CN110070208A - 一种基于数据修正的铁路日常客运量获取方法 - Google Patents

Abstract

本发明公开了一种基于数据修正的铁路日常客运量获取方法，包括，根据预测需求获取一段历史时间段内的日客运量数据集合，根据日客运量波动幅度变化率确定节假日延续期限；按照影响因素将日客运量数据集合分解为多个模态分量；分别对其进行趋势预测，获得对应的预测模态分量重构形成修正值；按照影响因素将修正后的日客运量数据集合分解为多个模态分量，预测并重构形成当前预测需求下的日客运量预测值。本发明技术方案针对目前铁路日常客运的预测工作中，影响因素众多，预测工作难度较大的情况，通过对节假日的客运量进行数据修正，然后将其分解为代表多个影响因素的模态分量分别进行预测后合成，大大提高了日常客运量预测的精确度。

Description

一种基于数据修正的铁路日常客运量获取方法

技术领域

本发明属于高速铁路客运量预测领域，具体涉及一种基于数据修正的铁路日常客运量获取方法。

背景技术

自2003年我国第一条高速铁路秦沈客运专线建成并投入运营以来，我国不断在高速铁路建设和运营等方面进行积极探索。截止到2018年3月，我国高速铁路运营里程已经超过2.5万公里，我国主要城市之间已基本形成高速铁路网络。随着我国高速铁路网络的成网规模逐步扩大和旅客发送量不断增多，高速铁路领域的基础研究也显得越来越重要。高速铁路日常客运量预测作为高速铁路领域的基础研究之一，在票额分配、开行方案设计和营销策略制定方面具有重要意义。

现有的客运量预测方法主要分为以ARIMA和GM为代表的参数法、以ANN和SVR为代表的非参数法和融合多种方法的组合模型，其中组合预测模型由于融合多种方法的优势，往往精度较高(参见JIANG X,ZHANG L,CHEN X.Short-term forecasting of high-speedrail demand:A hybrid approach combining ensemble empirical mode decompositionand gray support vector machine with real-world applications in China[J].Transportation Research Part C Emerging Technologies,2014,44(4):110-127)。汪健雄等采用双层特征分析方法提取铁路旅客发送量的时间特征作为模型的输入变量，建立双层BP神经网络模型，根据Gram-Schmidt正交化定理对双层BP神经网络进行改进，预测精度较BP神经网络模型更高且达到期望的均方差所需的步长更短(参见汪健雄,刘春煌,单杏花等.基于双层次正交神经网络模型的铁路客运量预测[J].中国铁道科学,2010,31(3):126-132)。王卓等采用加入动量因子、自适应学习速率和附加动量的方法改进BP神经网络，对铁路客运量时间序列进行预测，结果表明最大相对误差为5.4％(参见王卓,王艳辉,贾利民等.改进的BP神经网络在铁路客运量时间序列预测中的应用[J].中国铁道科学,2005,26(2):127-131)。王艳辉等以春运期间的铁路客运量为依据，将客运量的空间属性和时间属性有机地结合起来，建立BP神经网络预测模型，结果表明平均相对误差为3.36％(参见王艳辉,贾利民,王卓等.基于时空序列的铁路客运量数据挖掘预测[J].中国铁道科学,2005,26(4):130-135)。Jia等建立综合GM和自回归滑动平均模型(ARMA)的组合预测模型，并利用轨道交通客流量对该模型进行验证，结果表明平均相对误差为5.8％(参见JIA Y,HE P,LIUS,at al.A Combined Forecasting Model for Passenger Flow Based on GM and ARMA[J].International Journal of Hybrid Information Technology,2016,9(2):215-226)。姚恩建等提出基于改进K近邻非参数回归的城市轨道交通新站开通初期实时进出站客流量预测方法，结果表明平均相对误差低于17％(参见姚恩建,周文华,张永生.城市轨道交通新站开通初期实时进出站客流量预测[J].中国铁道科学,2018,39(2):119-127)。

高速铁路客运量蕴含多种波动规律，会增加预测工作的难度。同时在预测日常客运量时，节假日客运量会对其造成干扰。前述两个方面都是高速铁路日常客运量预测的难点。故如何研发一种基于数据修补的高速铁路日常客运量组合预测方法，不仅显得尤为重要，而且具有相当大的难度。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于数据修正的铁路日常客运量获取方法，至少可以部分解决上述问题。本发明技术方案针对目前铁路日常客运的预测工作中，影响因素众多，预测工作难度较大的情况，通过对节假日的客运量进行数据修正，然后将其分解为代表多个影响因素的模态分量分别进行预测后合成，大大提高了日常客运量预测的精确度。

为实现上述目的，按照本发明的一个方面，提供了一种基于数据修正的铁路日常客运量获取方法，其特征在于，包括，

S1根据预测需求获取一段历史时间段内的日客运量数据集合，将其按照时间顺序进行排列；根据日客运量数据集合获取该历史时间段内的日客运量波动幅度变化率，确定节假日延续期限；

S2选取节假日延续期限前一段连续的日常客运量集合，按照影响因素将其分解为多个模态分量；对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限内日客运量的修正值；

S3获取修正后的日客运量数据集合，按照影响因素将其分解为多个模态分量，对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成当前预测需求下对应的日客运量预测值；

S4根据该日客运量预测值，对对应线路上的客运资源进行分配。

作为本发明技术方案的一个优选，步骤S1中，若日客运量波动幅度变化率不小于超常波动阈值，则当日确定为节假日延续期限的一部分。

作为本发明技术方案的一个优选，超长波动阈值优选为日客运量平均波动幅度变化率与波动阈值系数的乘积，所述波动阈值系数优选根据预测需求的精度确定。

作为本发明技术方案的一个优选，步骤S2中，每个影响因素所对应的模态分量分别具有对应的权重。

作为本发明技术方案的一个优选，步骤S2包括，

S21选取紧邻节假日延续期限第一天的前一段连续日常客运量集合按照影响因素将其分解为多个模态分量；

S22对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限第一天的日客运量修正值；

S23根据修正后的日客运量数据集合，顺次对该节假日连续期限剩余时间的日客运量进行修正，直至对该节假日连续期限内的全部日客运量完成修正。

作为本发明技术方案的一个优选，步骤S2中，优选按照节假日的时间顺序依次对每个节假日延续期限的日客运进行修正。

作为本发明技术方案的一个优选，步骤S2中优选采用神经网络对模态分量进行趋势预测，所述神经网络提前进行优化以避免预测结果陷入局部最优。

作为本发明技术方案的一个优选，预测模态分量优选根据每个影响因素对应权重进行重构生成该节假日延续期限内日客运量的修正值。

按照本发明的一个方面，提供了一种存储设备，其中存储有多条指令，所述指令适用于由处理器加载并执行：

S1根据预测需求获取一段历史时间段内的日客运量数据集合，将其按照时间顺序进行排列；根据日客运量数据集合获取该历史时间段内的日客运量波动幅度变化率，确定节假日延续期限；

S2选取节假日延续期限前一段连续的日常客运量集合，按照影响因素将其分解为多个模态分量；对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限内日客运量的修正值；

S3获取修正后的日客运量数据集合，按照影响因素将其分解为多个模态分量，对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成当前预测需求下对应的日客运量预测值；

S4根据该日客运量预测值，对对应线路上的客运资源进行分配。

按照本发明的一个方面，提供了一种终端，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：

S1根据预测需求获取一段历史时间段内的日客运量数据集合，将其按照时间顺序进行排列；根据日客运量数据集合获取该历史时间段内的日客运量波动幅度变化率，确定节假日延续期限；

S2选取节假日延续期限前一段连续的日常客运量集合，按照影响因素将其分解为多个模态分量；对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限内日客运量的修正值；

S3获取修正后的日客运量数据集合，按照影响因素将其分解为多个模态分量，对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成当前预测需求下对应的日客运量预测值；

S4根据该日客运量预测值，对对应线路上的客运资源进行分配。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

1)本发明技术方案，针对节假日客运量及其分布直接影响到日常客运量的分布规律，影响日常客运量预测精度的问题，采用了超常波动判定阈值识别节假日延续期并通过本文预测方法将日常客运量的预测值替换修正节假日延续期内的客运量的方式，具有消除节假日因素对日常客运量的影响，提高日常客运量预测精度的优点。

2)本发明技术方案，针对高速铁路日常客运量预测的问题，通过将信号分解方法VMD引入GA-BP组合预测模型，构建VMD-GA-BP预测的方法，一方面采用该方法对节假日延续期限的日客运量数据进行了修正，另一方面利用修正后的数据对日客运量进行了预测，其以日客运量波动幅度变化率作为判断基础，具有大幅提高日常客运量预测精度的优点。

3)本发明技术方案，将日客运量分解为多个影响因素的模态向量合集，分别对每个影响因素进行预测，避免了影响因素之间相互干扰导致的最后结果不准确，同时最后的预测结果也是基于各个影响因素的预测值按照权重叠加重构而来，能够最大限度还原预测需求下的日客运量及其影响因素。

附图说明

图1是本发明技术方案实施例的GA优化BP神经网络算法流程；

图2是本发明技术方案实施例的节假日客运量修正法；

图3是本发明技术方案实施例的VMD-GA-BP组合模型预测流程；

图4是本发明技术方案实施例中南京南站至安庆站客运量；

图5是本发明技术方案实施例中南京南站至安庆站客运量变分模态分解结果；

图6是本发明技术方案实施例中南京南站至安庆站修正客运量；

图7是本发明技术方案实施例中的组合预测方法的预测效果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。

首先需要说明的是，本实施例中，各名词释义如下：

日客运量数据集合：指一段时间内，铁路每天的客运量按照时序排列的数据集合，包括节假日和非节假日客运量数据；

日常客运量数据集合：指不包括节假日的日客运量数据集合，或者是节假日客运量数据经过修正的日客运量数据集合。

本发明技术方案一种基于数据修补的高速铁路日常客运量组合预测方法，具体包括以下步骤：

步骤1：获取高速铁路O-D对间的日客运量时间序列，判断节假日延续期限。

一般来说，节假日带来的客运量变化不仅仅只体现在节假日当天，节假日前后相邻几天的客运量也会受到影响，即存在一定的节假日延续期限。在对高速铁路O-D对件的日客运量进行预测时，需要优先将节假日带来的客运量异常波动剔除。

本实施例中，通过铁路客票系统获取O-D对间的日客运量随时间变化的数据序列优选设为X(t)，其中t为天数。由于日客运量包括日常客运量和节假日客运量，因此需要判断除节假日客运量外，节假日前后的客运量是否也受到节假日的影响，以及这个影响的持续时间。本发明实施例将受到节假日影响导致节假日及其前后客运量受到其影响的日期，称为节假日延续期限。通过日客运量波动幅度变化率β_t，与阈值系数α和日客运量平均波动幅度变化率的乘积，即超常波动判定阈值进行比较。则为超常波动日，由此确定节假日之前的客运量起始增长日、节假日之后的客运量终止回落日，自起始增长日至终止回落日即为节假日延续期限(从日客运量受节假日影响到节假日影响结束)。

换而言之，通过将节假日前后的日客运量波动幅度变化率，将日客运量超出正常阈值的波动幅度变化率的时间视为节假日的延续期限，即这些日子的日客运量受到了节假日的影响，当日的客运量数据需要被修正。本实施例中，在确定了节假日延续期限以后，优选根据紧邻该节假日的前一段时间的普通日常客运量确定节假日延续期限内的日客运量。即，将节假日延续期限内的客运量用非节假日的客运量替换。

步骤2：对节假日延续期限前的日常客运量进行分解，将其分解为多个影响因素的合集，得到各影响因素的模态分量，其中每个影响因素所对应的模态分量都具有一定的权重。本实施例中，优选采用VMD执行上述操作。

具体来说，本实施的VMD方法中将客运量时间序列定义为一个调频调幅信号u_k(t)，通过Hilbert变换、估算模态分量中心频率和高斯平滑解调信号，构造受约束的变分模型。进一步地，引入罚因子构造增广Lagrange函数L({u_k},{ω_k},λ)，将上述变分问题转化为在迭代子优化中寻找增广Lagrange函数的鞍点。最后，采用交替方向乘子算法(ADMM)，通过更新和λⁿ⁺¹(n为迭代次数，λ为Lagrange乘子，ω_k为中心频率)求约束变分模型的最优解。

本实施例中，优选对节假日延续期限前一周以上的日常客运量作为分解对象，同时还可以根据预测精度要求延长时限，如采用一个月或者是一年的日常客运量作为分解对象。

步骤3：采用GA优化的BP神经网络对各模态分量进行预测并重构，将结果替换节假日延续期限内的客运量。即，利用预测得到的客运量数据对节假日的客运量数据进行修正，然后以修正后的一个连续期限内的日常客运量(不包括节假日波动)作为基础，对接下来一段时间的日常客运量进行预测。

本实施例中所采用的经过GA优化的BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作等行为。具体来说，种群是由多个个体组成，每个个体是由BP神经网络初始权值阈值构成的实数串；本实施例中采用预测输出和期望输出的误差绝对值作为适应度函数，判定每个个体的优劣；将较好的个体以更大概率遗传给下一代，同时进行个体间交叉、个体变异等操作，即生成新一代种群和个体。最后，在满足GA终止条件后将最优个体代表的初始权值阈值赋给BP神经网络，预测各模态分量的输出，重构后将结果替换节假日延续期限内的客运量。

也就是说，本实施例中利用经过GA优化的BP神经网络，分别对多个影响因素所对应的模态分量进行优化，然后根据每个模态分量的权重对优化获得的结果进行重构，获得对应的日常客运量预测优化结果。

步骤4：重复步骤2和步骤3，直到所有节假日延续期限的客运量均被替换修正。在选择历史日常客运量数据对未来日常客运量进行预测的时候，需要将这一时段内所有的节假日客运量用日常客运量替换掉(即修正过程)，然后用这一时间段内经过修正的日常客运量对未来时间段的日常客运量进行预测。

因此，在具体进行未来预测之前，需要对被用来进行预测的这一时间段内的所有节假日客运量进行修正。本实施例中，优选采用上述方法对各节假日延续期限的客运量依次进行修正，得到消除节假日因素影响的客运量时间序列后，再将其应用于未来的日常客运量预测。如图2所示。

步骤5：对修正后的客运量可以采用VMD-GA-BP组合预测方法进行预测，或者是其他趋势预测方法，得到预测结果。如图3所示。

本实施例中，优选采用VMD-GA-BP组合预测方法对消除节假日因素影响的客运量时间序列进行预测，得到高速铁路日常客运量的预测结果。

进一步地，上述基于数据修补的高速铁路日常客运量组合预测方法，步骤(1)中，判断需要进行修正的客运量的方法具体如下：对节假日延续期限采用日客运量平均波动幅度变化率进行识别，记第t天的客运量为X(t)，第t-1天与第t天的变化率为β_t，定义第t-1天与第t天的日客运量波动幅度变化率等于客运量之差的绝对值与客运量均值的商，即

对于为期N天的指定期间，定义日客运量平均波动幅度变化率为

由于最大波动幅度变化一般是在节假日前和节假日后，节假日本身的波动变化较小，所以没有必要剔除节假日变化率。因此，本实施例中这个变化率优选为包含了节假日真实客运量的波动幅度变化，即进行数据修正之前之前日客运量波动幅度变化。

定义超常波动判定阈值其中p为阈值系数。判断第t天是否为超常波动日，只需要确定如下法则是否成立：

若成立，则该日为超长波动日。式中，最小阈值系数为1，最大阈值系数为日常客运量最大波动幅度变化率与日常客运量平均波动幅度变化率的比值。只要超常波动判定阈值设定恰当，便可非常简便地发现超常波动日。

由上述法则可以发现各个节假日之前的客运量起始增长日，也可发现节假日之后的客运量终止回落日，由此确定出节假日延续期限。

具体来说，本发明实施例中的基于数据修补的高速铁路日常客运量组合预测方法，步骤(2)中，对节假日延续期限之前的客运量采用变分模态分解VMD进行处理方法具体如下：VMD将特征模态函数定义为1个调幅调频信号

u_k(t)＝A_k(t)cosφ_k(t)

其中，相位φ_k(t)非递减，其导数φ′_k(t)≥0，包络线A_k(t)≥0，且A_k(t)与瞬时频率ω_k(t)＝φ′_k(t)的变化速度比相位φ_k(t)的变化速度慢。即在[t-δ,t+δ](δ＝2π/φ′_k(t))的间隔范围内，u_k(t)可以看作是1个幅值为A_k(t)、频率为ω_k(t)的谐波信号。

进一步地，为了评估模态的带宽，需经过如下步骤：

(1)对每个模态函数u_k通过希尔伯特变换计算相应的解析信号，获得单边频谱；

(2)对每个模态函数u_k通过与指数混合解调到各自估计的中心频率，将模态的频谱转换到基带；

(3)通过解调信号的高斯平滑，即梯度的L²范数，估计每个模态的带宽。

本实施例中，所得约束变分模型为

s.t.∑_ku_k＝X

式中：X为客运量时间序列；U＝{u₁,u₂,…,u_k,}为所有模态的集合；Ω＝{ω₁,ω₂,…,ω_k}为所有模态的中心频率集合；k为预设的分解尺度。

进一步地，本实施例在求约束变分模型的最优解中，为了使变分问题不受约束，引入惩罚因子α和拉格朗日乘子λ构造如下形式的增广Lagrange函数

式中：α为惩罚函数；λ为Lagrange乘子。

作为本实施例的一个具体优选，上述变分问题等同于在迭代子优化中寻找增广Lagrange函数的鞍点，VMD中采用交替方向乘子法(ADMM)，通过更新和λⁿ⁺¹(n为迭代次数)求约束变分模型的最优解。

式中，为求解u_k时，利用傅里叶等距变换将问题从时域转换到频域时的对应值；ω为随机频率。

作为本实施例的一个具体优选，步骤(3)中，对各模态分量采用遗传算法GA优化的BP神经网络进行预测的方法具体如下：GA优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作，GA优化BP神经网络算法流程如图1所示。种群是由多个个体组成，每个个体是由BP神经网络初始权值阈值构成的实数串。采用适应度函数判断网络的优劣，适应度值H与预测输出y_i和期望输出o_i的误差绝对值相关

式中，n为网络输出节点数；y_i为BP神经网络第i个节点的期望输出；o_i为第i个节点的预测输出。

作为本实施例的一个具体优选，选择操作采用轮盘赌法，基于适应度比例进行选择决策，每个个体i的选择概率p_i为

式中，M为种群个体数目。

作为本实施例的一个具体优选，将较好的个体以更大概率遗传给下一代，同时进行个体间交叉、个体变异等操作，即生成新一代种群和个体，在满足GA终止条件后将最优个体代表的初始权值阈值赋给BP神经网络。

综上所述，本发明技术方案实施例中的基于数据修补的高速铁路日常客运量组合预测方法，其主要步骤为：

根据预测需求确定作为预测基础的历史时间段内的日常客运量数据，其中，该历史时间段内的节假日客运量数据是需要被修正的。本实施例中所采用的修正方法，是将该节假日之前的日常客运量作为基础，利用此前一段时间内的日常客运量对该节假日的客运量进行日常预测，然后利用该日常预测结果替换掉该节假日真实的客运量作为修正。完成所选取的历史时间段内的全部节假日客运量修正之后，再利用该时间段的日常客运量数据对未来时间的日常客运量进行预测。

本实施例中，在获得该日常客运量的预测值以后，一方面可以用于计算当前开行线路设计是否能够承受，如果不能承受或者是存在大量冗余，则需要及时对其进行调整。例如，如果当前列车开行计划设置不能够承受该客运量或者冗余空间不足，则需要相应增加开行线路，否则的话可以适当减小或者是降低客运量较少的站点停靠次数，以此来实现铁路客运资源的利用最大化。另一方面，该预测值对于一些新开线路的票额设计来说，也是具有参考意义的，一个简单的应用如：根据日常客运量和需要开设的线路设计，计算运营成本，从而根据该运营成本均摊或者是按照一定规律分摊票价。

事实上，对于铁路线路的开行计划设计以及票价设计来说，日常客运量是一个非常重要的参考标准。进一步地，本实施例中所提供的日客运量预测方法，其不仅对铁路客运本身具有重要的参考意义，对于与此相关的其他问题也具有重要的参考意义。

具体来说，在对节假日的日常客运量进行修正的时候，首先将作为修正基础的数据(即该节假日之前一段时间的日常客运量)分解为多个影响因素的合集，换而言之就是将其分解为(具有一定权重的)多个模态分量，然后利用经过优化的神经网络分别对代表每个影响因素的模态分量进行预测，然后将每个模态分量的预测结果按照其对应的权重比例合成为最终的结果，利用该结果对节假日的日常客运量进行修正。优选的，从节假日延续期限的第一天开始，顺次对节假日延续期限中每一天的日常客运量进行预测。例如，针对该节假日，初始预测数据集合为{N₁，N₂，N₃，N₄，N₅，N₆，N₇}，根据该集合获得第一天的修正值为H₁，将H₁添加到初始预测数据集合中，构成新的数据集合{N₁，N₂，N₃，N₄，N₅，N₆，N₇，H₁}对节假日第二天的客运量进行预测。该数据集合的数据量可以保持不变，也可以根据需求进行调整，本实施例中不对此进行具体限制。

全部节假日的客运量完成修正后，将修正后的日常客运量数据集合用于实现高速铁路日常客运量的预测。根据所获得的铁路日常客运量预测值，结合现有的铁路客运资源(如车站承载能力、铁路线路设计、承载车型等)，对预测线路上的客运情况进行分配和设计，如进行票额分配、开行方案设计等，甚至还可以依据该预测值，对工作人员进行恰当的调度处理，本实施例中对此不作赘述。

以具体的铁路客运量预测需求为例，本发明技术方案中的基于数据修补的高速铁路日常客运量组合预测方法，包括以下步骤：

1.获取的数据描述。以宁安高速铁路南京南站至安庆站2016年8月至2017年7月客运量作为实施例，如图4所示。计算各节假日延续期限如表1所示。

表1南京南站至安庆站客运量延续期限

2.求解模态分量。以宁安高速铁路南京南站至安庆站2016年8月至2017年7月客运量作为实施例，描述变分模态分解VMD计算结果，如图5所示。

3.修正客运量。对各模态分量采用GA优化的BP神经网络进行预测并重构，替换节假日延续期限内的客运量后如图6所示。

4.方法验证。对修正后的客运量采用VMD-GA-BP组合预测方法进行预测，取2016年8月-2017年6月的数据为训练集，2017年7月的数据为测试集，预测效果如图7所示。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则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 (10)

1.一种基于数据修正的铁路日常客运量获取方法，其特征在于，包括，

S1根据预测需求获取一段历史时间段内的日客运量数据集合，将其按照时间顺序进行排列；根据日客运量数据集合获取该历史时间段内的日客运量波动幅度变化率，确定节假日延续期限；

S2选取节假日延续期限前一段连续的日常客运量集合，按照影响因素将其分解为多个模态分量；对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限内日客运量的修正值；

S3获取修正后的日客运量数据集合，按照影响因素将其分解为多个模态分量，对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成当前预测需求下对应的日客运量预测值；

S4根据该日客运量预测值，对对应线路上的客运资源进行分配。

2.根据权利要求1所述的一种基于数据修正的铁路日常客运量获取方法，其中，步骤S1中，若日客运量波动幅度变化率不小于超常波动阈值，则当日确定为节假日延续期限的一部分。

3.根据权利要求2所述的一种基于数据修正的铁路日常客运量获取方法，其中，所述超长波动阈值优选为日客运量平均波动幅度变化率与波动阈值系数的乘积，所述波动阈值系数优选根据预测需求的精度确定。

4.根据权利要求1～3任一项所述的一种基于数据修正的铁路日常客运量获取方法，其中，步骤S2中，每个影响因素所对应的模态分量分别具有对应的权重。

5.根据权利要求1～4任一项所述的一种基于数据修正的铁路日常客运量获取方法，其中，步骤S2包括，

S21选取紧邻节假日延续期限第一天的前一段连续日常客运量集合按照影响因素将其分解为多个模态分量；

S22对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限第一天的日客运量修正值；

S23根据修正后的日客运量数据集合，顺次对该节假日连续期限剩余时间的日客运量进行修正，直至对该节假日连续期限内的全部日客运量完成修正。

6.根据权利要求1～5任一项所述的一种基于数据修正的铁路日常客运量获取方法，其中，所述步骤S2中，优选按照节假日的时间顺序依次对每个节假日延续期限的日客运进行修正。

7.根据权利要求1～6任一项所述的一种基于数据修正的铁路日常客运量获取方法，其中，步骤S2中优选采用神经网络对模态分量进行趋势预测，所述神经网络提前进行优化以避免预测结果陷入局部最优。

8.根据权利要求1～7所述的一种基于数据修正的铁路日常客运量获取方法，其中，步骤S3中，所述预测模态分量优选根据每个影响因素对应权重进行重构生成该节假日延续期限内日客运量的修正值。

9.一种存储设备，其中存储有多条指令，所述指令适用于由处理器加载并执行：

S1根据预测需求获取一段历史时间段内的日客运量数据集合，将其按照时间顺序进行排列；根据日客运量数据集合获取该历史时间段内的日客运量波动幅度变化率，确定节假日延续期限；

S2选取节假日延续期限前一段连续的日常客运量集合，按照影响因素将其分解为多个模态分量；对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限内日客运量的修正值；

S3获取修正后的日客运量数据集合，按照影响因素将其分解为多个模态分量，对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成当前预测需求下对应的日客运量预测值；

S4根据该日客运量预测值，对对应线路上的客运资源进行分配。

10.一种终端，包括处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：

S1根据预测需求获取一段历史时间段内的日客运量数据集合，将其按照时间顺序进行排列；根据日客运量数据集合获取该历史时间段内的日客运量波动幅度变化率，确定节假日延续期限；

S2选取节假日延续期限前一段连续的日常客运量集合，按照影响因素将其分解为多个模态分量；对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成该节假日延续期限内日客运量的修正值；

S3获取修正后的日客运量数据集合，按照影响因素将其分解为多个模态分量，对每个影响因素的模态分量进行趋势预测，获得对应的预测模态分量重构形成当前预测需求下对应的日客运量预测值；

S4根据该日客运量预测值，对对应线路上的客运资源进行分配。