CN109961164B - 客流量预测方法及装置 - Google Patents

客流量预测方法及装置 Download PDF

Info

Publication number
CN109961164B
CN109961164B CN201711424692.2A CN201711424692A CN109961164B CN 109961164 B CN109961164 B CN 109961164B CN 201711424692 A CN201711424692 A CN 201711424692A CN 109961164 B CN109961164 B CN 109961164B
Authority
CN
China
Prior art keywords
station
passenger flow
time period
passenger
prediction
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
CN201711424692.2A
Other languages
English (en)
Other versions
CN109961164A (zh
Inventor
崔高杰
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.)
BYD Co Ltd
Original Assignee
BYD Co Ltd
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 BYD Co Ltd filed Critical BYD Co Ltd
Priority to CN201711424692.2A priority Critical patent/CN109961164B/zh
Publication of CN109961164A publication Critical patent/CN109961164A/zh
Application granted granted Critical
Publication of CN109961164B publication Critical patent/CN109961164B/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
    • G06Q10/04—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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种客流量预测方法及装置，其中方法包括以下步骤：根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流；计算每个车站在预测时间段的进站客流；根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。本发明提供的客流量预测方法及装置，能够结合实时数据精确预测较短时间内的客流数量，避免因为实际的客流变化不规律而出现较大误差，提高了客流量预测的准确性。

Description

客流量预测方法及装置
技术领域
本发明涉及轨道交通技术领域，特别涉及一种客流量预测方法及装置。
背景技术
目前地铁行业对客流量的统计和预测十分重视，因为客流量的变化直接决定了地铁的收益和运行方案。
现有技术中，预测客流量的最常用的方法是通过AFC(Auto Fare Collection，自动售票检票系统)统计历史客流量。AFC系统是一种由计算机集中控制的自动售票(包括半自动售票)、自动检票以及自动收费和统计的封闭式自动化网络系统。在外部环境没有发生巨大变化的情况下，历史同期客流量和未来同期客流量是基本相同的，基于这样的认识，现有的方法可以通过统计历史同期客流量来预测未来某天甚至某小时的客流数量。
现有技术的不足之处在于，由于仅使用过去的历史信息，往往精确到小时以内的统计值会因为实际的客流变化不规律而出现较大误差，导致客流量预测的准确性较差。
发明内容
本发明提供一种客流量预测方法及装置，用以解决现有技术中客流量预测误差较大、准确性较差的技术问题。
为此，本发明提供一种客流量预测方法，包括以下步骤：
根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流；
计算每个车站在预测时间段的进站客流；
根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。
本发明还提供一种客流量预测装置，包括：
第一计算模块，用于根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流；
第二计算模块，用于计算每个车站在预测时间段的进站客流；
第三计算模块，用于根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。
本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现上述任一项所述的客流量预测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的客流量预测方法。
本发明提供的客流量预测方法及装置，通过根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流，计算每个车站在预测时间段的进站客流，并根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量，能够结合实时数据精确预测较短时间内的客流数量，避免因为实际的客流变化不规律而出现较大误差，提高了客流量预测的准确性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的客流量预测方法的流程图；
图2为本发明实施例二提供的客流量预测方法的流程图；
图3为本发明实施例三提供的客流量预测方法的流程图；
图4为本发明实施例四提供的客流量预测方法的流程图；
图5为本发明实施例五提供的客流量预测装置的结构框图。
具体实施方式
下面结合附图来描述本发明实施例的客流量预测方法及装置。需要说明的是，下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
本发明实施例一提供一种客流量预测方法。图1为本发明实施例一提供的客流量预测方法的流程图。如图1所示，本实施例中的客流量预测方法，可以包括以下步骤：
步骤101、根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流。
本实施例中的方法，可以应用于轨道交通领域，具体可以应用于地铁、轻轨等乘客需要刷卡进站的场合。本步骤中，在乘客刷卡进站后，系统可以获取到乘客的刷卡信息，所述刷卡信息中可以包括乘客所持卡的编号或对应的乘客的信息等。
在乘客进入地铁或轻轨后，可以根据所述刷卡信息预测乘客对应的出站点，再根据各个乘客对应的出站点，计算每个车站在预测时间段的出站客流。
预测乘客在哪个车站出站，可以通过乘客在每个车站出站的概率来确定。本实施例中，假设每个乘客的刷卡信息均对应有历史刷卡记录，则计算乘客在各个车站出站的概率，可以通过历史数据来完成。例如，通过历史数据查询可知，乘客在以往乘车时，有一半概率在A站出站、一半概率在B站出站，则可以预测该乘客本次刷卡进站后，在A站出站和在B站出站的概率也都为50％。
优选的是，还可以根据乘客的进站时间，更加准确地确定乘客在每个车站出站的概率。
具体地，为了计算刷卡进站的每个乘客在各个车站出站的概率，可以针对每个乘客执行如下步骤：根据所述乘客的进站时间，查找所述乘客对应的历史出站点；根据所述历史出站点，计算所述乘客在各个车站出站的概率。
为了便于计算，可以将每个运营日切分成若干段，例如，切分成24个时段，每个时段1小时，数据库中可以存储有乘客历史上每次乘车的乘车记录，乘车记录可以包括进站时间、进站点、出站时间、出站点等。
根据所述乘客的进站时间，查找所述乘客对应的历史出站点，具体可以包括：确定所述进站时间所在的时段；查找所述乘客在所述时段的历史出站点。
相应的，根据所述历史出站点，计算所述乘客在各个车站出站的概率，可以包括：针对每个车站，根据所述历史出站点，统计乘客在对应的时段刷卡进站后从该车站出站的次数；将从该车站出站的次数除以乘客在对应的时段刷卡进站的总次数，得到乘客从该车站出站的概率。
例如，乘客的进站时间为8：30，所在的时段为8：00至9：00，则可以查找历史上乘客在8：00至9：00这一时段刷卡进站的乘车记录，若数据库中存在10条该乘客在8：00至9：00刷卡进站的乘车记录，其中有9条是从A站出站，还有1条是从B站出站，则乘客在A站出站的概率为0.9，在B站出站的概率为0.1，在其它站出站的概率为0。
在实际应用中，可以按照上述方法实时计算每个乘客在各个车站出站的概率。也可以将乘客在每个车站出站的概率事先存储在数据库中，在每日运营结束后，更新计算一次乘客在各个车站出站的概率并存储，在运营时直接获取存储的概率信息。
确定每个乘客在各个车站出站的概率，也可以通过其它方式来实现，例如可以由乘客上传每日行程信息，根据乘客的行程信息来确定乘客在每个车站出站的概率。
在确定乘客在各个车站出站的概率后，对于每个刷卡进站的乘客，可以认为乘客从概率最大的那一站出站，再结合乘客的进站时间和地铁运行时刻表，可以获得每个乘客在相应出站点的出站时间，或者可以根据历史数据确定乘客的出站时间。根据各个乘客的出站点和出站时间，就可以计算得到每个车站在各个时间段的出站客流。
例如，某一乘客从列车始发站进站，进站时间为8：30，根据历史数据获知，该乘客在A站出站的概率为0.9，在B站出站的概率为0.1，则认为乘客会在A站出站，根据地铁运行时刻表，8：30进站可以搭乘8：35出发的列车，而搭乘8：35出发的列车在A站出站的时间约为9：15，则可以认为该乘客会在9：15在A站出站。对于刷卡进站的每一个乘客都进行如上计算，就可以得到所有乘客的出站点和出站时间，最后可以统计每个车站的出站客流。
步骤102、计算每个车站在预测时间段的进站客流。
基于历史AFC数据可以得到每一天中每个小时的平均客流量，更精准的方法可以根据不同站点、工作日、周末、节假日等不同分类分别求出历史同期平均客流量分布，根据客流量分布确定相应时段的进站客流。例如可以直接将历史同期进站客流作为当日的预测进站客流。
优选的是，也可以根据泊松分布预测每个车站在所述预测时间段的进站客流。泊松分布的概率函数为：
Figure BDA0001523747670000041
为了便于描述，本实施例中以预测时间段为1分钟为例进行说明。本领域技术人员可以理解的是，所述预测时间段的时长可以根据实际需要来设置，例如也可以为半分钟等。
假设在每一分钟内，客户进站的几率服从泊松分布，同时假设每日的任意一个分钟t内客户进站的泊松分布参数λ由其前后30分钟也就是[t+30,t-30]内的到客情况决定。可以预先根据车站类型、车站编号、工作日、节假日等因素对历史数据进行分类，并分别细化到以上时间范围内求得对应每个t∈(运营开始时间+30,运营结束时间-30)的泊松分布参数λ。
可选的，根据t前后30分钟的历史数据，可以采用最大似然估计等方法求取泊松分布参数λ。通过已经发生的历史数据求取泊松分布参数的具体实现方法属于现有技术，本实施例中不再赘述。
运营时间的前30分钟和最后30分钟对应的参数λ可以直接按照最接近的时间点取值。例如运营时间为6：00至22：00，则可以根据历史数据求出6：30至21：30中每一分钟的泊松分布参数λ，无法求出的最开始30分钟对应的参数λ可以等于6：30这一分钟对应的参数λ，最后30分钟对应的参数λ可以等于21：30这一分钟对应的参数λ。
在获取预测时间段的泊松分布参数λ后，可以将泊松分布的期望值即参数λ作为所述预测时间段对应的进站客流。
步骤103、根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。
在确定各个车站在预测时间段的进站客流和出站客流后，可以针对每个车站，根据所述预测时间段对应的进站客流和出站客流，计算所述车站在所述预测时间段的客流量。
客流量的计算方法可以根据实际需要来设置，例如，计算客流量的目的是用于广告投放，而地铁中的广告投放装置设置在进站口和出站口，则可以直接将进站客流与出站客流相加，得到车站的客流量。又例如，广告投放装置不仅设置在进站口和出站口，还设置在候车区域，则可以将进站客流、出站客流和等待客流相加，得到所述车站的客流量。
在客流量包括进站客流、出站客流和等待客流的情况下，客流量的计算可以有多种实现方式，本实施例中提供如下两种。
方式一：
根据每个乘客的进站时间和在各个车站出站的概率，确定所述乘客在进站点的等待时间；根据各个乘客的进站时间以及在进站点的等待时间，确定每个车站在预测时间段的等待客流；针对每个车站，将所述预测时间段的进站客流、出站客流和等待客流相加，得到所述车站在所述预测时间段的客流量。
具体的，每个乘客的进站时间和在各个车站出站的概率确定后，可以预测乘客的等待时间即在进站点候车的时间，例如，可以将乘客出站概率最大的车站作为乘客的出站点，根据乘客的进站时间以及列车时刻表，可以确定乘客的等待时间。根据每个乘客的等待时间，可以确定车站在每个时间段对应的等待客流。进站客流、出站客流和等待客流相加即可得到总的客流量。
方式二：
针对每个车站，判断所述预测时间段是否有列车进站；若无列车进站，则根据所述预测时间段的进站客流和等待客流，计算所述车站在所述预测时间段的客流量；若有列车进站，则根据所述预测时间段的进站客流、等待客流和出站客流，计算所述车站在所述预测时间段的客流量。
本实施例中，某一时间段的等待客流，可以是指某一时间段的开始时刻对应的站内停留人数。
其中，有列车进站的时间段Tn的下一时间段Tn+1的等待客流等于Tn的等待客流与Tn的进站客流之和减去Tn的上车客流，Tn的上车客流通过Tn的等待客流与Tn的进站客流计算得到；其它时间段的等待客流等于上一时间段的等待客流与上一时间段的进站客流之和。某一时间段的上车客流可以等于该时间段的等待客流乘以乘客搭乘该时间段进站的列车的概率。
以每一时间段为一分钟为例，由于列车是每隔数分钟进站，在每个站点中的每个分钟段都有可能面对两种情况，其一是无列车进站，其二是有列车进站(为简单起见，不考虑列车出站，并把进站后的上下车行为简化为这一分钟内完成)。
假设当前时间段为t，当前已经在站内停留的人数即该时间段的等待客流为OSt，当前时间段内进站的乘客人数即进站客流为Jt，经由列车送入站内并将在本分钟内出站的乘客人数即出站客流为Ct，本站总的客流量为Bt，如果本车站有多个车道(即多个方向或者多个线路)，则在列车到达后，站中将要乘坐该车道内列车的乘客占等车的乘客总数的比例服从以时间段和站点为条件的概率分布，其条件期望E(r|t,s)，即在前述条件分布下，乘坐某一车道来车的乘客占等待客流的比例的期望值便作为该比例的预期值。
在无列车进站的情况下，Bt＝OSt+Jt，即当前时间段的客流量为站内等待客流与当前时间段的进站客流之和，下一时间段等待客流为OSt+1＝OSt+Jt，即下一时间段的等待客流等于本时间段的等待客流加进站客流。
在有列车进站的情况下，Bt＝OSt+Jt+Ct，即当前时间段的客流量为站内等待客流与当前时间段的进站客流、出站客流之和，下一时间段等待客流为
Figure BDA0001523747670000071
即下一时间段的等待客流等于本时间段的等待客流与进站客流之和减去本时间段的上车客流，而本时间段的上车客流可以通过本时间段的等待客流与本时间段的进站客流计算得到，这里本时间段的进站客流可以是通过泊松分布等方法预测得到的进站客流，其中k为当分钟到站的列车对应的车道，rk＝E(r＝k|t,s)为前述的条件期望。
具体的，在有列车进站的情况下，该时间段对应的上车客流等于该时间段的等待客流与进站客流之和乘以进站列车对应的概率，进站列车对应的概率可以根据历史数据来确定，例如，假设有三趟列车A、B、C经过本站，其中，根据历史统计的数据可以分析出，有30％的乘客会乘坐A车，有60％的乘客会乘坐B车，有10％的乘客会乘坐C车，则A、B、C三车对应的概率分别为：60％、30％、10％。
在预测本时间段的上车人数时，假设本时间段的等待客流为100人，则：如果本时间段的来车为A车，则有100*30％＝30人上车，上车客流为30人；如果本时间段的来车为B车，则有100*60％＝60人上车，上车客流为60人；如果本时间段的来车为C车，则有100*10％＝10人上车，上车客流为10人。
这里所做的简化是用历史票卡信息统计得到的同一时间段内等待客流中进入某车道候车的乘客人数占比的条件分布直接运用于当前在站内停留的所有乘客，做出这种简化的初衷是认为，在此条件下(相近的时间，同一站点)内进站的客户具备近似的旅行目标。
在实际应用中，可以利用本实施例中的方法，将进站客流和出站客流分开计算，根据刷卡进站的乘客的历史数据，预测乘客可能的出站点，从而统计每个车站的出站客流，再根据每个时间段的进站客流和出站客流，可以得到总的客流量。
现有技术中的客流量预测方法由于仅使用过去的历史信息而没有更多的考虑当前时刻(如每分钟)的AFC刷卡记录，往往精确到小时以内的统计值会因为实际的客流变化不规律而出现较大误差。因为客流量变化实际是一系列随机事件产生的随机结果，在大量历史数据的统计意义上会出现一定的规律和稳定性。但是大样本的规律只保证在较大观察数量范围内(比如以天为单位的预测)能够较好服从历史概率分布，精确到分钟的预测受短时间内随机事件影响较大，与大样本分布的方差较大，客流量预测就无法准确。
而本实施例中的方法将历史数据与当日的刷卡记录相结合，利用历史数据和实时数据做到精确预测每分钟的客流数量，可以为行车规划、广告投放等提供参考依据。
本实施例提供的客流量预测方法，通过根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流，并根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量，能够结合实时数据精确预测较短时间内的客流数量，避免因为实际的客流变化不规律而出现较大误差，提高了客流量预测的准确性。
实施例二
本发明实施例二提供一种客流量预测方法。本实施例是在实施例一提供的技术方案的基础上，通过条件信息熵来预测乘客的出站点，并根据乘客出站点确定各个车站的出站客流。
图2为本发明实施例二提供的客流量预测方法的流程图。如图2所示，本实施例中的客流量预测方法，可以包括：
步骤201、根据每个乘客的所述刷卡信息对应的历史出站点信息，计算所述乘客在各个车站出站的概率。
本实施例中，依然假设每个乘客的刷卡信息均对应有历史刷卡记录，针对每个乘客，都可以根据对应的历史出站点信息来计算该乘客在各个车站出站的概率，具体的计算方法可以参照实施例一，此处不再赘述。
步骤202、针对每个乘客，根据所述乘客在各个车站出站的概率，计算各个车站对应的条件信息熵，根据各个车站的对应的条件信息熵，预测所述乘客的出站点。
信息熵是一个数学上颇为抽象的概念，在这里把信息熵理解成某种特定信息的出现概率(离散随机事件的出现概率)。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。信息熵也可以说是系统有序化程度的一个度量。
假设有M个车站，针对某个乘客，通过步骤201可以获得该乘客在这M个车站出站的概率，根据得到的M个概率值，可以计算出该乘客在进站时间、进站点已经确定的情况下，从第i个车站出站的条件信息熵Hi，i＝1、2、……、M。条件信息熵越大，说明不确定性越大，条件信息熵越小，说明不确定性越小，从M个车站中选择条件信息熵最小的一个作为乘客的出站点。条件信息熵的具体计算方法属于现有技术，此处不再赘述。
下面结合步骤201与步骤202，通过一个具体的例子来说明如何确定乘客的出站点。
首先，在数据库中对每个常用客票的每个完整行程(即客票刷卡进站、客票刷卡出站的相应数据，每个客票对应一个乘客)进行整理。接着，将每个运营日按照每小时切分成若干段。最后，统计每个时段内，乘客n从站点sn出发前往目的地dn的概率pn。比如：如果某客票在历史记录中，在每日8点至9点之间有10条完整行程记录(行程开始于8点至9点之间)，全部都是从站点1到站点2，那么该客票对应的乘客在站点2出站的概率pn就等于1。以上流程在每日运营结束后更新。
在应用时，通过实时AFC数据信息不断基于进展信息查询以上概率并运算条件信息熵，就可以实时预测每一个乘客的目的地站点。条件信息熵的计算方法如下：
乘客n从站点sn在
Figure BDA0001523747670000091
时刻出发前往目的地dn，那么该乘客去往dn的条件信息熵为
Figure BDA0001523747670000092
Figure BDA0001523747670000101
其中，ST是站点集合，T是运行时间集合，
Figure BDA0001523747670000102
为乘客在
Figure BDA0001523747670000103
时刻出发、前往的目的地是dn的概率，
Figure BDA0001523747670000104
为乘客从站点sn在
Figure BDA0001523747670000105
时刻出发、前往的目的地是dn的概率，log的底数为2。
通过公式(1)可以求出乘客从每个站点出站的条件信息熵，从中选择最小的一个，其对应的车站就可以作为乘客的出站点。
步骤203、根据各个乘客对应的出站点以及出站时间，计算每个车站在预测时间段的出站客流。
基于步骤202中的出站点预测结果，可以按照当日的列车运营计划表进行查表，将乘客本次刷卡进站时间点后由进站点至对应出站点的列车到达时间作为该乘客达到对应出站点的出站时间。将所有乘客的预测出站点及出站时间进行汇总，并以站点为统计对象，即可获得依据当前进站情况的出站信息，从而根据每个乘客的出站点和对应的出站时间来计算每个车站在预测时间段的出站客流。
本实施例中，通过上述步骤201至步骤203就可以实现根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流。
步骤204、计算每个车站在预测时间段的进站客流。
步骤205、根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。
本实施例中，步骤204至步骤205的具体实现原理与实施例一中的步骤102至步骤103类似，此处不再赘述。
在实际应用中，可以利用步骤201至203，预测某一站点当日每分钟的出站客流，再结合站点当日每分钟的进站客流，即可获得对当日每分钟在站客流的总预测值。
总体而言，对一个站点的某分钟在站人流预测分为两个部分，进站人流预测部分及出站人流预测部分。进站部分可以依据分钟级别的泊松分布参数确定，出站部分在乘客在其它站刷卡进站时进行运算，并实时汇总，两者之和就是对该站点某分钟在站客流情况的预测结果。
本实施例提供的客流量预测方法，针对每个乘客，根据该乘客在各个车站出站的概率，计算各个车站对应的条件信息熵，根据各个车站的对应的条件信息熵，预测该乘客的出站点，根据各个乘客的出站点以及出站时间，计算每个车站在预测时间段的出站客流，这样，通过条件信息熵来计算在乘客每个车站出站的不确定性，并选择不确定性最小的最为乘客的出发点，有效提高了出站客流预测的准确性。
实施例三
本发明实施例三提供一种客流量预测方法。本实施例是在实施例一提供的技术方案的基础上，通过每个乘客在每个车站出站的概率和出站时间来直接计算每个车站的出站客流。
图3为本发明实施例三提供的客流量预测方法的流程图。如图3所示，本实施例中的客流量预测方法，可以包括：
步骤301、根据每个乘客的刷卡信息，获取每个乘客在各个车站出站的概率。
步骤302、根据每个乘客的进站时间，确定每个乘客在各个车站出站的时间点。
步骤303、根据每个乘客在各个车站出站的概率以及时间点，确定每个车站在预测时间段的出站客流。
具体地，某一车站在预测时间段的出站客流等于每个乘客在所述预测时间段在该车站出站的概率之和。
例如，通过对刷卡进站的乘客进行分析可知，有2位乘客在预测时间段从车站A出站的概率为0.5，有5位乘客在所述预测时间段从车站A出站的概率为1，有10位乘客在所述预测时间段从车站A出站的概率为0.2，其它乘客不会在所述预测时间段从车站A出站，则车站A在所述预测时间段的出站客流为0.5*2+1*5+0.2*10＝8。
本实施例中，通过上述步骤201至步骤203就可以实现根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流。
步骤304、计算每个车站在预测时间段的进站客流。
步骤305、根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。
本实施例中，步骤304至步骤305的具体实现原理与实施例一中的步骤102至步骤103类似，此处不再赘述。
本实施例提供的客流量预测方法，通过根据每个乘客的进站时间，确定每个乘客在各个车站出站的时间点，并根据每个乘客在各个车站出站的概率以及时间点，确定每个车站在预测时间段的出站客流，简单有效、处理效率较快。
在上述各实施例提供的技术方案中，均假设每个乘客所持票卡都具有对应的历史刷卡记录。在实际应用中，可能存在某些乘客所持票卡并没有对应的历史刷卡记录的情况，因此，除了计算有历史刷卡记录对应的客流量以外，还可以增加对没有历史刷卡记录对应的客流量的计算。
具体地，在计算出站客流时，可以将出站客流分为三部分：有历史刷卡记录的乘客、有确定的目的地的乘客、既没有历史刷卡记录也没有确定的目的地的乘客。
其中，有历史刷卡记录的乘客，可以是持有且使用过储值卡的乘客；有确定的目的地的乘客可以是持有临时卡的乘客，临时卡一般都记录了乘车的进站点和出站点，不同的进出站点对应的票价可能不同，因此临时卡一般都包含了本次出站点信息，故有确定的目的地的乘客也可以称为有对应的本次出站点信息的乘客；既没有历史刷卡记录也没有确定的目的地的乘客，可以是持有储值卡但并没有使用过的乘客。
为了便于描述，将刷卡信息对应有本次出站点信息或历史出站点信息的乘客记为第一类乘客；将刷卡信息无对应的本次出站点信息和历史出站点信息的乘客记为第二类乘客。
相应的，根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流，可以扩展为：
针对每个乘客，判断所述乘客的刷卡信息是否对应有本次出站点信息或者历史出站点信息：若有本次出站点信息，则根据所述本次出站点信息确定所述乘客的出站点；若无本次出站点信息但有历史出站点信息，则根据所述历史出站点信息预测所述乘客的出站点；
根据第一类乘客对应的出站点和出站时间，计算预测时间段在每个车站出站的第一类乘客的人数；
计算所述预测时间段在每个车站出站的第二类乘客的人数；
针对每个车站，将在预测时间段出站的第一类乘客的人数与第二类乘客的人数相加，得到所述车站在所述预测时间段的出站客流。
其中，在第一类乘客中，若有对应的本次出站点信息，则根据出站点信息可以确定乘客出站点，根据各个的乘客的出站点和出站时间，可以确定预测时间段在每个车站出站的有本次出站点信息的乘客人数；若有对应的历史出站点信息，则可以参照前述任一实施例计算预测时间段在每个车站出站的有历史出站点信息的乘客人数。
针对每个车站，将预测时间段在该车站出站的有本次出站点信息的乘客人数与有历史出站点信息的乘客人数相加，即可得到预测时间段在该车站出站的第一类乘客人数。
在计算所述预测时间段在每个车站出站的第二类乘客的人数时，可以首先获取每个进站点中在统计时间段内进站的第一类乘客的人数和第二类乘客的人数；然后，针对每个进站点，根据所述统计时间段内进站的第一类乘客在每个车站出站的人数比例，预测所述统计时间段内进站的第二类乘客在每个车站出站的人数；最后，根据各个进站点中在各个统计时间段内进站的第二类乘客在各个车站下车的人数以及列车时刻表，计算所述预测时间段在每个车站出站的第二类乘客的人数。
所述统计时间段的时长可以根据实际需要来设置。所述统计时间段的时长与所述预测时间段的时长可以相同也可以不同，为了能更好地对预测时间段的出站信息进行计算，所述统计时间段的时长可以小于或等于所述预测时间段的时长，例如，所述统计时间段的时长为半分钟，而所述预测时间段的时长为一分钟。
优选的是，各统计时间段与各预测时间段可以完全重合，也就是说，可以以各预测时间段作为各统计时间段。
具体地，可以将第一类乘客在各个车站出站的概率作为第二类乘客在各个车站出站的概率，并以此计算第二类乘客中在各个车站出站的人数。
例如，所述统计时间段为上午9：30-9：31，在这一统计时间段进站的第一类乘客有500人，第二类乘客有100人，当前可去往的车站有A、B两站，第一类乘客中，将在A站出站的乘客有300人，将在B站出站的乘客有200人，则认为第二类乘客在A、B两站出站的概率分别为60％和40％，因此，会有60人在A站出站，有40人在B站出站。
通过以上方案，不仅可以预测有历史刷卡数据的乘客对应的出站客流，还可以预测临时卡或者没有历史刷卡数据的乘客对应的出站客流，有效提高了预测的准确性。
实施例四
本发明实施例四提供一种客流量预测方法。本实施例是在上述任一实施例提供的技术方案的基础上，根据车站客流量来进行广告推送。
乘客信息系统(PIS)是依托多媒体网络技术，以计算机系统为核心，通过设置站厅、站台、出入口、列车的显示终端，让乘客及时准确地了解列车运营信息和公共媒体信息的多媒体综合信息系统；是地铁系统实现以人为本、提高服务质量、加快各种信息公告传递的重要设施，是提高地铁运营管理水平，扩大地铁对旅客服务范围的有效工具。
LED广告是一种新媒体广告形式，是新媒体技术与户外广告发布形式的完美结合。LED广告就是利用发光二极管拼成的广告字样或者图片。
目前广告大屏或者其他LED广告主要采用的播放方法是将不同的广告内容轮播呈现给观众。而地铁PIS广告系统的主要目标是最大化业主广告的曝光率，也就是在站点内人数最多的时段播放最有价值的(价格最高的)广告。现有技术中常用的判断方法为：去年同期站点内客流高峰的时段(小时、天)以及多年同期平均站点内客流高峰的时段(小时、天)被作为广告播放的“黄金时段”。相应的PIS轮播广告价格分级也是按天/小时计算出“黄金时段”。
而上述实施例一至实施例三提供的实时预测客流量的方法，为PIS广告轮播提供了动态精准调节广告内容的能力，现有的基于天/小时划分“黄金时段”的广告轮播分配方法已经不再满足实时要求。原来的在固定“黄金时段”播放固定或顺序轮播广告的方式并没有最大化当前广告曝光效果。而且固定/顺序播放导致广告商对自己的广告效果无法精确评价和正确认识。
因此，为了满足现代PIS广告系统实时分析、实时调整的特点，本实施例在客流量预测方法的基础上提供了一种动态广告轮播的算法，同时提供一种评估广告整体效果(价值)的算法，从而为地铁系统中分钟级广告系统提供了实时随客流变化而动态播放并评价的能力。
图4为本发明实施例四提供的客流量预测方法的流程图。如图4所示，本实施例中的客流量预测方法，可以包括：
步骤401、根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流。
步骤402、计算每个车站在预测时间段的进站客流。
步骤403、根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。
本实施例中，步骤401至步骤403的具体实现原理可以参见上述任一实施例，此处不再赘述。通过步骤401至步骤403，可以计算出车站每个时间段对应的客流量。
步骤404、根据预设周期内各预测时间段的客流量，确定各广告在待播车站的轮播优选权值。
为了便于描述，本实施例中以预设周期为一天为例来进行说明，本领域技术人员可以理解的是，所述预设周期也可以其它周期，如一星期或一个月等。
具体地，可以针对每个广告执行如下步骤：将所述广告的权重占比与一天中各个车站的客流量之和相乘，得到乘积；将所述乘积减去所述广告在预设周期内在所述待播车站已经播放过的时间段对应客流量之和，得到所述广告在所述待播车站的轮播优选权值。
例如，τ表示当前广告系统能够精准预测的最小时间片段，也就是前文所述的预测时间段，分钟为单位(比如τ＝1分钟)。
Figure BDA0001523747670000151
表示同时基于历史数据和实时监控数据精准预测出第j个时间片段(比如第j分钟)时，地铁站点i的客流数量，也就是通过步骤401至步骤403计算出的车站i在第j个时间片段的客流量。其中，1≤i≤ST,ST是地铁线总的站点数量，1≤j≤T,T为预设周期内时间片段的个数，所述预设周期可以是需要播放广告的总时长，例如可以是全天广告播放时长(比如该站24小时播放，则一天播放
Figure BDA0001523747670000161
个时间片段，
Figure BDA0001523747670000162
)，也可以是全年的广告播放时长。
Figure BDA0001523747670000163
表示第k个广告在第i个站点全天已播放的时间片段集合，比如
Figure BDA0001523747670000164
说明第2个广告在第1个站点已经使用了第1、13、14、15、26个这几个时间片段，即，第1个车站这些时间片段中播放的都是第2个广告。其中，1≤k≤N，N是需要播放的广告总个数。
ak表示第k个广告的权重值，权重值可以通过价格来衡量，例如，广告1的广告商预付10万元，广告2的广告商预付5万元，广告3的广告商预付2万元，则a1＝10，a2＝5，a3＝2，或者，也通过其它方式确定广告的权重值，本实施例对此不作限制。
Wik表示第i个车站中第k个广告的轮播优选权值。通过实时计算比较Wik的大小可以决定第i个车站下一时间片段应该播放的广告。通常情况下PIS广告轮播不会连续重复播放同一个广告，所以每次比较Wik时可以排除当前播放过的最后一个广告。
Wik可以通过公式(2)计算得出。
Figure BDA0001523747670000165
步骤405、根据各广告对应的轮播优选权值，确定所述待播车站在当前时刻的下一预测时间段播放的广告。
具体地，若轮播优选权值最大的广告的个数为一个，则确定所述待播车站在当前时刻的下一预测时间段需要播放的广告为所述轮播优选权值最大的广告；若轮播优选权值最大的广告的个数为多个，则可以根据权重从所述轮播优选权值最大的广告中选择所述待播车站在当前时刻的下一预测时间段播放的广告，例如可以挑选权重最大的来播放。
由于可能存在两个或两个以上的广告的权重是相同的，因此可以将广告先按照权重降序排列，再按照广告商代码或广告名称的字母顺序排列，选取排序后的第一项作为待播广告。
为了减轻系统负担，可以在每个预测时间段的结束时刻，计算一次轮播优选权值，并以此来指导下一预测时间段的广告播放。
进一步地，还可以针对广告进行效果评价。具体的，可以针对每一广告执行如下步骤：
统计所述广告在预设周期内在各个车站播放过的预测时间段对应的客流量之和；根据所述客流量之和与所述广告的时长，确定所述广告的播放效果；将所述广告的播放效果推送给用户。
假设lk表示第k个广告商需要播放的广告内容长度，比如l1＝6，l2＝1，l3＝3，第1个广告需要连续播放6个时间片段(6分钟)，第2个广告需要连续播放1个时间片段(1分钟)，第3个广告需要连续播放3个时间片段(3分钟)。
完成T个时间片段(比如全天)的轮播之后，对每个广告时间片段τ的效果评价为Vk，该值说明了某广告在单位播放时间内，广告被送达的人流总量，该值的大小能够表征某广告运营一天的送达效率。Vk可以通过公式(3)来计算。
Figure BDA0001523747670000171
可以在每个运营日后总结Vk，并将Vk推送给用户，所述用户可以是地铁管理人员或者是广告商，所述Vk用于评价对应广告的应许价值是否已经被实现，也将是未来广告招商的报价方案的基础。
本实施例提供的客流量预测方法，在预测出车站的客流量后，可以根据根据各时间段的客流量，确定各广告在待播车站的轮播优选权值，根据各广告对应的轮播优选权值，确定所述待播车站下一时间段播放的广告，能够利用实时的客流变化情况动态计算相应的广告轮播优选权值，按照最高优先级播放的方式达到最大化每一个广告曝光效果的目的。
实施例五
本发明实施例五提供一种客流量预测装置。图5为本发明实施例五提供的客流量预测装置的结构框图。如图5所示，本实施例中的装置，可以包括：
第一计算模块501，用于根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流；
第二计算模块502，用于计算每个车站在预测时间段的进站客流；
第三计算模块503，用于根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量。
本实施例中的客流量预测装置，可以用于执行上述任一实施例所述的客流量预测方法，具体实现原理和过程可以参见上述任一实施例，此处不再赘述。
本实施例提供的客流量预测装置，通过根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流，并根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量，能够结合实时数据精确预测较短时间内的客流数量，避免因为实际的客流变化不规律而出现较大误差，提高了客流量预测的准确性。
可选的，所述第一计算模块501可以包括：
判断单元，用于针对每个乘客，判断所述乘客的刷卡信息是否对应有本次出站点信息或者历史出站点信息：若有本次出站点信息，则根据所述本次出站点信息确定所述乘客的出站点；若无本次出站点信息但有历史出站点信息，则根据所述历史出站点信息预测所述乘客的出站点；
第一计算单元，用于根据第一类乘客对应的出站点和出站时间，计算预测时间段在每个车站出站的第一类乘客的人数，其中，所述第一类乘客为刷卡信息对应有本次出站点信息或历史出站点信息的乘客；
第二计算单元，用于计算所述预测时间段在每个车站出站的第二类乘客的人数，其中，所述第二类乘客为刷卡信息无对应的本次出站点信息和历史出站点信息的乘客；
相加单元，用于针对每个车站，将在预测时间段出站的第一类乘客的人数与第二类乘客的人数相加，得到所述车站在所述预测时间段的出站客流。
可选的，所述第二计算单元具体用于：
获取每个进站点中在统计时间段内进站的第一类乘客的人数和第二类乘客的人数；
针对每个进站点，根据所述统计时间段内进站的第一类乘客在每个车站出站的人数比例，预测所述统计时间段内进站的第二类乘客在每个车站出站的人数；
根据各个进站点中在各个统计时间段内进站的第二类乘客在各个车站下车的人数以及列车时刻表，计算所述预测时间段在每个车站出站的第二类乘客的人数。
可选的，所述判断单元具体用于：
针对每个乘客，判断所述乘客的刷卡信息是否对应有本次出站点信息或者历史出站点信息：若有本次出站点信息，则根据所述本次出站点信息确定所述乘客的出站点；若无本次出站点信息但有历史出站点信息，则根据所述历史出站点信息，计算所述乘客在各个车站出站的概率，根据所述乘客在各个车站出站的概率，计算各个车站对应的条件信息熵，根据各个车站对应的条件信息熵，预测所述乘客的出站点。
可选的，所述第二计算模块502具体可以用于：
根据泊松分布预测每个车站在所述预测时间段的进站客流。
可选的，所述第三计算模块具体用于：
针对每个车站，判断所述预测时间段是否有列车进站；
若无列车进站，则根据所述预测时间段的进站客流和等待客流，计算所述车站在所述预测时间段的客流量；
若有列车进站，则根据所述预测时间段的进站客流、等待客流和出站客流，计算所述车站在所述预测时间段的客流量；
其中，有列车进站的时间段Tn的下一时间段Tn+1的等待客流等于Tn的等待客流与Tn+1的进站客流之和减去Tn+1的上车客流，Tn的上车客流通过Tn的等待客流与Tn的进站客流计算得到；其它时间段的等待客流等于上一时间段的等待客流与该时间段的进站客流之和。
可选的，所述客流量预测装置还包括：
第一确定模块，用于根据预设周期内各预测时间段的客流量，确定各广告在待播车站的轮播优选权值；
第二确定模块，用于根据各广告对应的轮播优选权值，确定所述待播车站在当前时刻的下一预测时间段播放的广告。
可选的，所述第一确定模块具体用于：
针对每个广告执行如下步骤：将所述广告的权重占比与所述预设周期内各个车站的客流量之和相乘，得到乘积；将所述乘积减去所述预设周期内所述广告在所述待播车站已经播放过的预测时间段对应客流量之和，得到所述广告在所述待播车站的轮播优选权值。
可选的，所述第二确定模块具体用于：
若轮播优选权值最大的广告的个数为一个，则确定所述待播车站在当前时刻的下一预测时间段需要播放的广告为所述轮播优选权值最大的广告；
若轮播优选权值最大的广告的个数为多个，则根据权重从所述轮播优选权值最大的广告中选择所述待播车站在当前时刻的下一预测时间段播放的广告。
可选的，所述第二确定模块还用于：
针对每一广告执行如下步骤：
统计所述广告在预设周期内在各个车站播放过的预测时间段对应的客流量之和；
根据所述广告在预设周期内在各个车站播放过的预测时间段对应的客流量之和与所述广告的时长，确定所述广告的播放效果；
将所述广告的播放效果推送给用户。
为了实现上述实施例，本发明还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现上述任一实施例所述的客流量预测方法。
为了实现上述实施例，本发明还提出一种计算机可读存储介质，存储有计算机程序，当所述程序被处理器执行时，实现上述任一实施例所述的客流量预测方法。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (20)

1.一种客流量预测方法，其特征在于，包括以下步骤：
根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流；
计算每个车站在预测时间段的进站客流；
根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量；
根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流，包括：
针对每个乘客，判断所述乘客的刷卡信息是否对应有本次出站点信息或者历史出站点信息：若有本次出站点信息，则根据所述本次出站点信息确定所述乘客的出站点；若无本次出站点信息但有历史出站点信息，则根据所述历史出站点信息预测所述乘客的出站点；
获取每个进站点中在统计时间段内进站的第一类乘客的人数和第二类乘客的人数，其中，所述第一类乘客为刷卡信息对应有本次出站点信息或历史出站点信息的乘客，所述第二类乘客为刷卡信息无对应的本次出站点信息和历史出站点信息的乘客；
根据第一类乘客对应的出站点和出站时间，计算所述预测时间段在每个车站出站的第一类乘客的人数；
针对每个进站点，根据所述统计时间段内进站的第一类乘客在每个车站出站的人数比例，预测所述统计时间段内进站的第二类乘客在每个车站出站的人数；
根据各个进站点中在各个统计时间段内进站的第二类乘客在各个车站下车的人数以及列车时刻表，计算所述预测时间段在每个车站出站的第二类乘客的人数；
针对每个车站，将在所述预测时间段出站的第一类乘客的人数与第二类乘客的人数相加，得到所述车站在所述预测时间段的出站客流。
2.如权利要求1所述的客流量预测方法，其特征在于，根据所述历史出站点信息预测所述乘客的出站点，包括：
根据所述历史出站点信息，计算所述乘客在各个车站出站的概率；
根据所述乘客在各个车站出站的概率，计算各个车站对应的条件信息熵；
根据各个车站对应的条件信息熵，预测所述乘客的出站点。
3.如权利要求1所述的客流量预测方法，其特征在于，所述计算每个车站在预测时间段的进站客流，包括：
根据泊松分布预测每个车站在所述预测时间段的进站客流。
4.如权利要求1所述的客流量预测方法，其特征在于，根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量，包括：
针对每个车站，执行如下步骤：判断所述预测时间段是否有列车进站；若无列车进站，则根据所述预测时间段的进站客流和等待客流，计算所述车站在所述预测时间段的客流量；若有列车进站，则根据所述预测时间段的进站客流、等待客流和出站客流，计算所述车站在所述预测时间段的客流量。
5.如权利要求4所述的客流量预测方法，其特征在于，
有列车进站的时间段Tn的下一时间段Tn+1的等待客流，等于Tn的等待客流与Tn的进站客流之和减去Tn的上车客流，Tn的上车客流通过Tn的等待客流与Tn的进站客流计算得到；
其它时间段的等待客流等于上一时间段的等待客流与上一时间段的进站客流之和。
6.如权利要求1-5任一项所述的客流量预测方法，其特征在于，还包括：
根据预设周期内各预测时间段的客流量，确定各广告在待播车站的轮播优选权值；
根据各广告对应的轮播优选权值，确定所述待播车站在当前时刻的下一预测时间段播放的广告。
7.如权利要求6所述的客流量预测方法，其特征在于，根据预设周期内各预测时间段的客流量，确定各广告在待播车站的轮播优选权值，包括：
针对每个广告执行如下步骤：将所述广告的权重占比与所述预设周期内各个车站的客流量之和相乘，得到乘积；将所述乘积减去所述预设周期内所述广告在所述待播车站已经播放过的预测时间段对应客流量之和，得到所述广告在所述待播车站的轮播优选权值。
8.如权利要求6所述的客流量预测方法，其特征在于，根据各广告对应的轮播优选权值，确定所述待播车站在当前时刻的下一预测时间段播放的广告，包括：
若轮播优选权值最大的广告的个数为一个，则确定所述待播车站在当前时刻的下一预测时间段需要播放的广告为所述轮播优选权值最大的广告；
若轮播优选权值最大的广告的个数为多个，则根据权重从所述轮播优选权值最大的广告中选择所述待播车站在当前时刻的下一预测时间段播放的广告。
9.如权利要求6所述的客流量预测方法，其特征在于，还包括：
针对每一广告执行如下步骤：
统计所述广告在预设周期内在各个车站播放过的预测时间段对应的客流量之和；
根据所述广告在预设周期内在各个车站播放过的预测时间段对应的客流量之和与所述广告的时长，确定所述广告的播放效果；
将所述广告的播放效果推送给用户。
10.一种客流量预测装置，其特征在于，包括以下步骤：
第一计算模块，用于根据每个乘客的刷卡信息，计算每个车站在预测时间段的出站客流；
第二计算模块，用于计算每个车站在预测时间段的进站客流；
第三计算模块，用于根据每个车站在预测时间段的出站客流和进站客流，计算每个车站在所述预测时间段对应的客流量；
所述第一计算模块包括：
判断单元，用于针对每个乘客，判断所述乘客的刷卡信息是否对应有本次出站点信息或者历史出站点信息：若有本次出站点信息，则根据所述本次出站点信息确定所述乘客的出站点；若无本次出站点信息但有历史出站点信息，则根据所述历史出站点信息预测所述乘客的出站点；
第一计算单元，用于根据第一类乘客对应的出站点和出站时间，计算所述预测时间段在每个车站出站的第一类乘客的人数，其中，所述第一类乘客为刷卡信息对应有本次出站点信息或历史出站点信息的乘客；
第二计算单元，用于计算所述预测时间段在每个车站出站的第二类乘客的人数，其中，所述第二类乘客为刷卡信息无对应的本次出站点信息和历史出站点信息的乘客；所述第二计算单元具体用于：获取每个进站点中在统计时间段内进站的第一类乘客的人数和第二类乘客的人数；针对每个进站点，根据所述统计时间段内进站的第一类乘客在每个车站出站的人数比例，预测所述统计时间段内进站的第二类乘客在每个车站出站的人数；根据各个进站点中在各个统计时间段内进站的第二类乘客在各个车站下车的人数以及列车时刻表，计算所述预测时间段在每个车站出站的第二类乘客的人数；
相加单元，用于针对每个车站，将在所述预测时间段出站的第一类乘客的人数与第二类乘客的人数相加，得到所述车站在所述预测时间段的出站客流。
11.如权利要求10所述的客流量预测装置，其特征在于，所述判断单元具体用于：
针对每个乘客，判断所述乘客的刷卡信息是否对应有本次出站点信息或者历史出站点信息：若有本次出站点信息，则根据所述本次出站点信息确定所述乘客的出站点；若无本次出站点信息但有历史出站点信息，则根据所述历史出站点信息，计算所述乘客在各个车站出站的概率，根据所述乘客在各个车站出站的概率，计算各个车站对应的条件信息熵，根据各个车站对应的条件信息熵，预测所述乘客的出站点。
12.如权利要求10所述的客流量预测装置，其特征在于，所述第二计算模块具体用于：
根据泊松分布预测每个车站在所述预测时间段的进站客流。
13.如权利要求12所述的客流量预测装置，其特征在于，所述第三计算模块具体用于：
针对每个车站，判断所述预测时间段是否有列车进站；
若无列车进站，则根据所述预测时间段的进站客流和等待客流，计算所述车站在所述预测时间段的客流量；
若有列车进站，则根据所述预测时间段的进站客流、等待客流和出站客流，计算所述车站在所述预测时间段的客流量。
14.如权利要求13所述的客流量预测装置，其特征在于，有列车进站的时间段Tn的下一时间段Tn+1的等待客流等于Tn的等待客流与Tn+1的进站客流之和减去Tn+1的上车客流，Tn的上车客流通过Tn的等待客流与Tn的进站客流计算得到；其它时间段的等待客流等于上一时间段的等待客流与该时间段的进站客流之和。
15.如权利要求10-14任一项所述的客流量预测装置，其特征在于，还包括：
第一确定模块，用于根据预设周期内各预测时间段的客流量，确定各广告在待播车站的轮播优选权值；
第二确定模块，用于根据各广告对应的轮播优选权值，确定所述待播车站在当前时刻的下一预测时间段播放的广告。
16.如权利要求15所述的客流量预测装置，其特征在于，所述第一确定模块具体用于：
针对每个广告执行如下步骤：将所述广告的权重占比与所述预设周期内各个车站的客流量之和相乘，得到乘积；将所述乘积减去所述预设周期内所述广告在所述待播车站已经播放过的预测时间段对应客流量之和，得到所述广告在所述待播车站的轮播优选权值。
17.如权利要求15所述的客流量预测装置，其特征在于，所述第二确定模块具体用于：
若轮播优选权值最大的广告的个数为一个，则确定所述待播车站在当前时刻的下一预测时间段需要播放的广告为所述轮播优选权值最大的广告；
若轮播优选权值最大的广告的个数为多个，则根据权重从所述轮播优选权值最大的广告中选择所述待播车站在当前时刻的下一预测时间段播放的广告。
18.如权利要求15所述的客流量预测装置，其特征在于，所述第二确定模块还用于：
针对每一广告执行如下步骤：
统计所述广告在预设周期内在各个车站播放过的预测时间段对应的客流量之和；
根据所述广告在预设周期内在各个车站播放过的预测时间段对应的客流量之和与所述广告的时长，确定所述广告的播放效果；
将所述广告的播放效果推送给用户。
19.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-9中任一项所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一项所述的方法。
CN201711424692.2A 2017-12-25 2017-12-25 客流量预测方法及装置 Active CN109961164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711424692.2A CN109961164B (zh) 2017-12-25 2017-12-25 客流量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711424692.2A CN109961164B (zh) 2017-12-25 2017-12-25 客流量预测方法及装置

Publications (2)

Publication Number Publication Date
CN109961164A CN109961164A (zh) 2019-07-02
CN109961164B true CN109961164B (zh) 2022-01-07

Family

ID=67021275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711424692.2A Active CN109961164B (zh) 2017-12-25 2017-12-25 客流量预测方法及装置

Country Status (1)

Country Link
CN (1) CN109961164B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647929B (zh) * 2019-09-19 2021-05-04 北京京东智能城市大数据研究院 用于预测出行目的地的方法、及用于训练分类器的方法
CN110570656B (zh) * 2019-09-20 2022-03-25 深圳市综合交通运行指挥中心 定制公共交通线路方法及装置
CN112488388B (zh) * 2020-11-30 2022-08-02 佳都科技集团股份有限公司 基于概率分布的出站客流预测方法及装置
CN112487063A (zh) * 2020-12-03 2021-03-12 北京工业大学 一种轨道站点等待时间和等待人数的计算方法
CN112862197B (zh) * 2021-02-19 2023-04-18 招商银行股份有限公司 网点智能放号方法、装置、设备及存储介质
CN113393355B (zh) * 2021-04-29 2024-01-16 中国铁道科学研究院集团有限公司电子计算技术研究所 轨道交通相对客流分布计算方法、系统、电子设备及介质
CN113361810B (zh) * 2021-06-30 2024-04-26 佳都科技集团股份有限公司 一种客流量预测方法、装置、设备和存储介质
CN113628432B (zh) * 2021-10-13 2022-01-04 中通服建设有限公司 地铁人流限流的智能预警系统
CN114331234B (zh) * 2022-03-16 2022-07-12 北京交通大学 基于乘客出行信息的轨道交通客流预测方法和系统
CN115759472B (zh) * 2022-12-07 2023-12-22 北京轨道交通路网管理有限公司 客流信息的预测方法、装置及电子设备
CN115952173A (zh) * 2023-03-13 2023-04-11 北京全路通信信号研究设计院集团有限公司 一种客流数据处理方法、装置、大数据平台及存储介质
CN116051173B (zh) * 2023-03-30 2023-06-30 安徽交欣科技股份有限公司 一种客流量预测方法、系统及公交派车方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310287A (zh) * 2013-07-02 2013-09-18 北京航空航天大学 基于svm预测乘客出行概率的轨道交通客流预测方法
CN103745376A (zh) * 2013-02-28 2014-04-23 王新 一种广告发布装置和方法
CN104239958A (zh) * 2013-06-19 2014-12-24 上海工程技术大学 适用于城市轨道交通系统的短时客流预测方法
CN104463364A (zh) * 2014-12-04 2015-03-25 中国科学院深圳先进技术研究院 一种地铁乘客实时分布和地铁实时密度预测方法及系统
CN105224999A (zh) * 2015-09-10 2016-01-06 北京市交通信息中心 基于afc数据的城市轨道交通实时客流预测方法及系统
US9288536B2 (en) * 2013-06-26 2016-03-15 Concurrent Computer Corporation Method and apparatus for using viewership activity data to customize a user interface
CN107358319A (zh) * 2017-06-29 2017-11-17 深圳北斗应用技术研究院有限公司 城市轨道交通客流预测方法、装置、存储介质和计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436603B (zh) * 2011-08-29 2014-11-12 北京航空航天大学 基于概率树d预测的轨道交通全路网客流预测方法
CN105719022B (zh) * 2016-01-22 2019-11-19 上海工程技术大学 一种轨道交通客流实时预测及乘客引导系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745376A (zh) * 2013-02-28 2014-04-23 王新 一种广告发布装置和方法
CN104239958A (zh) * 2013-06-19 2014-12-24 上海工程技术大学 适用于城市轨道交通系统的短时客流预测方法
US9288536B2 (en) * 2013-06-26 2016-03-15 Concurrent Computer Corporation Method and apparatus for using viewership activity data to customize a user interface
CN103310287A (zh) * 2013-07-02 2013-09-18 北京航空航天大学 基于svm预测乘客出行概率的轨道交通客流预测方法
CN104463364A (zh) * 2014-12-04 2015-03-25 中国科学院深圳先进技术研究院 一种地铁乘客实时分布和地铁实时密度预测方法及系统
CN105224999A (zh) * 2015-09-10 2016-01-06 北京市交通信息中心 基于afc数据的城市轨道交通实时客流预测方法及系统
CN107358319A (zh) * 2017-06-29 2017-11-17 深圳北斗应用技术研究院有限公司 城市轨道交通客流预测方法、装置、存储介质和计算机设备

Also Published As

Publication number Publication date
CN109961164A (zh) 2019-07-02

Similar Documents

Publication Publication Date Title
CN109961164B (zh) 客流量预测方法及装置
Zhou et al. Bus arrival time calculation model based on smart card data
CN109034566B (zh) 一种基于公交站点上下客流的智能调度方法及装置
Yang et al. A macroscopic taxi model for passenger demand, taxi utilization and level of services
CN106779256B (zh) 一种基于事件驱动的停车空余泊位数实时预测方法及系统
CN106529711B (zh) 用户行为预测方法及装置
CN110782053B (zh) 分时预约调度方法、装置、设备及介质
US20170169373A1 (en) System and method for measuring perceived impact of schedule deviation in public transport
CN110276474A (zh) 一种城市轨道交通车站短时客流预测方法
JPWO2018087811A1 (ja) 交通システム、ダイヤ提案システム及び車両運行システム
JP6675860B2 (ja) データ処理方法およびデータ処理システム
Yap et al. A robust transfer inference algorithm for public transport journeys during disruptions
Barabino et al. Regularity diagnosis by automatic vehicle location raw data
CN117592638B (zh) 一种景区客流分析与管控的方法及系统
CN116011600B (zh) 无拥堵出行的预约方法、装置、系统、电子设备及介质
WO2017149703A1 (ja) 交通状況推定システム及び交通状況推定方法
Schil Measuring journey time reliability in London using automated data collection systems
CN113570171B (zh) 城市多景点热点数据动态引导方法、系统及存储介质
CN110046535B (zh) 基于机器学习的智能出行时间预测系统、方法及存储介质
CN114387816B (zh) 基于消费者行为预测分析的商城车流引导系统及方法
KR102374359B1 (ko) 교통카드 데이터 기반 열차 내부 혼잡도 산정 방법 및 시스템
CN112488568A (zh) 一种地铁车站大客流运营风险评价方法及其应用
Verma et al. A predictive taxi dispatching system for improved user satisfaction and taxi utilization
Bhandari et al. Occupancy prediction at transit stops using ANN
CN113192354B (zh) 一种基于时间窗格状态概率的大型场站等候时长预测方法

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
GR01 Patent grant
GR01 Patent grant