CN108665178B - 一种基于afc的地铁站内楼扶梯客流量预测方法 - Google Patents

一种基于afc的地铁站内楼扶梯客流量预测方法 Download PDF

Info

Publication number
CN108665178B
CN108665178B CN201810474426.9A CN201810474426A CN108665178B CN 108665178 B CN108665178 B CN 108665178B CN 201810474426 A CN201810474426 A CN 201810474426A CN 108665178 B CN108665178 B CN 108665178B
Authority
CN
China
Prior art keywords
passenger flow
station
staircase
prediction
time interval
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
Application number
CN201810474426.9A
Other languages
English (en)
Other versions
CN108665178A (zh
Inventor
刘志钢
胡华
王澄斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201810474426.9A priority Critical patent/CN108665178B/zh
Publication of CN108665178A publication Critical patent/CN108665178A/zh
Application granted granted Critical
Publication of CN108665178B publication Critical patent/CN108665178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于AFC的地铁站内楼扶梯客流量预测方法，属于轨道交通运营管理技术领域。其特征在于：根据客流特征划分预测时段，设定数据的采样时间间隔，对闸机进行分组编号，选定待预测的楼扶梯；利用AFC刷卡数据按采样时间间隔统计各组闸机的进出站客流量；利用视频按采样时间间隔采集待预测楼扶梯的分向断面客流量；对采集的闸机进出站和楼扶梯客流量数据进行相关性分析，确定待预测楼扶梯的关联闸机组；建立楼扶梯客流量预测模型，用采集的进出站客流量和楼扶梯分向断面客流量对预测模型进行训练；使用训练后的预测模型对楼扶梯断面客流量进行预测。本发明能够有效提高车站内楼扶梯客流量动态预测的准确性、时效性和运营的安全性。

Description

一种基于AFC的地铁站内楼扶梯客流量预测方法
技术领域
本发明涉及一种基于AFC的地铁站内楼扶梯客流量预测方法，属于轨道交通运营管理技术领域。
背景技术
随着社会经济的快速发展和轨道交通线网规模的不断扩展，城市轨道交通客流总量持续增长，而城市轨道交通车站作为路网中的节点，大客流拥堵现象时常发生，特别在早晚通勤高峰时段，客流极度拥挤，这不仅大大降低了乘客的出行效率和舒适性，还极大地增加了车站运营安全隐患。在大客流状态下站内(站台-站厅)楼扶梯拥堵点，更具有较高的风险严重性和发生可能性，是客流瓶颈点和客伤易发点。
现有对地铁站内楼扶梯客流的判定与预测方法有以下几种：(1)车站监控视频法，其主要缺陷是：视频处理分析工作量大，缺乏统一的量化判定标准，无法准确对客流量进行预测；(2)车站现场工作人员主观经验法，其主要缺陷是：过于依赖于人工既有经验，无法保障高效性和准确性；(3)轨道交通自动售检票系统。即AFC(Auto Fare Collection)系统计数法，其主要缺陷是：AFC数据只能获得各个闸机的进出站的客流量，无法判定站内楼扶梯的客流量，且无法对客流量进行预测。
如何实现对地铁车站内楼扶梯拥堵点处的客流状态进行准确预测，为客流状态辨识提供有效参数支持，对于完善轨道交通大客流组织管理、保障运营安全具有重要意义，是目前亟待解决的问题。
发明内容
本发明的目的是针对现有技术中存在的问题，通过引进相关性分析法及人工神经网络法，建立车站进出站闸机客流与地铁车站内楼扶梯上下楼客流之间的实时预测模型，为地铁车站楼扶梯客流量动态判定与预测提供一种基于AFC票卡数据的人工智能方法。
技术方案如下：
一种基于AFC的地铁站内楼扶梯客流量预测方法，采用以下步骤：
步骤S1：根据车站客流时间分布特征将客流数据划分多个预测时段，设定数据的采样时间间隔，对车站不同位置的闸机进行分组编号，选定待预测的楼扶梯；
步骤S2：基于AFC刷卡数据统计获得预测时段内各采样时间间隔中不同编号闸机组的进出站客流量；设车站共有k组闸机，采集车站第m组闸机在预测时段内第t个采样时间间隔内的进站、出站客流量
Figure RE-GDA0001704218710000021
作为样本数据，其中m＝1、2…k，t＝1、2…n；
步骤S3：利用车站楼扶梯视频，按照设定的采样时间间隔，采集待预测楼扶梯的进出站向断面客流量；共需采集样本数据n组，采集待预测楼扶梯在预测时段第t个采样时间间隔内的进站向断面客流量Yt 进和出站向断面客流量Yt 出作为样本数据；
步骤S4：对
Figure RE-GDA0001704218710000022
和Yt 进进行相关性分析，计算出Pearson(皮尔森)相关系数
Figure RE-GDA0001704218710000023
确定该楼扶梯进站向客流量的关联进站闸机组，对
Figure RE-GDA0001704218710000024
和Yt 出进行相关性分析，计算出Pearson相关系数
Figure RE-GDA0001704218710000025
确定该楼扶梯出站向客流量的关联出站闸机组；
步骤S5：采用BP神经网络方法分别建立基于关联进站闸机组的进站客流量
Figure RE-GDA0001704218710000031
对楼扶梯进站向断面客流量Yt 进的预测模型，以及基于关联出站闸机组的出站客流量
Figure RE-GDA0001704218710000032
对楼扶梯出站向断面客流量Yt 出的预测模型；
步骤S6：在步骤S5建立的预测模型中加入步骤S2和步骤S3中采集的样本数据，采用BP算法和traingdx学习规则，对样本进行学习训练，得到满足使用精度要求的
Figure RE-GDA0001704218710000033
的预测模型；
步骤S7：利用经步骤S6训练后收敛的BP神经网络预测模型，输入预测日预测时段第(t-1)个时间间隔各关联进站闸机组的进站客流量
Figure RE-GDA0001704218710000034
得到预测日预测时段第t个时间间隔的楼扶梯进站方向客流量Yt 进；输入预测日预测时段第(t-1)个时间间隔各关联出站闸机组的出站客流量
Figure RE-GDA0001704218710000035
得到预测日预测时段第t个时间间隔的楼扶梯出站方向客流量Yt 出，进而计算得到预测日预测时段第t个时间间隔的楼扶梯总断面客流量Yt＝Yt 进+Yt 出。
进一步地，预测时段根据车站客流时间分布特征分为工作日高峰时段、工作日非高峰时段、非工作日时段三种。
进一步地，步骤S2和步骤S3中采集的样本数据数量n>120，采样时间间隔取p分钟或q个发车间隔。
进一步地，在步骤S4中，Pearson相关系数具体计算方法为：
Figure RE-GDA0001704218710000036
Figure RE-GDA0001704218710000037
并选择
Figure RE-GDA0001704218710000041
和
Figure RE-GDA0001704218710000042
大于等于0.3的闸机组作为关联闸机组。
进一步地，在步骤S6中，取总样本量的80％作为训练集，取总样本量的 20％作为测试数据，其训练步骤为：
步骤S601：初始化连接权及阈值；
步骤S602：给网络提供学习模式对；
步骤S603：计算中间层各单元输入、输出；
步骤S604：计算输出层各单元输入、输出；
步骤S605：计算输出层各单元校正误差；
步骤S606：计算中间层各单元校正误差；
步骤S607：调整中间层至输入层之间的连接权及输出层各单元的输出阈值；
步骤S608：调整输入层至中间层之间的连接权及中间层各单元的输出阈值；
步骤S609：更新学习输入模式，若未完成全部模式训练则从步骤S602 重新开始，若完成了全部模式训练就更新学习次数；
步骤S610：若学习次数未达到目标则从步骤S602重新开始，若学习次数达到目标则完成学习。
有益效果：
1)本发明能够有效提高对车站内楼扶梯客流量动态预测的准确性、时效性，提高车站大客流运营的安全性。
2)通过Pearson相关系数对样本数据进行筛选，确保样本数据的相关性，使BP神经网络训练更精确。
附图说明
图1为本发明的整体流程图；
图2为根据客流时间分布方法进行预测时段的划分示意图；
图3为进站方向的BP神经网络预测模型结构图；
图4为出站方向的BP神经网络预测模型结构图；
图5为BP神经网络的训练流程图；
图6为地铁9号线七宝站在2016年11月7日星期一的日客流分布图；
图7为七宝站站厅层平面示意图；
图8为本发明采集的部分数据结构图；
图9为七宝站
Figure RE-GDA0001704218710000051
和Yt 进以及
Figure RE-GDA0001704218710000052
和Yt 出的相关性分析图；
图10为七宝站楼扶梯出站方向预测客流与实际客流数据对比图；
图11为七宝站楼扶梯进站方向预测客流与实际客流数据对比图；
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明：
如图1所示的一种基于AFC的地铁站内楼扶梯客流量预测方法，采用以下步骤：
步骤S1：根据车站客流时间分布特征将客流数据划分多个预测时段，设定数据的采样时间间隔，对车站不同位置的闸机进行分组编号，选定待预测的楼扶梯(客流量较大的可优先选择)；
步骤S2：基于AFC刷卡数据统计获得预测时段内各采样时间间隔中不同编号闸机组的进出站客流量；设车站共有k组闸机，采集车站第m组(m＝1、 2…k)闸机在预测时段内第t个(t＝1、2…n)采样时间间隔内的进站、出站客流量
Figure RE-GDA0001704218710000053
作为样本数据；
步骤S3：通过视频计数的方式，采集站内待预测楼扶梯在预测时段第t 个采样时间间隔内的进站向断面客流量Yt 进和出站向断面客流量Yt 出作为样本数据；
步骤S4：对
Figure RE-GDA0001704218710000061
和Yt 进进行相关性分析，计算出Pearson相关系数
Figure RE-GDA0001704218710000062
确定该楼扶梯进站向客流量的关联进站闸机组，对
Figure RE-GDA0001704218710000063
和Yt 出进行相关性分析，计算出Pearson相关系数
Figure RE-GDA0001704218710000064
确定该楼扶梯出站向客流量的关联出站闸机组；
步骤S5：如图3和图4所示，采用BP神经网络方法分别建立基于关联进站闸机组的进站客流量
Figure RE-GDA0001704218710000065
对楼扶梯进站向断面客流量Yt 进的预测模型及基于关联出站闸机组的出站客流量
Figure RE-GDA0001704218710000066
对楼扶梯出站向断面客流量Yt 出的预测模型；
步骤S6：在步骤S5建立的预测模型中加入步骤S2和步骤S3中采集的样本数据，采用BP算法和traingdx学习规则，对样本进行学习训练，得到满足使用精度要求的
Figure RE-GDA0001704218710000067
的预测模型；
步骤S7：利用经步骤S6训练后收敛的BP神经网络预测模型，输入预测日预测时段第(t-1)个时间间隔各关联进站闸机组的进站客流量
Figure RE-GDA0001704218710000068
得到预测日预测时段第t个时间间隔的楼扶梯进站方向客流量Yt 进；输入预测日预测时段第(t-1)个时间间隔各关联出站闸机组的出站客流量
Figure RE-GDA0001704218710000069
得到预测日预测时段第t个时间间隔的楼扶梯出站方向客流量Yt 出，进而计算得到预测日预测时段第t个时间间隔的楼扶梯总断面客流量Yt＝Yt 进+Yt 出。
预测时段根据车站客流时间分布特征分为工作日高峰时段、工作日非高峰时段、非工作日时段三种。
步骤S2和步骤S3中采集的样本数据数量n>120，采样时间间隔取p分钟或q个发车间隔。
在步骤S4中，Pearson相关系数具体计算方法为：
Figure RE-GDA0001704218710000071
Figure RE-GDA0001704218710000072
根据已有研究成果，Pearson相关系数r在0.8以上为高度相关、0.5-0.8 为中度相关、0.3-0.5为低度相关、小于0.3为不相关。因此选择
Figure RE-GDA0001704218710000073
和
Figure RE-GDA0001704218710000074
大于等于0.3的闸机组作为关联闸机组。
在步骤S6中，取总样本量的80％作为训练集，取总样本量的20％作为测试数据，其训练步骤如图3所示为：
步骤S601：初始化连接权及阈值；
步骤S602：给网络提供学习模式对；
步骤S603：计算中间层各单元输入、输出；
步骤S604：计算输出层各单元输入、输出；
步骤S605：计算输出层各单元校正误差；
步骤S606：计算中间层各单元校正误差；
步骤S607：调整中间层至输入层之间的连接权及输出层各单元的输出阈值；
步骤S608：调整输入层至中间层之间的连接权及中间层各单元的输出阈值；
步骤S609：更新学习输入模式，若未完成全部模式训练则从步骤S602 重新开始，若完成了全部模式训练就更新学习次数；
步骤S610：若学习次数未达到目标则从步骤S602重新开始，若学习次数达到目标则完成学习。
以上海地铁9号线七宝站为例，进一步说明本发明预测楼扶梯客流量的方法如下：
第一步：如图6所示的上海地铁9号线七宝站在2016年11月7日星期一日客流分布图，经分析其客流分布为单向峰型，因此客流数据可划分为高峰和平峰两个预测时段。本次取客流量最大的早高峰小时7:30—8:30为预测时段。设定数据采样时间间隔为5min。七宝站站厅层的闸机组编号以及选定的待预测楼扶梯如图7所示，七宝站可分为4组闸机，定义闸机编号m(m＝1、 2、3、4)，待预测楼扶梯为靠近4号闸机组(标注五角星)的楼扶梯。
第二步：根据5min的采样时间间隔，在每周一7:30—8:30的1小时时段内能采集12(12＝60/5)组AFC样本数据，取样本数量n＝120，则共需10个星期一7:30—8:30的AFC客流数据，定义样本编号t(t＝1、2…120)，则通过 AFC票卡数据统计获得车站4组闸机的120组进站、出站客流量
Figure RE-GDA0001704218710000081
(m＝1、2、3、4，t＝1、2…120)。
第三步：通过视频计数的方式，采集待预测楼扶梯在相同10周内每周一 7:30—8:30每5min的进站向的断面客流量Yt 进(t＝1、2…120)、以及出站向的断面客流量Yt 出(t＝1、2…120)，采集的部分数据如图8。
第四步：对
Figure RE-GDA0001704218710000082
和Yt 进进行相关性分析，计算Pearson相关系数
Figure RE-GDA0001704218710000083
同理，对
Figure RE-GDA0001704218710000084
和Yt 出进行相关性分析，计算Pearson相关系数
Figure RE-GDA0001704218710000085
取相关系数大于0.3 的闸机组作为该楼扶梯的进站向和出站向的关联闸机组，计算结果如图9。
第五步：采用BP神经网络方法分别建立基于关联进站闸机组的进站客流量
Figure RE-GDA0001704218710000091
对楼扶梯进站向的断面客流量Yt 进的预测模型；以及关联出站闸机组的出站客流量
Figure RE-GDA0001704218710000092
对楼扶梯出站方向的断面客流量Yt 出的预测模型。
第六步：采用BP算法和traingdx学习规则，对样本进行学习训练。随机取96组数据作为训练集，其余24组数据作为测试数据。如图10与11将预测数据结果制作成图表并对预测数据结果的精度进行分析，从图中可知预测值曲线与实际值曲线的重合度较高，楼扶梯进站方向客流的最大绝对偏差值为16人，平均绝对相对误差率为4.53％；楼扶梯出站方向客流的最大绝对偏差值为15人，平均绝对相对误差率为8.20％。
第七步：利用收敛的BP神经网络预测模型，输入在预测周一7:30—8:30 内第11个时间间隔关联进站闸机组1和关联闸机组2的进站客流量
Figure RE-GDA0001704218710000093
和
Figure RE-GDA0001704218710000094
预测第12个时间间隔的楼扶梯进站方向客流量
Figure RE-GDA0001704218710000095
输入在预测周一7:30—8:30内第11个时间间隔关联出站闸机组的出站客流量
Figure RE-GDA0001704218710000096
预测第t个时间间隔的楼扶梯出站方向客流量
Figure RE-GDA0001704218710000097
得到在预测周一8:25—8:30的楼扶梯总断面客流量为
Figure RE-GDA0001704218710000098
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的原则和精神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)

1.一种基于AFC的地铁站内楼扶梯客流量预测方法，其特征在于：采用以下步骤：
步骤S1：根据车站客流时间分布特征将客流数据划分多个预测时段，设定数据的采样时间间隔，对车站不同位置的闸机进行分组编号，选定待预测的楼扶梯；
步骤S2：基于AFC刷卡数据统计获得预测时段内各采样时间间隔中不同编号闸机组的进出站客流量；设车站共有k组闸机，采集车站第m组闸机在预测时段内第t个采样时间间隔内的进站、出站客流量
Figure FDA0001664095530000011
作为样本数据，其中m＝1、2…k，t＝1、2…n；
步骤S3：利用车站楼扶梯视频，按照设定的采样时间间隔，采集待预测楼扶梯的进出站向断面客流量；共需采集样本数据n组，采集待预测楼扶梯在预测时段第t个采样时间间隔内的进站向断面客流量Yt 进和出站向断面客流量Yt 出作为样本数据；
步骤S4：对
Figure FDA0001664095530000012
和Yt 进进行相关性分析，计算出Pearson相关系数
Figure FDA0001664095530000013
确定该楼扶梯进站向客流量的关联进站闸机组，对
Figure FDA0001664095530000014
和Yt 出进行相关性分析，计算出Pearson相关系数
Figure FDA0001664095530000015
确定该楼扶梯出站向客流量的关联出站闸机组；
步骤S5：采用BP神经网络方法分别建立基于关联进站闸机组的进站客流量
Figure FDA0001664095530000016
对楼扶梯进站向断面客流量Yt 进的预测模型，以及基于关联出站闸机组的出站客流量
Figure FDA0001664095530000017
对楼扶梯出站向断面客流量Yt 出的预测模型；
步骤S6：在步骤S5建立的预测模型中加入步骤S2和步骤S3中采集的样本数据，采用BP算法和traingdx学习规则，对样本进行学习训练，得到满足使用精度要求的
Figure FDA0001664095530000018
的预测模型；
步骤S7：利用经步骤S6训练后收敛的BP神经网络预测模型，输入预测日预测时段第(t-1)个时间间隔各关联进站闸机组的进站客流量
Figure FDA0001664095530000021
得到预测日预测时段第t个时间间隔的楼扶梯进站向客流量Yt 进；输入预测日预测时段第(t-1)个时间间隔各关联出站闸机组的出站客流量
Figure FDA0001664095530000022
得到预测日预测时段第t个时间间隔的楼扶梯出站向客流量Yt 出，进而计算得到预测日预测时段第t个时间间隔的楼扶梯总断面客流量Yt＝Yt 进+Yt 出。
2.如权利要求1所述的地铁站内楼扶梯客流量预测方法，其特征在于：预测时段根据车站客流时间分布特征分为工作日高峰时段、工作日非高峰时段、非工作日时段三种。
3.如权利要求1所述的地铁站内楼扶梯客流量预测方法，其特征在于：步骤S2和步骤S3中采集的样本数据数量n>120，采样时间间隔取p分钟或q个发车间隔。
4.如权利要求1所述的地铁站内楼扶梯客流量预测方法，其特征在于：在步骤S4中，Pearson相关系数具体计算方法为：
Figure FDA0001664095530000023
Figure FDA0001664095530000024
并选择
Figure FDA0001664095530000025
和
Figure FDA0001664095530000026
大于等于0.3的闸机组作为关联闸机组。
5.如权利要求1所述的地铁站内楼扶梯客流量预测方法，其特征在于：在步骤S6中，取总样本量的80％作为训练集，取总样本量的20％作为测试数据，其训练步骤为：
步骤S601：初始化连接权及阈值；
步骤S602：给网络提供学习模式对；
步骤S603：计算中间层各单元输入、输出；
步骤S604：计算输出层各单元输入、输出；
步骤S605：计算输出层各单元校正误差；
步骤S606：计算中间层各单元校正误差；
步骤S607：调整中间层至输入层之间的连接权及输出层各单元的输出阈值；
步骤S608：调整输入层至中间层之间的连接权及中间层各单元的输出阈值；
步骤S609：更新学习输入模式，若未完成全部模式训练则从步骤S602重新开始，若完成了全部模式训练就更新学习次数；
步骤S610：若学习次数未达到目标则从步骤S602重新开始，若学习次数达到目标则完成学习。
CN201810474426.9A 2018-05-17 2018-05-17 一种基于afc的地铁站内楼扶梯客流量预测方法 Active CN108665178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810474426.9A CN108665178B (zh) 2018-05-17 2018-05-17 一种基于afc的地铁站内楼扶梯客流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810474426.9A CN108665178B (zh) 2018-05-17 2018-05-17 一种基于afc的地铁站内楼扶梯客流量预测方法

Publications (2)

Publication Number Publication Date
CN108665178A CN108665178A (zh) 2018-10-16
CN108665178B true CN108665178B (zh) 2020-05-29

Family

ID=63776226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810474426.9A Active CN108665178B (zh) 2018-05-17 2018-05-17 一种基于afc的地铁站内楼扶梯客流量预测方法

Country Status (1)

Country Link
CN (1) CN108665178B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522876B (zh) * 2018-12-13 2023-04-18 北京交通大学 基于bp神经网络的地铁站楼扶梯选择预测方法及系统
CN110109991B (zh) * 2019-04-22 2021-08-24 中国科学院深圳先进技术研究院 一种地铁站内区域客流估计方法、系统及电子设备
CN110493816B (zh) * 2019-08-21 2022-10-21 上海工程技术大学 一种用于轨交地铁车站客流量的实时预测方法
CN112163774B (zh) * 2020-10-09 2024-03-26 北京海冬青机电设备有限公司 手扶梯人流量评估模型建立方法、人流量分析方法及装置
CN113221472B (zh) * 2021-07-08 2021-10-01 北京航空航天大学 一种基于lstm的客流预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2266602B (en) * 1992-04-16 1995-09-27 Inventio Ag Artificially intelligent traffic modelling and prediction system
CN105488751A (zh) * 2015-06-12 2016-04-13 青岛智能产业技术研究院 一种地铁站客流微观统计与调度方法
CN107808235B (zh) * 2017-10-10 2020-06-02 东南大学 基于afc大数据的城市轨道大客流模型构建方法

Also Published As

Publication number Publication date
CN108665178A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108665178B (zh) 一种基于afc的地铁站内楼扶梯客流量预测方法
CN109308546B (zh) 乘客公交出行下车站点预测方法及系统
CN110493816B (zh) 一种用于轨交地铁车站客流量的实时预测方法
JP3414843B2 (ja) 交通手段制御装置
CN111126715B (zh) 景区客流量管控系统
CN111724595B (zh) 一种基于收费数据的高速公路断面流量估计方法
CN106779429B (zh) 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法
CN105488751A (zh) 一种地铁站客流微观统计与调度方法
CN110348614B (zh) 一种获取乘客od的方法及公交客流的预测方法
CN110084397B (zh) 一种地铁直达线路规划方法
CN112183815B (zh) 基于规则推荐算法的精准短时客流预测模型
CN110288829B (zh) 一种港湾式公交停靠站停车泊位数量设置判别方法
CN111552913A (zh) 一种新线接入条件下城市轨道交通运能匹配性评价方法
CN104464280B (zh) 车辆行进开销的预测方法及系统
CN114662801B (zh) 一种公交车辆的运营精准管理方法及其系统
CN115472011B (zh) 基于预约数据的公交智能线路规划算法
CN114399099A (zh) 一种城市轨道交通断面客流的预测方法及装置
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
CN110889092A (zh) 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法
CN112528867B (zh) 一种地铁车站突发大客流预警方法及其应用
CN111640294B (zh) 一种新建地铁线路影响下城市公交线路客流变化预测方法
CN117035198A (zh) 城市轨道交通车站客流状态识别与管控方法
Basagoiti et al. Origin destination matrix estimation and prediction in vertical transportation
CN110532515A (zh) 基于afc与视频数据的城市轨道交通乘客行程反演系统
CN116229305A (zh) 一种基于视频识别的地铁车站流线拥堵状态实时评价方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Zhigang

Inventor after: Hu Hua

Inventor after: Wang Chengfei

Inventor before: Hu Hua

Inventor before: Wang Chengfei

Inventor before: Liu Zhigang

GR01 Patent grant
GR01 Patent grant