CN108564227A - 一种基于时空特征的轨道交通客流量预测方法 - Google Patents
一种基于时空特征的轨道交通客流量预测方法 Download PDFInfo
- Publication number
- CN108564227A CN108564227A CN201810382245.3A CN201810382245A CN108564227A CN 108564227 A CN108564227 A CN 108564227A CN 201810382245 A CN201810382245 A CN 201810382245A CN 108564227 A CN108564227 A CN 108564227A
- Authority
- CN
- China
- Prior art keywords
- moment
- targeted sites
- indicate
- input
- space
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 210000005036 nerve Anatomy 0.000 claims abstract description 25
- 230000002123 temporal effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时空特征的轨道交通客流量预测方法,包括如下步骤:S1采集轨道交通客流量的历史数据;S2从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;S3将步骤S2中0至t时刻目标站点历史数据的空间特征和时序特征对应的合成0至t时刻目标站点的二维向量;S4建立LSTM人工神经网络模型,将0至t时刻目标站点的二维向量作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的二维向量输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。本发明方法将空间特征和时序特征进行结合,用于预测轨道交通目标站点的客流量,预测精度高。
Description
技术领域
本发明涉及轨道交通客流量预测技术领域,尤其涉及一种基于时空特征的轨道交通客流量预测方法。
背景技术
轨道交通客流预测具有很高的价值,在宏观层面,可以为运营调控、线路规划等工程提供支持;在微观层面,可以为大众用户的出行选择提供建议。所以如何准确地预测轨道交通客流成为了一个热门的问题。
轨道交通数据的一个显著特点就是具有时间维度,传统的人工神经网络,例如CNN、RNN等,并不能很好的处理时序数据,从而不能很好的根据历史数据来预测轨道交通客流。后来研究人员提出的一些模型,这些模型都可以很好的处理时序数据,但是这些模型对轨道交通客流的预测精度较低,在轨道交通客流预测领域不具有实用性。
发明内容
针对现有技术之不足,本发明提供了一种轨交通客流量预测方法,该方法基于时序特征预测精度高。
为实现上述目的,本发明采用如下技术方案:一种基于时空特征的轨道交通客流量预测方法,包括如下步骤:
S1:采集轨道交通客流量的历史数据;
S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;
S3:将步骤S2中0至t时刻目标站点历史数据的空间特征和时序特征对应的合成0至t时刻目标站点的二维向量;
S4:建立LSTM人工神经网络模型,将0至t时刻目标站点的二维向量作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的二维向量输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。
作为改进,所述步骤S1中采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:
xj,t,in=∑i∈M{i|i.otime∈t;i.ostation=j} (1-1);
xj,t,out=∑i∈M{i|i.dtime∈t;i.dstation=j} (1-2);
其中,i代表整个轨道交通数据集M中的一条数据,otime,dtime,ostation,dstation是数据i的属性,分别代表进站刷卡时间、出站刷卡时间、起始站编号和终点站编号。
作为改进,所述步骤S2中0至t时刻目标站点的空间特征采用如下方法计算:
其中:Sj,r是指r时刻其他站点将要到达目标站点j的客流总数,即r时刻目标站点的空间特征;
N是轨交通全网站点的集合;
n站点集合N的总数据量;
Pk,j,r是指r时刻站点k与目标站点j在t时刻的空间关联因子;
Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;
ΔT是站点k与目标站点j的平均旅行时间差;
其中,Ink,r-ΔT代表的是r-ΔT时间段,站点k的进站人数;
i代表整个轨道交通数据集M中的一条数据;
m代表轨道交通数据集M的总数据量;
xk,j,r-ΔT代表的是r-ΔT时间段,从站点k到目标站点j的客流人数;
w代表时间周期;
Pk,j,r就是r时刻所有历史同期的pk,j,r的平均值。
作为改进,所述步骤S2中0至t时刻目标站点的时序特征采用如下方法获得:
Tj,r=(tj,rtj,r-1…tj,r-time_step)T (3);
其中,Tj,r是指r时刻历史时间段内目标站点j的出站客流总数;
tj,r代表的是r时刻,目标站点j的出站人数;
time_step代表的是时间步。
作为改进,所述步骤S3中0至t时刻目标站点的空间特征和时序特征对应合成0至t时刻目标站点的二维向量Inputj,t如下:
作为改进,所述步骤S4建立的LSTM人工神经网络模型如下:
ar=σ(Wa,r·xr+ba,r) (4-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (4-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (4-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (4-6);
hr=or*tanh(Cr) (4-7);
其中,ar表示r时刻全连接层输出,Wa,r表示r时刻全连接层权重,ba,r表示r时刻全连接层的偏置,xr表示r时刻的输入;
fr表示r时刻遗忘门限,hr-1表示r-1时刻单元的输出,Wf,r表示r时刻遗忘门权重,bf,r表示r时刻遗忘门的偏置;
ir表示r时刻输入门限,Wi,r表示r时刻输入门权重,bi,r表示r时刻输入门的偏置;
表示r时刻的cell产生的新状态,Wc,r表示r时刻cell的权重,bC,r表示r时刻cell的偏置;
表示r-1时刻的cell状态;
Cr表示r时刻的cell总状态;
or表示r时刻输出门限,Wo,r表示r时刻输出门的权重,bo,r表示r时刻输出门的偏置;
hr表示r时刻的输出。
作为改进,所述步骤S4建立的LSTM人工神经网络模型的训练过程如下:
1)令r=1;
2)二维向量Inputj,r作为输入,即令xr=Inputj,r,并执行如下关系式的计算:
ar=σ(Wa,r·xr+ba,r) (4-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (4-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (4-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (4-6);
hr=or*tanh(Cr) (4-7);
3)当r>t时,执行下一步,否则令r=r+1,并返回2);
输出当前LSTM人工神经网络模型,该模型即为训练后的LSTM人工神经网络模型。
作为改进,所述步骤S3中将t时刻目标站点的二维向量作为输入,输入训练后的LSTM人工神经网络模型,即令xr=t=Inputj,t,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的轨道交通t+1时刻目标站点j的出站客流量。
本发明具有以下有益效果:
本发明创新性的引入了轨道交通两种维度的特征,时间特征和空间特征,并且将两种特征进行了结合,形成二维向量,将0-t时刻目标站点的二维向量作为输入训练LSTM人工神经网络模型,再将t时刻目标站点的二维向量作为输入,预测目标站点t+1时刻的出站客流量,预测精度高。
附图说明
图1是本发明方法的流程简图。
图2是本发明方法具体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
轨道交通数据具有时空二维性。
时间性:一定时间段内的客流数据具有一定的规律,相邻时间段之间的数据也存在着一定的关联。
空间性:两个站点之间在空间上存在着一定的关联。每两个不同站点,在不同时间段的往来存在着一定的规律。
由于轨道交通数据除了时间性,还具有空间性,每两个站点之间在空间上存在着一定的关联,这种关联最直接的体现就是旅客的旅行时间。通过将两站点间的空间距离转化为旅行的时间,也就是时间差ΔT,就可以表达两站点间的空间关系,本发明通过构建时间差矩阵T来引入全网站点间的空间位置关系。此外,对于某一给定的时间段,每两个站点间的往来客流量存在着一定规律,通过引入空间影响因子矩阵SIM,来引入这种关系。
在本发明提出的架构中,将空间影响量转化为时间差来进行处理,这样就可以用处理时序数据的人工神经网络来处理空间性。将时序数据与空间影响量结合,来预测站点的进出站数据,得到了很好的效果。
参见图1和图2,一种基于时空特征的轨道交通客流量预测方法,包括如下步骤:
S1:采集轨道交通客流量的历史数据;
具体地,采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:
xj,t,in=∑i∈M{i|i.otime∈t;i.ostation=j} (1-1);
xj,t,out=∑i∈M{i|i.dtime∈t;i.dstation=j} (1-2);
其中,i代表整个轨道交通数据集M中的一条数据,otime,dtime,ostation,dstation是数据i的属性,分别代表进站刷卡时间、出站刷卡时间、起始站编号和终点站编号。
S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;
具体地,所述步骤S2中0至t时刻目标站点的空间特征采用如下方法计算:
其中:Sj,r是指r时刻其他站点将要到达目标站点j的客流总数,即r时刻目标站点的空间特征;
N是轨交通全网站点的集合;
n站点集合N的总数据量;
Pk,j,r是指r时刻站点k与目标站点j在t时刻的空间关联因子;
Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;
ΔT是站点k与目标站点j的平均旅行时间差;所有站点两两之间的ΔT组成了T矩阵,下文详述)所有的P就构成了SIM矩阵(SIM矩阵后面详述),就是目标站点j的出站人数与全网其余站点进站人数的转换概率矩阵(t时间段,从站点k到站点j的进站人数占站点k总进站人数的比率。
其中,Ink,r-ΔT代表的是r-ΔT时间段,站点k的进站人数;
i代表整个轨道交通数据集M中的一条数据;
m代表轨道交通数据集M的总数据量;
xk,j,r-ΔT代表的是r-ΔT时间段,从站点k到目标站点j的客流人数;
w代表时间周期;
Pk,j,r就是r时刻所有历史同期的pk,j,r的平均值。
历史同期:每周的同一时间段,比如所有周数周一的8点30分,就组成了周一8点30分的历史同期组,注意:这里的8点30分指的是一段时间,代表的是8:21~8点30。这段时间为10分钟,是因为我们的实验中预测精度是10分钟,如果预测精度为v,那么t时间段指的就是t–v到t这一段时间。
具体地,0至t时刻目标站点的时序特征采用如下方法获得:
Tj,r=(tj,rtj,r-1…tj,r-time_step)T (3);
其中,Tj,r是指r时刻历史时间段内目标站点j的出站客流总数;
tj,r代表的是r时刻,目标站点j的出站人数;
time_step代表的是时间步。LSTM神经网络中的常量,由使用者给定具体数值。
S3:将步骤S2中0至t时刻目标站点历史数据的空间特征和时序特征对应的合成0至t时刻目标站点的二维向量;
具体地,所述步骤S3中0至t时刻目标站点的空间特征和时序特征对应合成0至t时刻目标站点的二维向量Inputj,t如下:
即将长度为time_step的二维向量作为LSTM人工神经网络模型的输入,经过全连接层处理,全连接层的输出Outputfull作为输入层的输入在作为输入层的输入;最后输出一个长度为1的一维向量。该输出即为目标站点j客流总数的预测值。其实LSTM人工神经网络模型的输出为一个具体的数。
经过多次实验发现,该采用二维向量作为输入出站人数较小,数据波动较大的站点,表现普遍较好。
S4:建立LSTM人工神经网络模型,将0至t时刻对应的二维向量作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻对应的二维向量输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。
具体地,步骤S4建立的LSTM人工神经网络模型如下:
ar=σ(Wa,r·xr+ba,r) (4-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (4-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (4-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (4-6);
hr=or*tanh(Cr) (4-7);
其中,ar表示r时刻全连接层输出,Wa,r表示r时刻全连接层权重,ba,r表示r时刻全连接层的偏置,xr表示r时刻的输入;
fr表示r时刻遗忘门限,hr-1表示r-1时刻单元的输出,Wf,r表示r时刻遗忘门权重,bf,r表示r时刻遗忘门的偏置;
ir表示r时刻输入门限,Wi,r表示r时刻输入门权重,bi,r表示r时刻输入门的偏置;
表示r时刻的cell产生的新状态,Wc,r表示r时刻cell的权重,bC,r表示r时刻cell的偏置;
表示r-1时刻的cell状态;
Cr表示r时刻的cell总状态;
or表示r时刻输出门限,Wo,r表示r时刻输出门的权重,bo,r表示r时刻输出门的偏置;
hr表示r时刻的输出。
在传统的LSTM人工神经网络的输入层前,加入一个全连接层,全连接层的作用是将上文
中的形状为[time_step,2]的向量转化为形状为[time_step,rnn_unit]的向量(rnn_unit是细胞数,LSTM神经网络中的常量,由使用者给定具体数值),将转化后的向量输入LSTM的输入层。
具体地,所述步骤S4建立的LSTM人工神经网络模型的训练过程如下:
1)令r=1;
2)二维向量Inputj,r作为输入,即令xr=Inputj,r,并执行如下关系式的计算:
ar=σ(Wa,r·xr+ba,r) (4-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (4-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (4-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (4-6);
hr=or*tanh(Cr) (4-7);
3)当r>t时,执行下一步,否则令r=r+1,并返回2);
输出当前LSTM人工神经网络模型,该模型即为训练后的LSTM人工神经网络模型。所述步骤S3中合成的二维向量作为步骤S4中的输入对LSTM人工神经网络模型进行训练,得到Wa,r、ba,r、Wf,r、bf,r、Wi,r、bi,r、Wc,r、bC,r、Wo,r和bo,r,确定训练后的LSTM人工神经网络模型。
所述步骤S3中将t时刻目标站点的二维向量作为输入,输入训练后的LSTM人工神经网络模型,即令xr=t=Inputj,t,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的轨道交通t+1时刻目标站点j的出站客流量。
本发明中模型以时间特征和空间特征数据为输入,输出未来时刻的出站客流数据。输入的时间特征和空间特征数据,创新性的引入了轨道交通两种维度的特征,时间特征和空间特征。将时间特征和空间特征二者进行了结合,形成二维向量作为模型的输入,输出即为目标站点t+1时刻的出站客流量。
T矩阵的结构如下:
Tt代表的是t时间段的时间差矩阵T。
ΔTk,j代表的是t时间段站点k到站点j的时间差的历史同期平均(与计算Pk,j,t时的历史平均方法一样):
(i∈M,i.dtime∈t,i.ostation=k,i.dstation=j)
Δtk,j,t代表的是t时刻,站点k到站点j的平均旅行时间。
ΔTk,j,t就是所有历史同期的Δtk,j,t的平均值,公式中w代表一周。
N是全网站点的集合,全网共122个站点,即m=122。
H是所有时间段集合,一周7天,每天地铁运营1000分钟,时间段长度(预测精度)为10分钟,所以共有7*1000/10=700个时间段。
对于给定的时间段t,就对应一个T矩阵,矩阵大小是站点数*站点数(122*122,全网共122个站点),刻画了全网站点两两之间,在t时间段的旅行时间。在预测实验中,一天有100个时间段。而且我们还发现,天与天之间,两站点的旅行时间都有所不同,但大致以一周为周期循环(周一到周日全网每两站点间都有不同的旅行时间)。所以,我们共用到了7*100个T矩阵,每个矩阵大小为122*122。
SIM矩阵的结构如下:
SIMt代表的是t时刻的空间影响因子矩阵SIM。
Pk,j代表的是t时刻站点k到站点j的空间影响因子的历史同期平均。
N是全网站点的集合,全网共122个站点,即m=122。
H是所有时间段集合,一周7天,每天地铁运营1000分钟,时间段长度(预测精度)为10分钟,所以共有7*1000/10=700个时间段。
对于给定的t时刻,就对应一个SIM矩阵,矩阵大小是站点数*站点数(122*122,全网共122个站点),刻画了全网站点两两之间,在t时刻的进站人数和出战人数的相关度。在预测实验中,一天有100个时间段。而且我们还发现,天与天之间,两站点进站人数和出战人数的相关度规律都有所不同,但大致以一周为周期循环(周一到周日全网每两站点间都有不同的相关度规律)。所以,我们共用到了7*100个SIM矩阵,每个矩阵大小为122*122。
试验
实验数据集与实验对象
数据源:2017年3月重庆市全网轨道交通刷卡数据
预测对象:重庆100个轨道交通站点的出站人数
精度:10分钟
数据量:100个站点,每天1000分钟,共30天,每个站点分别有进站客流数据和出站客流数据,全网共100*(1000/10)*30*2=600000个数据,其中前28天做训练,后2天做测试。
训练次数:3000次。
测试模型:仅有时序数据进行预测的传统模型,和加入空间影响量的时空预测模型。
准确度衡量指标
1)最大误差
预测结果中,预测值与实际值差的绝对值中的最大值。
2)平均误差
预测结果中,预测值与实际值差的绝对值平均。
3)均方根误差
预测结果中,预测值与实际值差的绝对值平方和开方。
4)相对准确度
预测结果中,预测值与实际值差的绝对值与实际值的平均百分比。
试验结果
模型名称 | 最大误差 | 平均误差 | 均方根误差 | 相对准确度 |
二维输入时空预测模型 | 127.90 | 19.06 | 27.87 | 83.81% |
时序预测模型 | 182.88 | 24.81 | 37.51 | 79.16% |
实验结论
经过对100个站点的实验后,两种结合方式的时空预测模型的表现良好,各项指标明显高于传统的时序预测模型,预测准确度有显著提升。
为了防止字母所表示含义缺失,做如下列表:
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不同限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于时空特征的轨道交通客流量预测方法,其特征在于:包括如下步骤:
S1:采集轨道交通客流量的历史数据;
S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;
S3:将步骤S2中0至t时刻目标站点历史数据的空间特征和时序特征对应的合成0至t时刻目标站点的二维向量;
S4:建立LSTM人工神经网络模型,将0至t时刻目标站点的二维向量作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的二维向量输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。
2.如权利要求1所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S1中采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:
xj,t,in=∑i∈M{i|i.otime∈t;i.ostation=j} (1-1);
xj,t,out=∑i∈M{i|i.dtime∈t;i.dstation=j} (1-2);
其中,i代表整个轨道交通数据集M中的一条数据,otime,dtime,ostation,dstation是数据i的属性,分别代表进站刷卡时间、出站刷卡时间、起始站编号和终点站编号。
3.如权利要求2所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S2中0至t时刻目标站点的空间特征采用如下方法计算:
其中:Sj,r是指r时刻其他站点将要到达目标站点j的客流总数,即r时刻目标站点的空间特征;
N是轨交通全网站点的集合;
n站点集合N的总数据量;
Pk,j,r是指r时刻站点k与目标站点j在t时刻的空间关联因子;
Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;
ΔT是站点k与目标站点j的平均旅行时间差;
其中,Ink,r-ΔT代表的是r-ΔT时间段,站点k的进站人数;
i代表整个轨道交通数据集M中的一条数据;
m代表轨道交通数据集M的总数据量;
xk,j,r-ΔT代表的是r-ΔT时间段,从站点k到目标站点j的客流人数;
w代表时间周期;
Pk,j,r就是r时刻所有历史同期的pk,j,r的平均值。
4.如权利要求3所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S2中0至t时刻目标站点的时序特征采用如下方法获得:
Tj,r=(tj,rtj,r-1…tj,r-time_step)T (3);
其中,Tj,r是指r时刻历史时间段内目标站点j的出站客流总数;
tj,r代表的是r时刻,目标站点j的出站人数;
time_step代表的是时间步。
5.如权利要求4所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S3中0至t时刻目标站点的空间特征和时序特征对应合成0至t时刻目标站点的二维向量Inputj,t如下:
6.如权利要求5所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S4建立的LSTM人工神经网络模型如下:
ar=σ(Wa,r·xr+ba,r) (4-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (4-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (4-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (4-6);
hr=or*tanh(Cr) (4-7);
其中,ar表示r时刻全连接层输出,Wa,r表示r时刻全连接层权重,ba,r表示r时刻全连接层的偏置,xr表示r时刻的输入;
fr表示r时刻遗忘门限,hr-1表示r-1时刻单元的输出,Wf,r表示r时刻遗忘门权重,bf,r表示r时刻遗忘门的偏置;
ir表示r时刻输入门限,Wi,r表示r时刻输入门权重,bi,r表示r时刻输入门的偏置;
表示r时刻的cell产生的新状态,Wc,r表示r时刻cell的权重,bC,r表示r时刻cell的偏置;
表示r-1时刻的cell状态;
Cr表示r时刻的cell总状态;
or表示r时刻输出门限,Wo,r表示r时刻输出门的权重,bo,r表示r时刻输出门的偏置;
hr表示r时刻的输出。
7.如权利要求6所述基于时空特征预测轨道交通客流量方法,其特征在于,所述步骤S4建立的LSTM人工神经网络模型的训练过程如下:
1)令r=1;
2)二维向量Inputj,r作为输入,即令xr=Inputj,r,并执行如下关系式的计算:
ar=σ(Wa,r·xr+ba,r) (4-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (4-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (4-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (4-6);
hr=or*tanh(Cr) (4-7);
3)当r>t时,执行下一步,否则令r=r+1,并返回2);
输出当前LSTM人工神经网络模型,该模型即为训练后的LSTM人工神经网络模型。
8.如权利要求7所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S3中将t时刻目标站点的二维向量作为输入,输入训练后的LSTM人工神经网络模型,即令xr=t=Inputj,t,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的轨道交通t+1时刻目标站点j的出站客流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382245.3A CN108564227B (zh) | 2018-04-26 | 2018-04-26 | 一种基于时空特征的轨道交通客流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382245.3A CN108564227B (zh) | 2018-04-26 | 2018-04-26 | 一种基于时空特征的轨道交通客流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108564227A true CN108564227A (zh) | 2018-09-21 |
CN108564227B CN108564227B (zh) | 2021-08-06 |
Family
ID=63536801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810382245.3A Active CN108564227B (zh) | 2018-04-26 | 2018-04-26 | 一种基于时空特征的轨道交通客流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564227B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523082A (zh) * | 2018-11-20 | 2019-03-26 | 广东机场白云信息科技有限公司 | 一种基于cnn-lstm航班正常放行率预测的方法 |
CN109583656A (zh) * | 2018-12-06 | 2019-04-05 | 重庆邮电大学 | 基于a-lstm的城市轨道交通客流量预测方法 |
CN110210656A (zh) * | 2019-05-21 | 2019-09-06 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
CN110298486A (zh) * | 2019-05-29 | 2019-10-01 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN110462594A (zh) * | 2018-11-02 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 监测多个系统指标 |
CN110458351A (zh) * | 2019-08-06 | 2019-11-15 | 重庆仙桃前沿消费行为大数据有限公司 | 基于人流量的区域管理方法、装置、设备及可读存储介质 |
CN110619419A (zh) * | 2019-07-30 | 2019-12-27 | 北京交通大学 | 城市轨道交通的客流预测方法 |
CN110633853A (zh) * | 2019-09-12 | 2019-12-31 | 北京彩云环太平洋科技有限公司 | 时空数据预测模型的训练方法、装置及电子设备 |
CN110866649A (zh) * | 2019-11-19 | 2020-03-06 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN113239198A (zh) * | 2021-05-17 | 2021-08-10 | 中南大学 | 一种地铁客流预测方法、装置及计算机存储介质 |
CN114399344A (zh) * | 2022-03-24 | 2022-04-26 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
WO2023050534A1 (zh) * | 2021-09-29 | 2023-04-06 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
CN117272848A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于时空影响的地铁客流预测方法及模型训练方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016054360A1 (en) * | 2014-10-03 | 2016-04-07 | Drive Time Metrics, Inc. | Cross channel in-vehicle media consumption measurement and analysis |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
-
2018
- 2018-04-26 CN CN201810382245.3A patent/CN108564227B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016054360A1 (en) * | 2014-10-03 | 2016-04-07 | Drive Time Metrics, Inc. | Cross channel in-vehicle media consumption measurement and analysis |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
Non-Patent Citations (1)
Title |
---|
王永坤等: "面向公共安全的时空数据挖掘综述", 《重庆邮电大学学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110462594A (zh) * | 2018-11-02 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 监测多个系统指标 |
CN110462594B (zh) * | 2018-11-02 | 2023-11-14 | 创新先进技术有限公司 | 监测多个系统指标的方法和系统 |
WO2020087489A1 (en) * | 2018-11-02 | 2020-05-07 | Alibaba Group Holding Limited | Monitoring multiple system indicators |
US11042461B2 (en) | 2018-11-02 | 2021-06-22 | Advanced New Technologies Co., Ltd. | Monitoring multiple system indicators |
CN109523082A (zh) * | 2018-11-20 | 2019-03-26 | 广东机场白云信息科技有限公司 | 一种基于cnn-lstm航班正常放行率预测的方法 |
CN109523082B (zh) * | 2018-11-20 | 2023-12-22 | 广东机场白云信息科技股份有限公司 | 一种基于cnn-lstm航班正常放行率预测的方法 |
CN109583656B (zh) * | 2018-12-06 | 2022-05-10 | 重庆邮电大学 | 基于a-lstm的城市轨道交通客流量预测方法 |
CN109583656A (zh) * | 2018-12-06 | 2019-04-05 | 重庆邮电大学 | 基于a-lstm的城市轨道交通客流量预测方法 |
CN110210656A (zh) * | 2019-05-21 | 2019-09-06 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
CN110210656B (zh) * | 2019-05-21 | 2021-07-13 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
CN110298486A (zh) * | 2019-05-29 | 2019-10-01 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN110619419A (zh) * | 2019-07-30 | 2019-12-27 | 北京交通大学 | 城市轨道交通的客流预测方法 |
CN110458351A (zh) * | 2019-08-06 | 2019-11-15 | 重庆仙桃前沿消费行为大数据有限公司 | 基于人流量的区域管理方法、装置、设备及可读存储介质 |
CN110633853A (zh) * | 2019-09-12 | 2019-12-31 | 北京彩云环太平洋科技有限公司 | 时空数据预测模型的训练方法、装置及电子设备 |
CN110866649B (zh) * | 2019-11-19 | 2022-09-20 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN110866649A (zh) * | 2019-11-19 | 2020-03-06 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN113239198A (zh) * | 2021-05-17 | 2021-08-10 | 中南大学 | 一种地铁客流预测方法、装置及计算机存储介质 |
CN113239198B (zh) * | 2021-05-17 | 2023-10-31 | 中南大学 | 一种地铁客流预测方法、装置及计算机存储介质 |
WO2023050534A1 (zh) * | 2021-09-29 | 2023-04-06 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
CN114399344A (zh) * | 2022-03-24 | 2022-04-26 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
CN114399344B (zh) * | 2022-03-24 | 2022-07-08 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
CN117272848A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于时空影响的地铁客流预测方法及模型训练方法 |
CN117272848B (zh) * | 2023-11-22 | 2024-02-02 | 上海随申行智慧交通科技有限公司 | 基于时空影响的地铁客流预测方法及模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108564227B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564227A (zh) | 一种基于时空特征的轨道交通客流量预测方法 | |
CN108537392A (zh) | 一种基于时空特征预测轨道交通站点出站客流量的方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
Pan et al. | Predicting bike sharing demand using recurrent neural networks | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
CN109583565B (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111985710A (zh) | 一种公交乘客出行站点预测方法、存储介质及服务器 | |
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN108564391B (zh) | 一种考虑主客观信息的共享电动汽车需求预测方法及系统 | |
CN105825297A (zh) | 一种基于马尔科夫模型的位置预测方法 | |
CN107845260B (zh) | 一种用户公交出行方式的识别方法 | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
Zheng et al. | Hybrid deep learning models for traffic prediction in large-scale road networks | |
CN111506835A (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
CN108564228A (zh) | 一种基于时序特征预测轨道交通od客流量的方法 | |
CN104199818A (zh) | 一种基于分类的社会化推荐方法 | |
CN106339769A (zh) | 一种面向移动社会网络的用户出行预测方法 | |
Deng et al. | The pulse of urban transport: Exploring the co-evolving pattern for spatio-temporal forecasting | |
Chen et al. | H-ConvLSTM-based bagging learning approach for ride-hailing demand prediction considering imbalance problems and sparse uncertainty | |
Qiao et al. | Improvement of thermal comfort for underground space: Data enhancement using variational autoencoder | |
CN115049152A (zh) | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 | |
Yang et al. | Dynamic Origin‐Destination Matrix Estimation Based on Urban Rail Transit AFC Data: Deep Optimization Framework with Forward Passing and Backpropagation Techniques | |
Lai et al. | Travel mode choice prediction based on personalized recommendation model | |
Du et al. | Highway travel time prediction of segments based on ANPR data considering traffic diversion |
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 |