测日之前每一日的第一时段)的第二客流趋势数据为以及过往T天自t时刻开始的第三客流趋势数据

下述方程计算最为接近的历史客流参考日：

输出根据历史客流参考日i^*的数据预测的历史客流参考日的第二时段的短期客流(即第四客流趋势数据)：

具体的，k-Nearest-Neighbor算法首先寻找出与当前的前期客流模式最为接近的k个参考客流模式的所在日，并根据这k个历史客流参考日的短期客流来估计当前历史客流参考日的第二时段的短期客流。如下：

输入预测日的第一时段的第一客流趋势数据x_t-m+1：t，过往历史上T天同时间段第二客流趋势数据以及过往T天自t时刻开始的第三客流趋势数据

以

为标准，计算出最为接近的k个参考客流模式的所在日，记为集合

根据集合中的各个历史客流参考日的第三客流趋势数据，用加权平均的方式预测短期客流：

其中，

表示根据日的第一、第二和第三客流趋势数据预测的上述预测日的短期客流，

表示日的权重，第一客流趋势数据和第二客流趋势数据越接近，权重越大，当第二客流趋势数据与第一客流趋势数据完全一致时，权重趋于无穷大。

历史客流参考日的所在日数据的集合越大，相对能寻找到的最为接近的所在日的相似度越高，预测结果也可能误差越小。

k的取值对于预测结果有一定影响，根据经验和实验结果，k取1-5之间较合适，取值过大，预测值相对偏差较大。

该预测方法原则上可以在存在已知第一时段的第一客流趋势数据的预测日的任意时刻对第二时段进行预测，当然如果第一时段较短，可能无法获得可靠的第一客流趋势数据，预测值相对偏差较大，根据经验和实验结果，前期时间段占日1/3左右，即从预测日10时后开始进行预测较合适。

第二时段一般为预测日已知第一时段至预测日运营结束时，当然也可以是预测日已知第一时段后的任意一个大于等于时间长度(五分钟)的时间段。

如图4所示，主要提供一种轨道交通短期客流预测方法，包括表现层、业务层、数据本三个层面，数据层的数据库子系统和文件操作子系统主要预存储有历史客流趋势数据，历史客流趋势数据即历史日分时客流趋势数据，业务层主要包括数据预处理子系统、方案管理子系统、客流预测建模子系统、配置关系子系统，旨在根据历史日分时客流趋势数据利用k-Nearest-Neighbor模型进行客流预测建模，最后在表现层套用该模型得到客流预测数据。

本发明较佳的实施例中通过说明和附图，给出了具体实施方式的特定结构的典型实施例，基于本发明精神，还可作其他的转换。尽管上述发明提出了现有的较佳实施例，然而，这些内容并不作为局限。

对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。

Claims (8)

1.一种轨道交通短期客流预测方法，其特征在于，应用于轨道交通的短期客流量预测，用于根据预测日的第一时段的第一客流趋势数据预测所述预测日的第二时段的短期预测客流趋势数据，所述第一时段位于所述第二时段之前且所述第一时段与第二时段彼此在时间上连续，所述第一时段的所述第一客流趋势数据存储于一客流量数据库，以及于所述客流量数据库中存储所述预测日之前的历史客流趋势数据；所述客流预测方法包括：

步骤S1、从所述客流趋势数据库中提取历史客流趋势数据；

步骤S2、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所述第一客流趋势数据，以及从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述第一时段的第二客流趋势数据；

步骤S3、根据所述步骤S2中获得的所述预测日的所述第一时段的所述第一客流趋势数据和所述预测日之前每一日中的所述第一时段的所述第二客流趋势数据建立一第一模型，根据所述第一模型计算取得所述预测日之前的历史客流参考日的所在日数据；

步骤S4、从所述步骤S1中所述历史客流趋势数据中提取所述步骤S3中计算取得的所述历史客流参考日的所述第二时段的第三客流趋势数据；

步骤S5、对所述第三客流趋势数据进行处理，以得到所述预测日的所述第二时段的第四客流趋势数据，将所述第四数据作为所述预测日的所述第二时段的所述短期预测客流趋势数据。

2.根据权利要求1所述的客流预测方法，其特征在于，所述步骤S2包括：

S21a、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所述第一客流趋势数据；

S22a、从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述第一时段的第二客流趋势数据；

所述步骤S21a和所述步骤S22a同时进行。

3.根据权利要求1所述的客流预测方法，其特征在于，所述步骤S2包括：

S21b、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所述第一客流趋势数据；

S22b、从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述第一时段的第二客流趋势数据。

4.根据权利要求1所述的客流预测方法，其特征在于，所述步骤S2中，所述预测日的所述第一时段的所述第一客流趋势数据为：

x_t-m+1：t＝(x_t-m+1，x_t-m-2，...，x_t)

其中，

x_t-m+1：t表示所述第一客流趋势数据构成的向量；

t表示当前时间；

m表示所述第一时段的时长。

5.根据权利要求4所述的客流预测方法，其特征在于，所述步骤S2中，所述步骤S2中，所述预测日之前每一日中的所述第一时段的所述第二客流趋势数据为：

$x_{t-m+1:t}^{\left(i\right)}=(x_{\mathrm{\τ}-m+1}^{\left(i\right)},x_{\mathrm{\τ}-m+2}^{\left(i\right)},...,x_{\mathrm{\τ}}^{\left(i\right)})$

其中，

表示所述第二客流趋势数据构成的向量；

i表示所述预测日之前的第i日；

t表示当前时间；

m表示所述第一时段的时长。

6.根据权利要求5所述的客流预测方法，其特征在于，所述步骤S3中，所述第一模型建模的公式为：

$i^{*}=\underset{i}{\arg \max }\frac{x_{t-m+1:t}^{\left(i\right)}\·x_{t-m+1:t}}{\left|\right|x_{t-m+1:t}^{\left(i\right)}\left|\right|\·\left|\right|x_{t-m+1:t}\left|\right|}$

其中，

i^*表示所述历史客流参考日的所述所在日数据；

x_t-m+1：t表示所述第一客流趋势数据构成的向量；

表示所述第二客流趋势数据构成的向量；

t表示当前时间；

m表示所述第一时段的时长。

7.根据权利要求6所述的客流预测方法，其特征在于，所述步骤S3中，由k个所述历史客流参考日所构成如下的最优历史客流参考日集合：

$N_{x_{t-m+1:t}}=\{i_1^{*},i_2^{*},\mathrm{...},i_k^{*}\}$

其中，

表示所述历史客流参考日的所在日数据的集合

i^*表示某一所述历史客流参考日的所述所在日数据；

t表示当前时间；

m表示所述第一时段的时长；

k表示一常数。

8.根据权利要求7所述的客流预测方法，其特征在于，所述步骤S5中，根据所述历史客流参考日的所在最优历史客流参考日集合中的每个所述历史客流参考日对应的所述第三客流趋势数据，根据如下公式，采用加权平均的方式处理得到所述第四客流趋势数据：

$f_{N_{x_{t-m+1:t}}}=\frac{{\mathrm{\Σ}}_{l=1}^k{w}_{i_l^{*}}{f}_{i_l^{*}}}{{\mathrm{\Σ}}_{l=1}^k{w}_{i_l^{*}}}$

其中，

$f_{i_l^{*}}=\frac{{\mathrm{\Σ}}_{\mathrm{\τ}=t-m+1}^t{x}_{\mathrm{\τ}}\·{\mathrm{\Σ}}_{\mathrm{\τ}=t+1}^{t+n}{x}_{\mathrm{\τ}}^{\left(i_l^{*}\right)}}{{\mathrm{\Σ}}_{\mathrm{\τ}=t-m+1}^t{x}_{\mathrm{\τ}}^{\left(i_l^{*}\right)}};$

x_τ表示所述第一客流趋势数据中τ时刻的客流；

表示所述第二客流趋势数据中τ时刻的客流；

n表示所述第二时段的时长；

t表示当前时间；

m表示所述的第一时段的时长；

k表示一常数。