CN108417038B - 一种公交客流量的预测方法及系统 - Google Patents
一种公交客流量的预测方法及系统 Download PDFInfo
- Publication number
- CN108417038B CN108417038B CN201810439786.5A CN201810439786A CN108417038B CN 108417038 B CN108417038 B CN 108417038B CN 201810439786 A CN201810439786 A CN 201810439786A CN 108417038 B CN108417038 B CN 108417038B
- Authority
- CN
- China
- Prior art keywords
- tensor
- passenger flow
- time period
- target
- order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种公交客流量的预测方法及系统,方法包括:确定影响公交客流量的预测因素,预测因素包括:时间、天气、假期及相似线路的客流量;获取各历史时间段内目标公交线路的客流量数据、相似线路的客流量数据、各历史时间段内的天气以及是否处于假期;基于各历史时间段内目标公交线路的客流量数据、相似线路的客流量数据、各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;对三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表目标公交线路在目标时间段内客流量处于目标区间的概率;根据所述特征张量对目标公交线路在所述目标时间段内的公交客流量进行预测。
Description
技术领域
本发明属于交通流量预测技术领域,尤其涉及一种公交客流量的预测方法及系统。
背景技术
由于公交客流量是城市交通规划的一个重要指标,因此对公交客流量进行准确、有效的预测能够帮助智能公交系统更好的运行与发展。
目前的对公交客流量预测的研究方法大多都是采用传统的机器学习算法或者结合灰色理论进行预测,这些方法只考虑考了部分因素的影响,因此预测出的公交客流量结果并不准确。
基于此,如何提供一种精准的公交客流量预测方法是目前亟需解决的技术问题。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种公交客流量的预测方法及系统,用于解决现有技术中利用传统的预测方法对公交客流量进行预测时,预测结果不准的技术问题。
本发明提供一种公交客流量的预测方法,所述方法包括:
确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与目标公交线路具有多个相同站点的线路;
获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;
基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;
对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率;
根据所述特征张量对所述目标公交线路在所述目标时间段内的公交客流量进行预测。
上述方案中,所述基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型,包括:
基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元客流量状态概率转移图;
基于所述三元客流量状态概率转移图创建所述三元转移张量预测模型;
对所述三元转移张量预测模型进行素性修正。
上述方案中,所述三元转移张量预测模型T为八阶张量:其中,所述W为天气阶,H为假期阶,T(1)表示当前时间段的时间阶,F(1)表示目标公交线路在时间阶为T(1)时的客流量,L(1)为所述目标公交线路,T(0)表示当前时间段的上一时间段的时间阶,F(0)表示所述相似线路在时间阶为T(0)时的客流量,L(0)为所述相似线路。
上述方案中,所述对所述三元转移张量预测模型进行特征分解,获取特征张量,包括:
利用多模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量;或者,
利用变换函数将多模乘幂法运算转换为单模乘幂法运算,利用所述单模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量。
上述方案中,所述利用多模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取特征张量,包括:
将所述八阶张量设置为带有天气阶和假期阶的六阶转移张量所述八阶张量即为所述三元转移张量预测模型,所述八阶张量为所述天气阶包括Nw维,所述假期阶包括2维;所述W为天气阶,H为假期阶,T(1)表示当前时间段的时间阶,F(1)表示目标公交线路在时间阶为T(1)时的客流量,L(1)为目标公交线路,T(0)表示当前时间段的上一时间段的时间阶,F(0)表示相似线路在时间阶为T(0)时的客流量,L(0)为所述相似线路;
根据所述天气阶及所述假期阶确定所述六阶转移张量的子转移张量,所述子转移张量包括2×Nw个;
将2×Nw个所述子转移张量进行合并,获取一个五阶分布张量M′∈RW×H×T×L×F;
上述方案中,所述根据所述特征张量对所述目标公交线路在所述目标时间段内的公交客流量进行预测,包括:
本发明还提供一种公交客流量的预测系统,所述系统包括:
确定单元,用于确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与目标公交线路具有多个相同站点的线路;
获取单元,用于获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;
创建单元,用于基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;
分解单元,用于对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率;
预测单元,用于根据所述特征张量对所述目标公交线路在所述目标时间段内的公交客流量进行预测。
上述方案中,所述创建单元具体用于:
基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元客流量状态概率转移图;
基于所述三元客流量状态概率转移图创建所述三元转移张量预测模型;
对所述三元转移张量预测模型进行素性修正。
上述方案中,所述三元转移张量预测模型T为八阶张量:其中,所述W为天气阶,H为假期阶,T(1)表示当前时间段的时间阶,F(1)表示目标公交线路在时间阶为T(1)时的客流量,L(1)为目标公交线路,T(0)表示当前时间段的上一时间段的时间阶,F(0)表示相似线路在时间阶为T(0)时的客流量,L(0)为所述相似线路。
上述方案中,所述分解单元具体用于:利用多模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量;或者,
利用变换函数将多模乘幂法运算转换为单模乘幂法运算,利用所述单模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量。
本发明提供了一种公交客流量的预测方法及系统,所述方法包括:确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与目标公交线路具有多个相同站点的线路;获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率;根据所述特征张量对所述目标公交线路的公交客流量进行预测;如此,考虑到时间、天气、假期、相似线路对目标公交线路客流量的影响,基于上述因素建立相应的转移张量预测模型,通过转移张量的主特征分解求特征张量,那么该特征张量表示的就是目标公交线路在天气,时间,假期、相似线路等多种因素影响下在某个客流量区间的概率,再利用特征张量预测未来一段时间内的公交客流量,这样利用多元的预测模型进行预测时,就提高了预测的准确度。
附图说明
图1为本发明实施例一提供的公交客流量的预测方法流程示意图;
图2为本发明实施例一提供的三元客流量状态概率转移图;
图3为本发明实施例一提供的两条相似线路在客流量的变化上的相互影响示意图;
图4为本发明实施例一提供的六阶转移张量模型示意图;
图5为本发明实施例一提供的对三元转移张量预测模型进行分解的过程示意图;
图11为本发明实施例二提供的公交客流量的预测装置结构示意图。
具体实施方式
为了解决现有技术中利用传统的预测方法对公交客流量进行预测时,预测结果不准的技术问题,本发明提供了一种公交客流量的预测方法及系统,所述方法包括:确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与目标公交线路具有多个相同站点的线路;获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率;根据所述特征张量对所述目标公交线路的公交客流量进行预测。
下面通过附图及具体实施例对本发明的技术方案做进一步的详细说明。
实施例一
本实施例提供一种公交客流量的预测方法,如图1所示,所述方法包括:
S110,确定影响公交客流量的预测因素;
为了可以提高预测模型的预测精度,本步骤中需要确定出影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与所述目标公交线路具有多个相同站点的线路。
这里,因在不同时间,客流量是不同的,比如上下班高峰和普通时间段内的客流量必然是不同的,因此需要考虑时间因素。
天气的不同,也有可能导致客流量不同,比如晴天和雨天的客流量必然也是不同的,因此需要考虑天气因素。
假期与否,客流量也是不同的,因此需要考虑假期因素。
另外,由于某一个站点往往会有多条线路经过,乘客的出发地与目的地也很可能存在多条选择线路。当某一时刻目标公交线路的客流量急剧增加时,乘客可能会选择其他公交乘坐方案,这样客流量的状态在空间上便会发生转移,即一条线路的客流量发生改变时,与之相似的线路(即存在多个相同站点的多条线路)其客流量的变化也会受之影响。因此需要考虑到相似线路的客流量对目标公交线路的影响。
这里,图3示出了两条相似线路在客流量的变化上相互影响,它表示两条线路在客流量的变化关系上,线路1在时刻1到时刻2的范围内突然增大时,相似线路2的客流量可能也会增大。
S111,获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;
确定出预测因素后,获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;这样就考虑到了时间、客流量及线路,即马尔科夫链是三元的,那么创建出的转移张量预测模型也是三元的。
S112,基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;
基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元客流量状态概率转移图,所述三元客流量状态概率转移图如图2所示;基于所述三元客流量状态概率转移图创建所述三元转移张量预测模型;这里,所述基于三元客流量状态概率转移图创建所述三元转移张量预测模型,具体实现如下:
将时间因素、线路因素对客流量的影响都考虑之后,那么所述三元客流量状态概率转移图可以得出一个六阶转移张量该六阶转移张量如图4所示。其中,T(1)表示当前时间段的时间阶,F(1)表示目标公交线路在时间阶为T(1)时的客流量,L(1)为所述目标公交线路,T(0)表示当前时间段的上一时间段的时间阶,F(0)表示所述相似线路在时间阶为T(0)时的客流量,L(0)为相似线路。
顾名思义,所述六阶转移张量共包括六阶,分别表示针对当前时间段的线路,具体时间和客流量以及当前时间段的上一时间段的线路,具体时间和客流量。例如,该转移张量中的元素T<1号线路,8点,900,2号线路,7点,1000>,表示在上一时间段为7点且2号线路的客流量为1000的条件下,1号线路在当前时间段为8点,其客流量为900的条件概率值。该六阶转移张量需要满足于下列等式:
得到上述六阶转移张量后,为了提高预测的准确率,本实施例中还需考虑到天气因素和假期因素,因此在六阶转移张量的基础上额外增加两阶,分别表示天气与假期,构成了新的八阶张量其中W表示天气阶,H表示假期阶。那么这个八阶张量即为三元转移张量预测模型。
为了可以通过多模乘幂法对三元转移张量预测模型进行分解获取特征张量,需要对所述三元转移张量预测模型进行素性修正,实质上是对六阶转移张量进行素性修正,那么最后得到的八阶张量也是素性修正后的张量,具体实现如下:
根据公式(2)对六阶转移张量T进行素性修正:
其中,所述m是时间阶,客流量阶和线路阶三者笛卡尔积后的值,所述a为预设的参数,0<α<1,所述E是全为1的六阶张量。
S113,对所述三元转移张量预测模型进行特征分解,获取特征张量;
当三元转移张量预测模型创建好之后,对所述三元转移张量预测模型进行特征分解,获取特征张量。这里,可以直接利用多模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量;或者,
也可以利用变换函数将多模乘幂法运算转换为单模乘幂法运算,利用所述单模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量。
其中,利用多模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量的具体实现如下:
根据所述天气阶及所述假期阶确定所述六阶转移张量的子转移张量,所述子转移张量包括2×Nw个;每个子转移张量都是六阶。
根据上述定义,那么可以基于所述八阶张量及所述五阶分布张量M′∈RW×H×T×L×F,根据公式对八阶张量进行分解,获取唯一的特征张量M,所述M就是一个五阶张量,所述特征张量代表所述目标公交线路在目标时间段内其客流量处于目标区间的概率。具体的分解过程可参见图5;图5中的t0相当于公式中的T(0)×L(0)×F(0),t相当于公式中的T×L×F;t1为t0的下一时刻或下一时间段,t0也可以理解为T(0)。
进一步地,利用变换函数将多模乘幂法运算转换为单模乘幂法运算,利用所述单模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量,具体实现如下:
以上的三元转移张量预测模型只考虑到了上一时间段的客流量对当前时间段的客流量影响,实质上这个三元转移张量预测模型是三元一步转移张量。
进一步地,如果考虑当前时间段的状态会受到之前更多时刻状态的影响,那么还可以建立一个三元多步的转移张量。例如,对于一个三元两步的转移张量,它表示当前时间段客流量的状态受到上一时间段的客流量状态以及上上时间段客流量状态的影响。因此需要在三元一步转移张量上再增加一个上上时间段的状态,该时刻状态有3个阶,每一个阶分别表示上上时间段时间、线路和公交客流量,成为九阶转移张量在该转移张量中,T(1)表示上一时间段的时间阶,F(1)表示第一相似线路在时间阶为T(1)时的客流量,L(1)为所述第一相似线路,T(0)表示当前时间段的上上时间段的时间阶,F(0)表示所述第二相似线路在时间阶为T(0)时的客流量,L(0)为所述第二相似线路;T(2)表示当前时间段的时间阶,L(2)为目标公交线路。
考虑到天气因素和假期因素,与上文同样,天气阶包括Nw维,所述假期阶包括2维;那么可将2×NW个9阶子转移张量组合成一个11阶的张量该11阶张量考虑了不同天气和假期的情况下,公交客流量在不同时刻的转移情况。
具体的算法实现如下:
设11阶张量T中天气阶W的长度为|W|,假期阶H的长度为|H|。
(1)对于每一个w=1,…,|W|;
(2)对于每一个h=1,2,…|H|;
(3)令Tsub为T在时间阶和假期阶下的子张量,即Tsub=T(w,h,:,:,:,:,:,:,:,:,:);
(4)调用多模乘幂法,并令X(w,h,:,:,:)=multi-mode power method(Tsub,α,ε),最后输出:5阶特征张量X∈RW×H×T×L×F,所述X(w,h,……)即为最后输出的5阶特征张量。
S114,根据所述特征张量对所述目标公交线路的公交客流量进行预测。
当获取到特征张量后,根据所述特征张量对所述目标公交线路的公交客流量进行预测,需要说明的是,在预测时,是对公交车经过的某个站点的客流量进行预测。
以三元一步转移张量得出的特征向量M为例进行说明,具体是根据公式(3)预测所述目标公交线路在目标时间段内的公交客流量:
由于客流量一般是设置一个区间,这里,一般是取概率对应的最大客流量。
比如以为例,该式表示在某一天为假期的情况下且天气为晴,在上一时间段(即8点到9点)2号线路的客流量在500到600之间,上上时间段(即7点到8点)1号线路客流量在200到300之间的条件下,3号线路在当前时间段为9点到10点所处客流量在400到500之间的概率为0.27。那么fpredict就可以表示为3号线路在当前时间段为9点到10点所处客流量为500的概率为0.27。
基于同样的发明构思,本申请还提供一种公交车客流量的预测系统,如实施例二所示。
实施例二
本实施例提供一种公交车客流量的预测系统,如图11所示,所述系统包括:确定单元61、获取单元62、创建单元63、分解单元64、预测单元65;其中,
为了可以提高预测模型的预测精度,确定单元61用于确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与所述目标公交线路具有多个相同站点的线路。
这里,因在不同时间,客流量是不同的,比如上下班高峰和普通时间段内的客流量必然是不同的,因此需要考虑时间因素。
天气的不同,也有可能导致客流量不同,比如晴天和雨天的客流量必然也是不同的,因此需要考虑天气因素。
假期与否,客流量也是不同的,因此需要考虑假期因素。
另外,由于某一个站点往往会有多条线路经过,乘客的出发地与目的地也很可能存在多条选择线路。当某一时刻目标公交线路的客流量急剧增加时,乘客可能会选择其他公交乘坐方案,这样客流量的状态在空间上便会发生转移,即一条线路的客流量发生改变时,与之相似的线路(即存在多个相同站点的多条线路)其客流量的变化也会受之影响。因此需要考虑到相似线路的客流量对目标公交线路的影响。
这里,图3示出了两条相似线路在客流量的变化上相互影响,它表示两条线路在客流量的变化关系上,线路1在时刻1到时刻2的范围内突然增大时,相似线路2的客流量可能也会增大。
确定出预测因素后,获取单元62用于获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;这样就考虑到了时间、客流量及线路,即马尔科夫链是三元的,那么创建出的转移张量预测模型也是三元的。
那么创建单元63用于基于各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型。
具体地,创建单元63基于各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元客流量状态概率转移图;所述三元客流量状态概率转移图如图2所示;基于所述三元客流量状态概率转移图创建所述三元转移张量预测模型;这里,所述基于三元客流量状态概率转移图创建所述三元转移张量预测模型,具体实现如下:
将时间因素、线路因素对客流量的影响都考虑之后,那么所述三元客流量状态概率转移图可以得出一个六阶转移张量该六阶转移张量如图4所示。其中,T(1)表示当前时间段的时间阶,F(1)表示目标公交线路在时间阶为T(1)时的客流量,L(1)为所述目标公交线路,T(0)表示当前时间段的上一时间段的时间阶,F(0)表示所述相似线路在时间阶为T(0)时的客流量,L(0)为相似线路。
顾名思义,所述六阶转移张量共包括六阶,分别表示针对当前时间段的线路,具体时间和客流量以及当前时间段的上一时间段的线路,具体时间和客流量。例如,该转移张量中的元素T<1号线路,8点,900,2号线路,7点,1000>,表示在上一时间段为7点且2号线路的客流量为1000的条件下,1号线路在当前时间段为8点,其客流量为900的条件概率值。该六阶转移张量需要满足于下列等式:
得到上述六阶转移张量后,为了提高预测的准确率,本实施例中还需考虑到天气因素和假期因素,因此在六阶转移张量的基础上额外增加两阶,分别表示天气与假期,构成了新的八阶张量其中W表示天气阶,H表示假期阶。那么这个八阶张量即为三元转移张量预测模型。
为了可以通过多模乘幂法对三元转移张量预测模型进行分解获取位移的特征张量,需要对所述三元转移张量预测模型进行素性修正,实质上是对六阶转移张量进行素性修正,那么最后得到的八阶张量也是素性修正后的张量,具体实现如下:
根据公式(2)对六阶转移张量T进行素性修正:
其中,所述m是时间阶,客流量阶和线路阶三者笛卡尔积后的值,所述a为预设的参数,0<α<1,所述E是全为1的六阶张量。
当三元转移张量预测模型创建好之后,分解单元64用于对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率。
这里,可以直接利用多模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量;或者,
也可以利用变换函数将多模乘幂法运算转换为单模乘幂法运算,利用所述单模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量。
其中,利用多模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量的具体实现如下:
根据所述天气阶及所述假期阶确定所述六阶转移张量的子转移张量,所述子转移张量包括2×Nw个;每个子转移张量都是六阶。
根据上述定义,那么可以基于所述八阶张量及所述五阶分布张量M′∈RW×H×T×L×F,根据公式对八阶张量进行分解,获取唯一的特征张量M,所述M就是一个五阶张量,所述特征张量代表所述目标公交线路在目标时间段内其客流量处于目标区间的概率。具体的分解过程可参见图5。图5中的t0和可以表示为一个时刻,也可以表示为一个时间段,相当于公式中的T(0)×L(0)×F(0),t时刻相当于公式中的T×L×F;t1为t0时刻的下一时刻,t0也可以。
进一步地,利用变换函数将多模乘幂法运算转换为单模乘幂法运算,利用所述单模乘幂法运算对所述三元转移张量预测模型进行特征分解,获取所述特征张量,具体实现如下:
以上的三元转移张量预测模型只考虑到了上一时间段的客流量对当前时间段的客流量影响,实质上这个三元转移张量预测模型是三元一步转移张量。
进一步地,如果考虑当前时间段的状态会受到之前更多时刻状态的影响,那么还可以建立一个三元多步的转移张量。例如,对于一个三元两步的转移张量,它表示当前时间段客流量的状态受到上一时间段的客流量状态以及上上时间段客流量状态的影响。因此需要在三元一步转移张量上再增加一个上上时间段的状态,该时刻状态有3个阶,每一个阶分别表示上上时间段时间、线路和公交客流量,成为九阶转移张量在该转移张量中,T(1)表示上一时间段的时间阶,F(1)表示第一相似线路在时间阶为T(1)时的客流量,L(1)为所述第一相似线路,T(0)表示当前时间段的上上时间段的时间阶,F(0)表示所述第二相似线路在时间阶为T(0)时的客流量,L(0)为所述第二相似线路;T(2)表示当前时间段的时间阶,L(2)为目标公交线路。
考虑到天气因素和假期因素,与上文同样,天气阶包括Nw维,所述假期阶包括2维;那么可将2×NW个9阶子转移张量组合成一个11阶的张量该11阶张量考虑了不同天气和假期的情况下,公交客流量在不同时刻的转移情况。
具体的算法实现如下:
设11阶张量T中天气阶W的长度为|W|,假期阶H的长度为|H|。
(1)对于每一个w=1,…,|W|;
(2)对于每一个h=1,2,…|H|;
(3)令Tsub为T在时间阶和假期阶下的子张量,即Tsub=T(w,h,:,:,:,:,:,:,:,:,:);
(4)调用多模乘幂法,并令X(w,h,:,:,:)=multi-mode power method(Tsub,α,ε),最后输出:5阶特征张量X∈RW×H×T×L×F,所述X(w,h,……)即为最后输出的5阶特征张量。
当获取到特征张量后,预测单元65用于根据所述特征张量对所述目标公交线路的公交客流量进行预测,需要说明的是,在预测时,是对公交车经过的某个站点的客流量进行预测。
以三元一步转移张量得出的特征向量M为例进行说明,具体是根据公式(3)预测所述目标公交线路在目标时间段内的公交客流量:
由于客流量一般是设置一个区间,这里,一般是取概率对应的最大客流量。
比如以为例,该式表示在某一天为假期的情况下且天气为晴,在上一时间段(即8点到9点)2号线路的客流量在500到600之间,上上时间段(即7点到8点)1号线路客流量在200到300之间的条件下,3号线路在当前时间段为9点到10点所处客流量在400到500之间的概率为0.27。那么fpredict就可以表示为3号线路在当前时间段为9点到10点所处客流量为500的概率为0.27。
本发明实施例提供的公交客流量的预测方法及系统能带来的有益效果至少是:
本发明实施例提供的公交客流量的预测方法及系统,所述方法包括:确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与目标公交线路具有多个相同站点的线路;获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;利用多模乘幂法对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率;根据所述特征张量对所述目标公交线路的公交客流量进行预测;如此,考虑到时间、天气、假期、相似线路对目标公交线路客流量的影响,将过去一段历史时间内的客流量变化规律离散化成一个状态转移图,基于上述因素,根据状态转移图建立相应的转移张量预测模型,通过转移张量的主特征分解求特征张量,那么该特征张量表示的就是该多元状态转移图的稳态分布,即目标公交线路在天气,时间,假期多种因素影响下在某个客流量区间的概率,再利用特征张量预测未来一段时间内的公交客流量,这样利用多元的预测模型进行预测时,就提高了预测的准确度。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种公交客流量的预测方法,其特征在于,所述方法包括:
确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与目标公交线路具有多个相同站点的线路;
获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;
基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;
对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率;
根据所述特征张量对所述目标公交线路在所述目标时间段内的公交客流量进行预测;其中,
所述对所述三元转移张量预测模型进行特征分解,获取特征张量,包括:
2.如权利要求1所述的方法,其特征在于,所述基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型,包括:
基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元客流量状态概率转移图;
基于所述三元客流量状态概率转移图创建所述三元转移张量预测模型;
对所述三元转移张量预测模型进行素性修正。
4.一种公交客流量的预测系统,其特征在于,所述系统包括:
确定单元,用于确定影响公交客流量的预测因素,所述预测因素包括:时间、天气、假期及相似线路的客流量;所述相似线路为与目标公交线路具有多个相同站点的线路;
获取单元,用于获取各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期;
创建单元,用于基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元转移张量预测模型;
分解单元,用于对所述三元转移张量预测模型进行特征分解,获取特征张量,所述特征张量代表所述目标公交线路在目标时间段内客流量处于目标区间的概率;
预测单元,用于根据所述特征张量对所述目标公交线路在所述目标时间段内的公交客流量进行预测;其中,
所述分解单元具体用于:
5.如权利要求4所述的系统,其特征在于,所述创建单元具体用于:
基于所述各历史时间段内所述目标公交线路的客流量数据、所述相似线路的客流量数据、所述各历史时间段内的天气以及是否处于假期,根据三元马尔科夫链创建三元客流量状态概率转移图;
基于所述三元客流量状态概率转移图创建所述三元转移张量预测模型;
对所述三元转移张量预测模型进行素性修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439786.5A CN108417038B (zh) | 2018-05-09 | 2018-05-09 | 一种公交客流量的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810439786.5A CN108417038B (zh) | 2018-05-09 | 2018-05-09 | 一种公交客流量的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108417038A CN108417038A (zh) | 2018-08-17 |
CN108417038B true CN108417038B (zh) | 2021-02-09 |
Family
ID=63138443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810439786.5A Active CN108417038B (zh) | 2018-05-09 | 2018-05-09 | 一种公交客流量的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108417038B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874664A (zh) * | 2018-08-31 | 2020-03-10 | 北京京东尚科信息技术有限公司 | 门店产能优化方法及系统 |
CN109993983B (zh) * | 2019-04-09 | 2020-10-27 | 西安交通大学 | 一种基于马尔科夫链的智能交通车辆自适应诱导方法 |
CN111862583B (zh) * | 2019-04-24 | 2021-12-03 | 北京嘀嘀无限科技发展有限公司 | 一种车流量预测方法及装置 |
CN110210664B (zh) * | 2019-05-29 | 2020-07-24 | 东南大学 | 多个个体车辆使用行为短时预测的深度学习方法 |
CN111985731B (zh) * | 2020-09-09 | 2021-09-07 | 中国科学院自动化研究所 | 城市公共交通站点人数的预测方法及系统 |
CN112365638A (zh) * | 2020-11-16 | 2021-02-12 | 成都中科大旗软件股份有限公司 | 一种景区客流预警系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564288A (zh) * | 2017-10-10 | 2018-01-09 | 福州大学 | 一种基于张量填充的城市交通流预测方法 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8204988B2 (en) * | 2009-09-02 | 2012-06-19 | International Business Machines Corporation | Content-based and time-evolving social network analysis |
CN105224992A (zh) * | 2014-05-28 | 2016-01-06 | 国际商业机器公司 | 对等待乘客数进行预测的方法和系统以及评价方法和系统 |
CN105512447A (zh) * | 2014-09-26 | 2016-04-20 | 山西云智慧科技股份有限公司 | 一种基于Holt-Winters模型的公交客量预测方法 |
CN107248280B (zh) * | 2017-08-07 | 2019-11-12 | 江苏南大苏富特智能交通科技有限公司 | 一种基于实时客流预测的公交车发车调度方法 |
-
2018
- 2018-05-09 CN CN201810439786.5A patent/CN108417038B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564288A (zh) * | 2017-10-10 | 2018-01-09 | 福州大学 | 一种基于张量填充的城市交通流预测方法 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108417038A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108417038B (zh) | 一种公交客流量的预测方法及系统 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN106933649B (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及系统 | |
CN105376097A (zh) | 网络流量的一种混合预测方法 | |
CN105305426B (zh) | 基于偏差控制机制的Mapreduce化两步法短期负荷预测方法 | |
CN103903430A (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN109637128B (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 | |
CN110232483A (zh) | 深度学习负荷预测方法、装置及终端设备 | |
CN110213784B (zh) | 一种流量预测方法及装置 | |
CN114239718B (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
CN103294729B (zh) | 处理、预测包含样本点的时间序列的方法和设备 | |
JP2022022106A (ja) | コンピュータが実施する、ルートのエネルギ使用を予測する方法 | |
CN115146764A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN103886391B (zh) | 业务量预测方法和装置 | |
CN112612781A (zh) | 数据修正方法、装置、设备及介质 | |
JP2004023114A (ja) | 通信トラヒック予測方法およびその装置 | |
CN110543699A (zh) | 共享车辆出行数据仿真、共享车辆调度方法、装置及设备 | |
CN111259340B (zh) | 一种基于logistic回归的饱和负荷预测方法 | |
CN113537596A (zh) | 一种城市轨道交通新线站点短时客流预测方法 | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
CN110309968A (zh) | 一种基于桩群预测充电量的动态定价系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |