CN108564228A - 一种基于时序特征预测轨道交通od客流量的方法 - Google Patents
一种基于时序特征预测轨道交通od客流量的方法 Download PDFInfo
- Publication number
- CN108564228A CN108564228A CN201810382266.5A CN201810382266A CN108564228A CN 108564228 A CN108564228 A CN 108564228A CN 201810382266 A CN201810382266 A CN 201810382266A CN 108564228 A CN108564228 A CN 108564228A
- Authority
- CN
- China
- Prior art keywords
- moment
- flow
- indicate
- sequence
- passengers
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002123 temporal effect Effects 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008569 process 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)
Abstract
本发明涉及一种基于时序特征预测轨道交通OD客流量的方法,包括如下步骤:S1:采集轨道交通客流OD的历史数据,提取顺序时间序列与历史同期序列;S2:将顺序时间序列与历史同期序列结合得到新的时间客流量序列;S3:建立LSTM模型,将0至t时刻新的时间客流量序列作为输入对LSTM模型进行训练,然后再将t时刻新的时间客流量序列输入训练后的LSTM模型,得到t+1时刻的OD客流量。本发明方法将顺序时间序列与历史同期序列进行结合,形成新的特征组,用于预测轨道交通OD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,尤其涉及一种预测轨道交通OD客流量的方法。
背景技术
基于对历史数据进行统计而产生的模型,主要包括,历史平均模型、时间序列模型、线性回归模型等。历史平均模型在模型构建方面非常简单但是它并不能将客流非线性和不确定性准确的反映出来,尤其无法考虑随机干扰因素的影响。交通客流的影响因素众多,天气状况、节假日以及各种大型活动等等都会引起交通客流的的急剧增长。在1991年,Davis和Nihan将非参数回归模型引入到了交通短时客流预测中来,非参数回归模型只需足够的历史客流数据,所有的影响因素都蕴含在历史数据中,这些影响因素包含着各种复杂的环境状况。非参数回归模型通过寻找历史数据中与当前点相似“近邻”的基础上,但是仍然存在实用性不高,耗时过高的问题,不适合实时预测。史文雯基于北京轨道交通的历史数据,分析其时空分布特征,搭建短期预测模型并优化客运能力部署模型。实验结果显示,一套合理的配置能够减少乘客等待时间,一定程度上降低地铁拥堵程度和运营公司的成本。吴丽娟以北京轨道交通为实例,基于贝叶斯方法识别轨道交通车站的进站量异常情况,简历突发事件对客流的影响模型,并从影响范围和被影响程度分析突发时间对轨道线网造成的影响。
从国内外研究成果中分析可以总结出选择适合数据特点的算法搭建模型,方可以更准确的预测其发展走向。城市轨道交通客流预测的前期研究主要集中在对年、月总量的预测,部分研究集中在中长时客流预测或是客流特征分析与安全运营上,而目前还缺少对于轨道交通小时级OD客流预测。
发明内容
针对现有技术之不足,本发明提供了一种基于时序特征预测轨道交通OD客流量的方法,弥补了现有技术的空白。
为实现上述目的,本发明采用如下技术方案:一种基于时序特征预测轨道交通OD客流量的方法,包括如下步骤:
S1:采集轨道交通客流OD的历史数据,提取顺序时间序列与历史同期序列,轨道交通客流OD数据的顺序时间序列记为{x0,x1,x2…xj…xt},xj表示j时刻的OD值,历史同期序列记为{X0,X1,X2…Xj…Xt},Xj表示历史同期j时刻的OD值;
S2:将顺序时间序列与历史同期序列结合得到新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>};
S3:建立LSTM模型,将0至t时刻新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>}作为输入对LSTM模型进行训练,然后再将t时刻新的时间客流量序列输入训练后的LSTM模型,得到t+1时刻的OD客流量。
作为改进,所述步骤S3所建立的LSTM模型如下:
xj=Wx,j·Inputj+bx,j (1);
fj=σ(Wf,j·[hj-1,xj]+bf,j) (2);
ij=σ(Wi,j·[hj-1,xj]+bi,j) (3);
oj=σ(Wo,j·[hj-1,xj]+bo,j) (6);
hj=oj*tanh(Cj) (7);
其中,Wx,j表示j时刻全连接层权重,Inputj表示j时刻新的时间客流量序列,bx,j表示j时刻全连接层偏置;
ft,j表示j时刻遗忘门限,hj-1表示j-1时刻单元的输出,Wf,j表示j时刻遗忘门权重,bf,j表示j时刻遗忘门的偏置,xj表示j时刻的输入;
it,j表示j时刻输入门限,Wi,j表示j时刻输入门权重,bi,j表示j时刻输入门的偏置;
表示j时刻的cell产生的新状态,Wc,j表示j时刻cell的权重,bc,j表示j时刻cell的偏置;
表示j-1时刻的cell状态;
Cj表示j时刻的cell总状态;
oj表示j时刻输出门限,Wo,j表示j时刻输出门的权重,bo,j表示j时刻输出门的偏置;
hj表示j时刻的输出。
作为改进,所述步骤S3中,LSTM模型的训练方法如下:
1)令j=1;
2)新的时间客流量序列<xj,Xj>作为输入,即令Inputj=<xj,Xj>,并执行如下关系式的计算;
xj=Wx,j·Inputj+bx,j (1);
fj=σ(Wf,j·[hj-1,xj]+bf,j) (2);
ij=σ(Wi,j·[hj-1,xj]+bi,j) (3);
oj=σ(Wo,j·[hj-1,xj]+bo,j) (6);
hj=oj*tanh(Cj) (7);
3)当j>t时,执行下一步,否则令j=j+1,并返回2);
4)输出当前LSTM模型,该模型即为训练后的LSTM模型。
作为改进,所述步骤S3中,将t时刻新的时间客流量序列<xt,Xt>作为输入,输入训练后的LSTM模型,即令Inputj=t=<xt,Xt>,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的t+1时刻轨道交通OD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不同的时间信息,历史同期序列与顺序时间序列,并且将两种时间序列进行了结合,形成新的特征组,建立LSTM模型,将新的特征组作为输入,预测OD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是本发明方法顺序时间序列与历史同期序列结合的过程示意图。
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。
本发明引入了神经网络中的长短时记忆网络(LSTM)建立模型进行短时客流预测,建立了长短时记忆网络(LSTM)模型。本发明创新性的引入了轨道交通两种不同的时间信息,历史同期序列与顺序时间序列,并且将两种时间序列进行了结合,形成新的特征组。历史同期序列(周),某一时刻与历史上以一周为周期所有该时刻的数据形成的时间序列。顺序时间序列,数据根据自身的时间先后关系形成的时间序列。
参见图1和图2,图2中2号框代表历史同期序列,3号框代表顺序时间序列,1号框代表同一时刻(T-1)所有历史同期时间序列(T-1同期)与顺序时间序列(T-1时刻)结合构成的特征组。根据过去时刻特征组构成的序列构建长短时记忆模型(LSTM)并训练,预测下一时刻的OD客流。
一种基于时序特征预测轨道交通OD客流量的方法,包括如下步骤:
S1:采集轨道交通客流OD的历史数据,提取顺序时间序列与历史同期序列,轨道交通客流OD数据的顺序时间序列记为{x0,x1,x2…xj…xt},xj表示j时刻的OD值,历史同期序列记为{X0,X1,X2…Xj…Xt},Xj表示历史同期j时刻的OD值;
S2:将顺序时间序列与历史同期序列结合得到新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>};
S3:建立LSTM模型,将0至t时刻新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>}作为输入对LSTM模型进行训练,然后再将t时刻新的时间客流量序列输入训练后的LSTM模型,得到t+1时刻的OD客流量。
具体地:步骤S3所建立的LSTM模型如下:
xj=Wx,j·Inputj+bx,j (1);
fj=σ(Wf,j·[hj-1,xj]+bf,j) (2);
ij=σ(Wi,j·[hj-1,xj]+bi,j) (3);
oj=σ(Wo,j·(hj-1,xj]+bo,j) (6);
hj=oj*tanh(Cj) (7);
其中,Wx,j表示j时刻全连接层权重,Inputj表示j时刻新的时间客流量序列,bx,j表示j时刻全连接层偏置;
ft,j表示j时刻遗忘门限,hj-1表示j-1时刻单元的输出,Wf,j表示j时刻遗忘门权重,bf,j表示j时刻遗忘门的偏置,xj表示j时刻的输入;
it,j表示j时刻输入门限,Wi,j表示j时刻输入门权重,bi,j表示j时刻输入门的偏置;
表示j时刻的cell产生的新状态,Wc,j表示j时刻cell的权重,bc,j表示j时刻cell的偏置;
表示j-1时刻的cell状态;
Cj表示j时刻的cell总状态;
oj表示j时刻输出门限,Wo,j表示j时刻输出门的权重,bo,j表示j时刻输出门的偏置;
hj表示j时刻的输出。
1、所述步骤S3中,LSTM模型的训练方法如下:
1)令j=1;
2)新的时间客流量序列<xj,Xj>作为输入,即令Inputj=<xj,Xj>,并执行如下关系式的计算;
xj=Wx,j·Inputj+bx,j (1);
fj=σ(Wf,j·[hj-1,xj]+bf,j) (2);
ij=σ(Wi,j·[hj-1,xi]+bi,j) (3);
oj=σ(Wo,j·[hj-1,xj]+bo,j) (6);
hj=oj*tanh(Cj) (7);
3)当j>t时,执行下一步,否则令j=j+1,并返回2);
4)输出当前LSTM模型,该模型即为训练后的LSTM模型。
所述步骤S3中输入0至t时刻新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>}作为输入对LSTM模型进行训练,得到Wx,j、bx,j、Wf,j、bf,j、Wi,j、bi,j、Wc,j、bc,j、Wo,j和bo,j,确定训练后的LSTM模型。
具体地,所述步骤S3中,将t时刻新的时间客流量序列<xt,Xt>作为输入,输入训练后的LSTM模型,即令Inputj=t=<xt,Xt>,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的t+1时刻轨道交通OD客流量。
本发明中模型以过去OD客流量时间序列数据为输入,输出未来时刻的OD客流数据。输入的OD客流量时间序列,创新性的引入了顺序时间序列与历史同期序列两种不同的时间序列。将客流OD数据的顺序时间序列{x0,x1,x2…xt}和历史同期序列{X0,X1,X2…Xt}二者进行了结合,形成新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xt,Xt>}作为模型的输入,训练模型,然后再将t时刻的新时间客流量序列输入训练后的模型得到t+1时刻的客流量ht+1。
实验测试:
重庆轨道交通客流出行原始刷卡数据,以小时为单位,进行OD统计,在OD数据上预测Top10的OD客流量。
试验结果:
时间序列:原始数据序列自身拥有时间上的依赖关联。
(一)对顺序时间序列进行建模
精度:1小时
预测对象:Top10(总客流量前十的站点)的OD客流量
数据集:时序:2014/01-2015/03以及2016/03,每天7点至23点的小时OD数据。
数据量:共8772条数据,7456(85%)条用于训练,1316条用于测试。
训练次数:1200次。
结果如表所示:
顺序时间序列预测结果
OD | RMSE | MRE | 相对准确度 | |
1 | 0123-0114 | 0.378544251 | 3.047040255 | 44.92% |
2 | 0114-0123 | 0.330192775 | 10.03733351 | 65.59% |
3 | 0315-0321 | 0.312802206 | 1.266696868 | 56.49% |
4 | 0321-0315 | 0.37626411 | 2.96118131 | 79.51% |
5 | 0110-0114 | 0.330932669 | 1.599354595 | 77.56% |
6 | 0114-0110 | 0.343546140 | 1.239471241 | 56.98% |
7 | 0327-0321 | 0.397538989 | 1.350789321 | 49.17% |
8 | 0315-0318 | 0.287172766 | 1.418149508 | 61.78% |
9 | 0321-0327 | 0.428663722 | 2.226755465 | 50.00% |
10 | 0313-0315 | 0.342203760 | 1.181928317 | 69.28% |
平均 | 0.352786 | 2.63287 | 61.13% |
(一)对历史同期(以一周为周期)序列进行建模
精度:1小时
预测对象:Top10(总客流量前十的站点)的OD客流量
数据集:时序:2014/01-2015/03以及2016/03,每天7点至23点的小时OD数据。
数据量:共8772条数据,7456(85%)条用于训练,1316条用于测试。
训练次数:1200次。
结果如表所示,
历史同期预测
OD | RMSE | MRE | 相对准确度 | |
1 | 0123-0114 | 0.775306 | 0.577087 | 73.565342% |
2 | 0114-0123 | 0.708090 | 0.505884 | 70.215706% |
3 | 0315-0321 | 1.374963 | 1.861483 | 77.961963% |
4 | 0321-0315 | 0.743697 | 2.474510 | 89.218927% |
5 | 0110-0114 | 1.017381 | 1.134575 | 73.327111% |
6 | 0114-0110 | 0.706506 | 3.660575 | 84.443445% |
7 | 0327-0321 | 0.637886 | 0.934331 | 70.392608% |
8 | 0315-0318 | 1.798613 | 1.154712 | 75.434674% |
9 | 0321-0327 | 0.760170 | 0.876247 | 69.319705% |
10 | 0313-0315 | 0.720566 | 1.461663 | 81.371731% |
平均 | 0.9243178 | 1.4641067 | 76.5251212% |
为了评价和评价模型的预测性能,本实验的评价指标选择使用平均相对误差(MRE)、均方根偏差(RMSE)和相对准确率。MAPE表示所有预测值和观测值的实际偏差绝对值占观测值的百分比的平均值,其表达式为
其中,MRE值越大,表明预测值同原始值间存在的差别越大,即预测的效果越差。反之,则预测效果好。而RMSE则表示预测值和观测值偏差的平方同观测次数N比值的平方根,在实际测量中,观测次数N基本是有限的,真实值仅能由最佳值代替。对于一组测量的特大或特小误差,均方根误差的反映非常敏感,因此,它可以很好的反映测量的精密度。其表达式为
与MRE相同,RMSE值越小,则测量精度越高。
相对准确率则与MRE和RMSE相反,相对准确率的值越大,则测量精度越高。
由上表可以看出,只使用顺序时间序列和历史同期序列建模得到的预测结果精确度不高,所以,本项目创新性的结合了轨道交通两种不同的时间特征,顺序时间序列和历史同期序列,进行短时OD的预测。
(二)将历史同期序列(前五日)与顺序时间序列结合
精度:1小时
预测对象:Top10的OD客流量
数据集:
(1)时序:2014/01-2015/03以及2016/03,每天7点至23点的小时OD数据。
(2)同期:预测目标时间的前5日的每日同期值
数据量:共8772条数据,7456(85%)条用于训练,1316条用于测试。
训练次数:1200次。
历史同期序列(前五日)与顺序时间序列结合预测结果
OD | RMSE | MRE | 相对准确度 | |
1 | 0123-0114 | 0.28185543 | 1.608283122 | 78.35% |
2 | 0114-0123 | 0.27045743 | 7.462164990 | 79.83% |
3 | 0315-0321 | 0.25424726 | 1.255698232 | 74.95% |
4 | 0321-0315 | 0.26540296 | 1.797844693 | 84.05% |
5 | 0110-0114 | 0.26065682 | 1.137634748 | 81.05% |
6 | 0114-0110 | 0.28496821 | 1.413776480 | 67.60% |
7 | 0327-0321 | 0.34749956 | 1.143977905 | 72.17% |
8 | 0315-0318 | 0.24507120 | 1.336895752 | 77.46% |
9 | 0321-0327 | 0.43654254 | 1.850063092 | 68.04% |
10 | 0313-0315 | 0.34551047 | 1.068260573 | 76.36% |
平均 | 0.299221 | 2.00746 | 75.99% |
在将预测目标时刻前5日的历史同期值与顺序时间序列结合,共同组成特征组之后,不论是RMSE、MRE还是相对准确度都有了很大的提升。最高准确率达到了84.05%。
(三)将历史同期序列(间隔1周)与顺序时间序列结合
精度:1小时
预测对象:Top10的OD客流量
数据集:
(1)时序:2014/01-2015/03以及2016/03,每天7点至23点的小时OD数据。
(2)同期:预测目标时间的上周同期值
数据量:共8772条数据,7456(85%)条用于训练,1316条用于测试。
训练次数:1200次。
历史同期序列(间隔1周)与顺序时间序列结合预测结果
OD | RMSE | MRE | 相对准确度 | |
1 | 0123-0114 | 0.243018 | 1.143332 | 71.6006% |
2 | 0114-0123 | 0.263936 | 9.775493 | 81.194064% |
3 | 0315-0321 | 0.236897 | 4.202437 | 82.374906% |
4 | 0321-0315 | 0.256348 | 2.183749 | 87.38589% |
5 | 0110-0114 | 0.244647 | 0.910940 | 82.678369% |
6 | 0114-0110 | 0.280362 | 1.145309 | 69.060338% |
7 | 0327-0321 | 0.301488 | 1.054242 | 72.135002% |
8 | 0315-0318 | 0.245568 | 1.404560 | 78.388542% |
9 | 0321-0327 | 0.299146 | 1.283576 | 73.771151% |
10 | 0313-0315 | 0.337570 | 1.180465 | 76.528841% |
平均 | 0.270898 | 2.4284103 | 77.5117703% |
在不同的结合方法中结合历史同期(前一周)的效果是最好的,rmse最低,平均相对准确度最高,最高相对准确度达到了87.38589%。MRE也比只使用顺序时间序列低。
(四)将历史同期序列(前4周)与顺序时间序列结合
精度:1小时
预测对象:Top10的OD客流量
数据集:
(1)时序:2014/01-2015/03以及2016/03,每天7点至23点的小时OD数据。
(2)同期:预测目标时间的前4周的同期值
数据量:共8772条数据,7456(85%)条用于训练,1316条用于测试。
训练次数:1200次。
历史同期序列(前4周)与顺序时间序列结合预测结果
结合历史同期序列(前4周)的RMSE、MRE略高于结合历史同期(前一周)与结合历史同期序列(前五日)的结果,相对准确度略低。比顺序预测的结果准确度高。
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 (4)
1.一种基于时序特征预测轨道交通OD客流量的方法,其特征在于,包括如下步骤:
S1:采集轨道交通客流OD的历史数据,提取顺序时间序列与历史同期序列,轨道交通客流OD数据的顺序时间序列记为{x0,x1,x2…xj…xt},xj表示j时刻的OD值,历史同期序列记为{X0,X1,X2…Xj…Xt},Xj表示历史同期j时刻的OD值;
S2:将顺序时间序列与历史同期序列结合得到新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>};
S3:建立LSTM模型,将0至t时刻新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>}作为输入对LSTM模型进行训练,然后再将t时刻新的时间客流量序列输入训练后的LSTM模型,得到t+1时刻的OD客流量。
2.如权利要求1所述的基于时序特征预测轨道交通OD客流量的方法,其特征在于,所述步骤S3所建立的LSTM模型如下:
xj=Wx,j·Inputj+bx,j (1);
fj=σ(Wf,j·[hj-1,xj]+bf,j) (2);
ij=σ(Wi,j·[hj-1,xj]+bi,j) (3);
oj=σ(Wo,j·[hj-1,xj]+bo,j) (6);
hj=oj*tanh(Cj) (7);
其中,Wx,j表示j时刻全连接层权重,Inputj表示j时刻新的时间客流量序列,bx,j表示j时刻全连接层偏置;
ft,j表示j时刻遗忘门限,hj-1表示j-1时刻单元的输出,Wf,j表示j时刻遗忘门权重,bf,j表示j时刻遗忘门的偏置,xj表示j时刻的输入;
tt,j表示j时刻输入门限,Wi,j表示j时刻输入门权重,bi,j表示j时刻输入门的偏置;
表示j时刻的cell产生的新状态,Wc,j表示j时刻cell的权重,bc,j表示j时刻cell的偏置;
表示j-1时刻的cell状态;
Cj表示j时刻的cell总状态;
oj表示j时刻输出门限,Wo,j表示j时刻输出门的权重,bo,j表示j时刻输出门的偏置;
hj表示j时刻的输出。
3.如权利要求2所述基于时序特征预测轨道交通OD客流量的方法,其特征在于,所述步骤S3中LSTM模型的训练方法如下:
1)令j=1;
2)新的时间客流量序列<xj,Xj>作为输入,即令Inputj=<xj,Xj>,并执行如下关系式的计算;
xj=Wx,j·Inputj+bx,j (1);
fj=σ(Wf,j·[hj-1,xj]+bf,j) (2);
ij=σ(Wi,j·[hj-1,xj]+bi,j) (3);
oj=σ(Wo,j·[hj-1,xj]+bo,j) (6);
hj=oj*tanh(Cj) (7);
3)当j>t时,执行下一步,否则令j=j+1,并返回2);
4)输出当前LSTM模型,该模型即为训练后的LSTM模型。
4.如权利要求3所述基于时序特征预测轨道交通OD客流量的方法,其特征在于,所述步骤S3中,将t时刻新的时间客流量序列<xt,Xt>作为输入,输入训练后的LSTM模型,即令Inputj=t=<xt,Xt>,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的t+1时刻轨道交通OD客流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382266.5A CN108564228A (zh) | 2018-04-26 | 2018-04-26 | 一种基于时序特征预测轨道交通od客流量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382266.5A CN108564228A (zh) | 2018-04-26 | 2018-04-26 | 一种基于时序特征预测轨道交通od客流量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564228A true CN108564228A (zh) | 2018-09-21 |
Family
ID=63536807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810382266.5A Pending CN108564228A (zh) | 2018-04-26 | 2018-04-26 | 一种基于时序特征预测轨道交通od客流量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564228A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020087489A1 (en) * | 2018-11-02 | 2020-05-07 | Alibaba Group Holding Limited | Monitoring multiple system indicators |
CN112070263A (zh) * | 2020-07-13 | 2020-12-11 | 西安交通大学 | 基于长短期记忆网络模型的城市人群流动预测方法 |
CN112269930A (zh) * | 2020-10-26 | 2021-01-26 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN113177657A (zh) * | 2021-04-20 | 2021-07-27 | 上海大学 | 轨道交通客流预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
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 CN201810382266.5A patent/CN108564228A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112070263A (zh) * | 2020-07-13 | 2020-12-11 | 西安交通大学 | 基于长短期记忆网络模型的城市人群流动预测方法 |
CN112269930A (zh) * | 2020-10-26 | 2021-01-26 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112269930B (zh) * | 2020-10-26 | 2023-10-24 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
CN112766597A (zh) * | 2021-01-29 | 2021-05-07 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN112766597B (zh) * | 2021-01-29 | 2023-06-27 | 中国科学院自动化研究所 | 公交客流预测方法及系统 |
CN113177657A (zh) * | 2021-04-20 | 2021-07-27 | 上海大学 | 轨道交通客流预测方法及装置 |
CN113177657B (zh) * | 2021-04-20 | 2022-08-30 | 上海大学 | 轨道交通客流预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564228A (zh) | 一种基于时序特征预测轨道交通od客流量的方法 | |
Sun et al. | A machine learning method for predicting driving range of battery electric vehicles | |
Tang et al. | Taxi trips distribution modeling based on Entropy-Maximizing theory: A case study in Harbin city—China | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN108564227A (zh) | 一种基于时空特征的轨道交通客流量预测方法 | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
CN104021430B (zh) | 一种城市轨道交通站点客流不确定性分析方法 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN104573849A (zh) | 基于arima模型预测客流的公交调度优化方法 | |
CN108985965A (zh) | 一种结合神经网络和参数估计的光伏功率区间预测方法 | |
CN108062561A (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
CN103208034B (zh) | 一种轨道交通客流分布预测模型建立及预测方法 | |
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 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
CN107018493A (zh) | 一种基于连续时序马尔科夫模型的地理位置预测方法 | |
He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN107563566A (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
CN105404934B (zh) | 一种基于条件随机场的城市人口移动数据模型分析方法 | |
CN109508826A (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN109308343A (zh) | 一种基于随机波动模型的行程时间预测及可靠性度量方法 | |
ChikkaKrishna et al. | Short-term traffic prediction using fb-prophet and neural-prophet | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
Zhang et al. | Short-term origin-destination forecasting in urban rail transit based on attraction degree | |
CN105303835B (zh) | 一种道路交通流状态的短时预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |
|
RJ01 | Rejection of invention patent application after publication |