CN109858681B - 一种基于ic卡的交通短时客流预测方法和相关装置 - Google Patents

Abstract

本发明公开了一种基于IC卡的交通短时客流预测方法，通过获取客流数据，并根据客流数据统计出各个站点不同时段的乘客上下车历史客流情况，其中客流数据包括当天客流数据和历史客流数据，然后根据预设的相关度函数，得到客流估计值，再利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值，首先是基于历史客流数据的粗略估计，其次基于扩展卡尔曼滤波器对粗略估计的估计值进行纠偏，实现可以及时掌握客流出行需求、分布状况，从而为公共交通相关管理部门和运营企业合理制定运力配置计划和客运组织方案提供数据参考，以及提高公共交通的运营组织效率和客流组织管理水平。

Description

一种基于IC卡的交通短时客流预测方法和相关装置

技术领域

本发明涉及公共交通客流预测领域，尤其是一种基于IC卡的交通短时客流预测方法、装置、设备和存储介质。

背景技术

智能城市的概念越来越成熟，对于公共交通来说，客流预测是指对未来客运交通需求量的预测，考虑经济社会发展，交通设施的建设及相关因素，预计交通客运需求量规模，为客运交通运输规划提供科学的依据，并且对未来较短一段时间将发生的交通总量，包括客流量流量、流向以及在时间、空间方式上的分布所作的预估。目前关于客流量的预测方法众多，常用的预测模型有时间序列方法、人工神经网络、支持向量机、决策树等。

但是国内大部分学者在研究客流预测时主要以中长期客流为主，针对短时的客流预测研究较少，并且主要运用传统经典交通模型和一些经典机器学习算法，提出的方法往往采用仿真进行评估，极少数应用大量的真实数据进行分析、预测，这就很难全面地了解交通系统运营状况，更无法评估针对预测缺陷进行优化的结果。

因此需要提出一种短时客流预测模型，能够利用大数据技术对真实的交通数据进行分析、挖掘，从而准确预测出交通客流的方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的目的是提供一种利用大数据技术对真实的交通数据进行分析、挖掘，从而准确预测出交通短时客流的预测方法、装置、设备和存储介质。

本发明所采用的技术方案是：

第一方面，本发明提供一种基于IC卡的交通短时客流预测方法，包括步骤：

获取客流数据，并根据所述客流数据统计出各个站点不同时段的乘客上下车的客流情况，所述客流数据包括当天客流数据和历史客流数据；

根据所述客流情况和预设的相关度函数，得到客流估计值。

进一步地，还包括步骤：

利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的精确客流预测值。

进一步地，所述步骤根据预设的相关度函数，得到客流估计值，具体为：

根据预设的相关度函数，得到与当天的目标站点的客流数据最接近的历史客流数据，所述最接近指与目标站点的客流数据相关度最高的历史客流数据；

进行粗略估计得到当天目标站点的预测时段n的下一时段的客流估计值；

所述客流估计值为最接近的历史客流数据中对应预测时段n的下一时段n+1的客流数据。

进一步地，所述预设的相关度函数表示为：

其中S表示矩阵N′和N的相似度，N′表示当天实时计算出来的客流数据，N表示历史客流数据中相应时段的站点客流量值。

进一步地，所述最终的客流预测值表示为：

其中，表示预测值，即最终的客流预测值，K_n+1表示卡尔曼增益，h_k表示观测函数，x_n表示第n个时段的状态值,z_n+1表示对应的n+1时段的最接近的历史客流数据，f_k表示状态转移函数。

进一步地，所述状态转移函数f_k具体为：

其中，有n个时段的客流数据，x_k表示第k时段的状态值，x_n表示第n个时段的状态值,z_n表示对应x_n的最接近的历史客流数据，z_n+1表示对应的n+1时段的最接近的历史客流数据。

进一步地，所述扩展卡尔曼滤波的模型中观测值表示为：

z_k＝h_k(x_k)+v_k

x_k＝f_k(x_k-1)+ω_k

其中，z_k表示对应x_k的最接近的历史客流数据，即所述客流估计值，x_k表示第k时段的状态值，即纠偏后的最终的客流预测值，h_k表示观测函数，f_k表示状态转移函数，ω_k表示k时刻的过程激励噪声，v_k表示观测噪声。

第二方面，本发明还提供一种基于IC卡的交通短时客流预测装置，包括：

获取客流数据模块，用于获取客流数据，并根据所述客流数据统计出各个站点不同时段的乘客上下车历史客流情况，所述客流数据包括当天客流数据和历史客流数据；

粗略估计模块，用于根据所述客流情况和预设的相关度函数，得到客流估计值；

扩展卡尔曼滤波纠偏模块，用于利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值。

第三方面，本发明还提供一种基于IC卡的交通短时客流预测的控制设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面任一项所述的方法。

第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。

本发明的有益效果是：

本发明通过获取客流数据，并根据客流数据统计出各个站点不同时段的乘客上下车历史客流情况，其中客流数据包括当天客流数据和历史客流数据，然后根据预设的相关度函数，得到客流估计值，再利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值，首先是基于历史客流数据的粗略估计，其次基于扩展卡尔曼滤波器对粗略估计的估计值进行纠偏，实现可以及时掌握客流出行需求、分布状况，从而为公共交通相关管理部门和运营企业合理制定运力配置计划和客运组织方案提供数据参考，以及提高公共交通的运营组织效率和客流组织管理水平。

附图说明

图1是现有技术中关于短时客流预测的方法汇总；

图2是本发明一种实施方式的基于IC卡的交通短时客流预测方法的实现流程图；

图3是本发明一种实施方式的基于IC卡的交通短时客流预测方法的同时段不同站点之间客流相关度示意图；

图4是本发明一种实施方式的基于IC卡的交通短时客流预测方法的不同时段同站点之间客流相关度示意图；

图5是本发明一种实施方式的基于IC卡的交通短时客流预测方法的扩展卡尔曼模型示意图；

图6是本发明一种实施方式的基于IC卡的交通短时客流预测装置结构框图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

本发明实施例一提供一种基于IC卡的交通短时客流预测方法。本实施例与现有技术相比弥补目前研究现状的空白，利用大数据技术对真实的IC卡数据进行分析、挖掘。如图1所示，为现有技术中关于短时客流预测的方法汇总，图中可见，大部分研究客流预测时主要运用传统经典交通模型和一些经典机器学习算法，提出的方法往往采用仿真进行评估，极少数应用大量的真实数据进行分析、预测，这就很难全面地了解交通系统运营状况，更无法评估针对预测缺陷进行优化的结果。

下表1是现有技术中预测模型优缺点比较。

由上表得知，传统预测模型在复杂的条件下，预测精度无法满足要求，智能预测模型存在计算复杂，对数据要求较高的缺点，组合预测模型较为复杂，各方法组合需要进一步研究。

因此本实施例提出一种短时客流预测方法，通过对站点预测其短时客流量，以提高公交调度水平，特别是要实现动态公交调度，让运营管理者及时了解交通变化情况，从而制定合理的动态调度方案。

图2为本发明实施例提供的基于IC卡的交通短时客流预测方法的实现流程图，如图2所示，该方法可以包括以下步骤：

S1：获取客流数据，具体的，客流数据即为乘客的OD数据，OD指上车站点和下车站点，其中客流数据包括当天客流数据和历史客流数据，在获得了乘客OD之后，就可以统计出各个站点不同时段的乘客上下车客流情况。

S2：根据客流情况和预设的相关度函数，得到客流估计值，具体过程为：根据预设的相关度函数，得到与当天的目标站点的客流数据最接近的历史客流数据，这里说的最接近指与目标站点的客流数据相关度最高的历史客流数据，进行粗略估计得到当天目标站点的预测时段n的客流估计值，其客流估计值为最接近的历史客流数据中对应预测时段n的下一时段n+1的客流数据。

S3：利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值。

下面来分析当天客流数据与历史客流数据之间的关系。经过统计发现同时段不同站点之间和不同时段同站点之间的客流情况并不是独立的。

如图3所示，为同时段不同站点之间客流相关度示意图，图中选取了以下站点比较：站点#3和站点#2、站点#12和站点#11、站点#16和站点#15、站点#14和站点#13之间做比较，发现其同时段不同站点之间客流相关度分别是：站点#3和站点#2(0.9426)，站点#12和站点#11(0.9529)，站点#16和站点#15(0.9558)，站点#14和站点#13(0.9641)，可见最高能达到0.96以上。

如图4所示，为不同时段同站点之间客流相关度示意图，同样选取了4个时段进行比较：时段#5和时段#4、时段#23和时段#22、时段#42和时段#41、时段#52和时段#51之间做比较，发现不同时段同站点之间客流相关度分别为：时段#5和时段#4(0.6514)、时段#23和时段#22(0.3839)、时段#42和时段#41(0.7408)、时段#52和时段#51(0.3563)，发现不同时段同站点之间客流相关度最高可达到0.74以上。

因此从图3至图4可知，在已知某天前几个时段站点客流量时，后面时段的站点客流量是可以通过已知数据预测出来的，并且其客流分布和历史客流数据中客流分布类似，基于此定义预设的相关度函数来寻找与当天的目标站点的客流数据最接近的历史客流数据。

预设的相关度函数表示为：

其中S表示矩阵N′和N的相似度，N′表示当天实时计算出来的客流数据，N表示历史客流数据中相应时段的站点客流量值。具体的，两个矩阵均为m*n的矩阵，每列代表相同站点不同时段的客流数据，每行代表相同时段不同站点的客流数据。

算法思想是：如果当天前几个时段各个站点的客流量类似于历史当中某一天的相同时段的客流量时，那么当天后续的客流量变化也应该和历史中这一天的相同时段的客流量变化类似，因此当找到了历史客流数据中和当天最接近的历史客流数据时，某站点下一个时段的客流量的粗略估计值即为历史客流数据中该站点下一个时段的客流量，即输入某站点的前n个时段的客流量{X1,X2,X3,...,Xn}，可以通过历史客流数据获得序列{U1,U2,U3,...,Un}段客流估计值，即完成了步骤S2中的粗略估计。

利用粗略估计方法，获得了该站点下一时段的粗略估计值，但该值会因为一些随机出行的用户而产生一些偏差，因此需要对该粗略估计值进行优化，因此步骤S3中利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值。

所谓卡尔曼滤波，它是一种高效率的自由回归滤波器，它的作用是可以从存在噪声的测量数据中，去除噪声的影响从而估测其真实值，首先对卡尔曼滤波进行简单介绍，其中用到的参数如下表2所示。

卡尔曼滤波以线性代数和隐式马尔可夫模型为基础，主要分为状态变化和观测，状态变化方面，系统的状态为一个实数向量，当下个时刻到来之后，当前状态会经过状态转移线性算子，产生一个新的状态，转移过程中会存在噪声。如果系统存在控制信息，则会作用在状态变化上，在观测方面，当前状态的输出往往不可见，所见输出是当前状态经过另一个受噪声干扰的线性算子之后的输出结果，由此可见，卡尔曼滤波主要由两部分组成：一是线性系统状态预测方程，二是线性系统观测方程。

线性系统状态预测方程如公式(1)所示，其中的参数定义如表2所示，影响当前时刻状态值的主要有三部分组成，一是上一个时刻的状态值，二是上一时刻的控制输入，三是过程激励噪声。

x_k＝F_kx_k-1+B_ku_k+ω_k p(ω)～N(0,Q) (1)

线性系统观测方程如公式(2)所示，其中的参数定义如表2所示。观测值主要由两部分组成，一是当前时刻的真实值，二是观测中的误差。

z_k＝H_kx_k+v_k p(v)～N(0,R) (2)

在确定了卡尔曼滤波系统状态预测方程和线性系统观测方程之后，通过求解卡尔曼滤波器进行更新和预测，求解卡尔曼滤波器主要包含两个阶段：预测与更新。

在预测阶段，滤波器利用上一状态的各项参数，对当前状态进行估计，如公式(3)、(4)所示，其中公式(3)描述的是在k-1时刻预测k时刻的状态方程，公式(4)描述的是预测估计协方差矩阵，在更新阶段，滤波器获得了当前状态的观测值后，重新优化状态转移参数，以提高预测精度，如公式(5)、(6)、(7)、(8)、(9)所示，其中公式(5)描述的是测量余量，公式(6)代表的是测量余量协方差，公式(7)代表的是最优卡尔曼增益，公式(8)描述的是更新的状态估计，公式(9)描述的是更新的协方差估计，利用这些公式，通过不停迭代，就可以对卡尔曼滤波器进行更新和预测。

预测阶段：

P_k|k-1＝F_kP_k-1|k-1F_k ^T+Q_k (4)

更新阶段：

S_k＝H_kP_k|k-1H_k ^T+R_k (6)

K_k＝P_k|k-1H_k ^TS_k ^-1 (7)

P_k|k＝(I-K_kH_k)P_k|k-1 (9)

由于卡尔曼滤波的状态转移函数必须为线性函数，其只能应用在时间线性得系统中，而实际生活中这样的状态转移过程少之又少，因此本实施例基于非线性的扩展卡尔曼滤波进行纠偏操作，扩展卡尔曼滤波器是在卡尔曼滤波器估计状态的地方进行线性化，其线性化的方法为泰勒一阶展开，下面对本实施例使用到的扩展卡尔曼滤波进行介绍，其涉及到的参数如下表3所示。

相应的，扩展卡尔曼滤波器的系统状态方程和观测方法：

x_k＝f(x_k-1,u_k,ω_k) (10)

z_k＝h(x_k,v_k) (11)

该状态转移方程和观测方程与普通的卡尔曼滤波器较像，只是将线性状态转移和线性观测函数变为了非线性状态转移和非线性观测，但是这就造成了在更新误差协方差矩阵的时候，不能直接用f和h，要对其进行泰勒展开，也就是要求雅克比矩阵，再利用线性情况下的卡尔曼滤波进行计算更新。

预测阶段：

P_k|k-1＝F_kP_k-1|k-1F_k ^T+Q_k (13)

利用雅可比矩阵进行更新模型：

更新阶段：

S_k＝H_kP_k|k-1H_k ^T+R_k (17)

K_k＝P_k|k-1H_k ^TS_k ^-1 (18)

P_k|k＝(I-K_kH_k)P_k|k-1 (20)

如图5所示，为本实施例中使用到的扩展卡尔曼模型示意图，在k-1时段获得站点客流量x_k-1，其k时段的客流量是通过转移函数f_k转移得到，但是其观测到的值并非是x_k，而是经过观测函数h_k获得的观测值，如公式(21)所示。

x_k＝f_k(x_k-1)+ω_k (21)

z_k＝h_k(x_k)+v_k (22)

本实施例中需要预测的站点当天客流为虚线下方的hidden部分，利用步骤S2中获得的粗略估计值为虚线上方visible部分，假设需要纠偏某站点K时刻的粗略估计值，那么粗略估计值是z_k，纠偏后的值应为x_k，具体的预测一个站点的客流流程包括如下步骤：

1)在时间n+1时，输入当天某站点前n时段客流量序列{x₁,x₂,x₃,...,x_n}和通过步骤S2得到的历史客流数据序列{z₁,z₂,z₃,...,z_n+1}。

2)计算状态转移函数f_k,该函数为分段函数，表示为：

其中，有n个时段的客流数据，x_k表示第k时段的状态值，x_n表示第n个时段的状态值,z_n表示对应x_n的最接近的历史客流数据，z_n+1表示对应的n+1时段的最接近的历史客流数据。

3)计算观测函数h_k，该函数为线性函数，如下所示：

h_k(x_k)＝z_k (24)

4)计算协方差P_k|k-1，具体为：

P_k|k-1＝F_k-1*P_k-1|k-1*F_k-1 ^T+Q_k (25)

P_k|k＝(I-K_kH_k)*P_k|k-1 (26)

5)计算卡尔曼增益K_k，具体为：

K_k＝P_k|k-1*H_k ^T*(H_k*P_k|k-1*H_k ^T+R_k)^-1 (29)

6)预测具体是：

其中，即为最终的客流预测值。

本发明实施例二提供一种基于IC卡的交通短时客流预测装置，如图6所示，为本实施例的一种基于IC卡的交通短时客流预测装置结构框图，包括：

获取客流数据模块，用于获取客流数据，并根据客流数据统计出各个站点不同时段的乘客上下车历史客流情况，所述客流数据包括当天客流数据和历史客流数据；

粗略估计模块，用于根据客流情况和预设的相关度函数，得到客流估计值；

扩展卡尔曼滤波纠偏模块，用于利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值。

另外，本发明还提供一种基于IC卡的交通短时客流预测的控制设备，包括：

至少一个处理器；以及，

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如实施例一所述的方法。

另外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，其中计算机可执行指令用于使计算机执行如实施例一所述的方法。

本发明通过获取客流数据，并根据客流数据统计出各个站点不同时段的乘客上下车历史客流情况，其中客流数据包括当天客流数据和历史客流数据，然后根据预设的相关度函数，得到客流估计值，再利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值，首先是基于历史客流数据的粗略估计，其次基于扩展卡尔曼滤波器对粗略估计的估计值进行纠偏，实现可以及时掌握客流出行需求、分布状况，从而为公共交通相关管理部门和运营企业合理制定运力配置计划和客运组织方案提供数据参考，以及提高公共交通的运营组织效率和客流组织管理水平。

以上各实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (5)

1.一种基于IC卡的交通短时客流预测方法，其特征在于，包括步骤：

获取客流数据，并根据所述客流数据统计出各个站点不同时段的乘客上下车的客流情况，所述客流数据包括当天客流数据和历史客流数据；

根据所述客流情况和预设的相关度函数，得到客流估计值;

根据预设的相关度函数，得到客流估计值，具体为：

根据预设的相关度函数，得到与当天的目标站点的客流数据最接近的历史客流数据，所述最接近指与目标站点的客流数据相关度最高的历史客流数据；

进行粗略估计得到当天目标站点的预测时段n的下一时段的客流估计值；

所述客流估计值为最接近的历史客流数据中对应预测时段n的下一时段n+1的客流数据;

所述预设的相关度函数表示为：

；

其中S表示矩阵N′和N的相似度，N′表示当天实时计算出来的客流数据，N表示历史客流数据中相应时段的站点客流量值;

利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的精确客流预测值;

获得最终的客流预测值的具体过程为：

在预设时间内输入天某站点前n时段客流量序列和历史客流数据序列；

根据客流量序列和历史客流数据序列计算状态转移函数和观测函数；

计算协方差；

利用协方差计算卡尔曼增益；

根据所述卡尔曼增益、状态转移函数和观测函数获得最终的客流预测值;

其中，所述状态转移函数f _k 具体为：

；

其中，有n个时段的客流数据，x _k 表示第k时段的状态值，x _n 表示第n个时段的状态值,z _n 表示对应x _n 的最接近的历史客流数据，z _n+1 表示对应的n+1时段的最接近的历史客流数据；

h _k （x _k ）=z _k ，

所述扩展卡尔曼滤波的模型中观测值表示为：

z _k ＝h _k (x _k )+v _k

x _k ＝f _k (x _k-1 )+ω _k

其中，z _k 表示对应x _k 的最接近的历史客流数据，即所述客流估计值，x _k 表示第k时段的状态值，即纠偏后的最终的客流预测值，h _k 表示观测函数，f _k 表示状态转移函数，ω _k 表示k时刻的过程激励噪声，v _k 表示观测噪声。

2.根据权利要求1所述的一种基于IC卡的交通短时客流预测方法，其特征在于，所述最终的客流预测值表示为：

；

其中，表示预测值，即最终的客流预测值，K _n+1 表示卡尔曼增益，h _k 表示观测函数，x _n 表示第n个时段的状态值,z _n+1 表示对应的n+1时段的最接近的历史客流数据，f _k 表示状态转移函数。

3.一种基于IC卡的交通短时客流预测装置，应用于权利要求1至2中任一项所述的方法，其特征在于，所述装置包括：

获取客流数据模块，用于获取客流数据，并根据所述客流数据统计出各个站点不同时段的乘客上下车历史客流情况，所述客流数据包括当天客流数据和历史客流数据；

粗略估计模块，用于根据所述客流情况和预设的相关度函数，得到客流估计值；

扩展卡尔曼滤波纠偏模块，用于利用扩展卡尔曼滤波对所述客流估计值进行纠偏，获得最终的客流预测值。

4.一种基于IC卡的交通短时客流预测的控制设备，其特征在于，包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至2任一项所述的方法。

5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至2任一项所述的方法。