CN110119845A - 一种轨道交通客流预测的应用方法 - Google Patents

一种轨道交通客流预测的应用方法 Download PDF

Info

Publication number
CN110119845A
CN110119845A CN201910391223.8A CN201910391223A CN110119845A CN 110119845 A CN110119845 A CN 110119845A CN 201910391223 A CN201910391223 A CN 201910391223A CN 110119845 A CN110119845 A CN 110119845A
Authority
CN
China
Prior art keywords
data
passenger flow
prediction
model
value
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
Application number
CN201910391223.8A
Other languages
English (en)
Inventor
逄淑荣
关晓峰
宋伟
王育斌
冯旭鹏
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.)
Beijing Bii-Erg Transportation Technology Co Ltd
Original Assignee
Beijing Bii-Erg Transportation Technology 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 Beijing Bii-Erg Transportation Technology Co Ltd filed Critical Beijing Bii-Erg Transportation Technology Co Ltd
Priority to CN201910391223.8A priority Critical patent/CN110119845A/zh
Publication of CN110119845A publication Critical patent/CN110119845A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种轨道交通客流预测的应用方法，包括：设定预测时间间隔和时间维度，根据设定预测时间间隔和时间维度，获取AFC实时客流数据作为预测输入数据；对预测输入数据进行预处理；选取算法，并对预处理后的数据进行模型拟合；对所述模型进行检验；生成预测结果报表；对预测结果报表中数据进行可视化输出。本发明中，为轨道交通运营单位提供可靠的即时断面客流量数据预测，使得运营单位能够提前根据预测数据组织行车，避免在运能未饱和而运力释放不足导致的客流积压、运能浪费和设备能耗等。

Description

一种轨道交通客流预测的应用方法
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种轨道交通客流预测的应用方法。
背景技术
轨道运营单位在实际运营过程中，需要获得每条线路的即时客流量数据，以指导客流控制、行车组织和安全管理。当前轨道交通的既有信息化系统中能够为运营单位提供运营数据参考的主要包括AFC(Automatic Fare Collection，自动售检票)系统获取的车站实时进出站客流、ACC(清分)系统给出的断面客流等。
由于ACC给出的清分数据存在以下不足：一、断面客流量计算以OD(进出站数据对)为输入前提，有O(进)有D(出)才能进入ACC系统进行清分，而一般乘客进入地铁后要在30分钟以上才会出站，出站后ACC系统才能将OD客流分配到途经断面上得到断面客流量。二、目前AFC系统的O和D交易数据上传到ACC系统的业务标准是累积5分钟进行打包，交易数据到ACC系统本身存在至少5分钟时延。三、ACC系统计算断面客流量的准确性取决于ACC系统的路径选择模型的比例设定，是基于统计方法获得的，需要定期进行客流调查，修正系统的路径选择模型参数，以提高清分数据的准确性；而实际的客流调查工作，大多数是采用人工跟随方式的客流调查，能准确、全程跟随的样本量太小，对路径选择模型的参数改进有限。
综上，目前ACC系统因交易数据的内在延迟导致断面客流数据延迟较大，路径模型参数无法准确及时更新导致清分数据的准确性不足，导致了ACC系统给出的断面客流结果存在严重的滞后和失准，在实际运营过程中无法在运力管理层面上发挥指导性作用，仅仅是为总体调度提供辅助参考，运营生产人员仍然还要根据历史客流经验来编制和执行运输计划。另外，运营过程中经常出现无法预计大客流情况导致客流在站内积压，也出现实际客流已经下降，线路还在正常间隔发车导致的运力浪费现象。
发明内容
为了解决背景技术中存在的技术问题，本发明提出了一种轨道交通客流预测的应用方法，以解决现有技术中无法准确及时预测客流导致的客流压力大及运营效率低的问题。
本发明提出的一种轨道交通客流预测的应用方法，包括：
设定预测时间间隔和时间维度，根据设定预测时间间隔和时间维度，获取 AFC实时客流数据作为预测输入数据；
对预测输入数据进行预处理；
选取算法，并对预处理后的数据进行模型拟合；
对所述模型进行检验；
生成预测结果报表；
对预测结果报表中数据进行可视化输出。
优选地，所述对模型进行检验，之后还包括：如果模型拟合效果不好，则预测已经发生时间段的客流，并根据已经发生的实际客流进行参数调整和模型优化。
优选地，所述对预测输入数据进行预处理，具体包括：
对数据离群值、离散值、异常值、极值或重复值进行数据清理、数据集成、数据变换或数据规约处理。
优选地，所述算法包括：系数法、二次指数平滑法、平均值预测法、时间序列法或灰色预测法。
优选地，采用时间序列法获得预测结果后，还包括修正预测结果步骤：
对预测结果数据进行质量检查，检查数据的完整性；
对预测结果数据进行预处理；
判断预测结果数据中各站进出站量的平稳性，如果平稳，则拟合模型；如果不平稳，则进行差分处理；
对差分处理后数据进行相关分析，如果平稳性，则建立模型。
优选地，所述检查数据的完整性，具体包括：检查字段的数据值及其描述是否完全，或检查记录的合计值是否完全。
优选地，所述对模型进行检验采用灰色预测法，具体包括：
数据质量检查；
判断级比是否在范围之内；并且要对数据计算累加序列，使得毫无规律的原始序列转化成有规律的灰色序列，主要目的是弱化波动性和随机性是灰色预测中级比的可覆盖区域，其中n代表样本的个数；
建立灰色预测模型，并计算参数，及发展系数和灰色作用量；
计算预测结果，并对结果进行离散化处理。
优选地，所述对模型进行检验，具体包括：正确性分析、有效性分析、有用性分析、高效性分析、模型显著性检验和模型拟合优度检验。
优选地，所述进行模型拟合后，输出结果的同时会输出模型F检验值和T 检验值，以及模型的拟合优度R2，通过F检验值、T检验值、拟合优度R2来判断模型的拟合效果。
本发明中，为轨道交通运营单位提供可靠的即时断面客流量数据预测，使得运营单位能够提前根据预测数据组织行车，避免在运能未饱和而运力释放不足导致的客流积压、运能浪费和设备能耗等。基于可靠的客流预测使得轨道交通企业可以在已有的运能范围内解决乘客出行需求与运力之间的矛盾，不仅确保客流预测准确度，也保证了行车调度的可靠度。
附图说明
图1为本发明实施例提出的一种轨道交通客流预测应用方法流程图；
图2为本发明实施例提出的修正预测结果的流程图；
图3为本发明实施例提出的灰色预测法检测拟合模型的流程图。
具体实施方式
本发明实施例1提出了一种轨道交通客流预测应用方法，如图1所示，包括以下步骤：
步骤101，设定预测时间间隔和时间维度，根据设定预测时间间隔和时间维度，获取AFC实时客流数据作为预测输入数据。
步骤102，对预测输入数据进行预处理；例如对数据离群值、离散值、异常值、极值、重复值等进行数据清理、数据集成、数据变换、数据规约等处理。
步骤103，选取算法，并对预处理后的数据进行模型拟合。
步骤104，对所述模型进行检验，如果模型拟合效果不好，则预测已经发生时间段的客流，并根据已经发生的实际客流进行参数调整和模型优化。
步骤105，生成预测结果报表，用户可以查看生成的预测结果报表，保存预测结果报表，并可以导出预测结果报表。
步骤106，对预测结果报表中数据进行可视化输出，例如实时客流模型预测结果可以和已经发生的实时客流一起拟合客流实时变化曲线，已经发生的用实线显示，预测值用虚线来表示；还可以对预测结果和过去同期数据进行对比分析。
本发明实施例2提供了一种轨道交通短时客流预测应用方法，短时客流预测是根据AFC系统实时进出站数据，结合历史OD数据规律，预测任意时段内轨道交通线网站间OD量，并快速预测OD量在全网的分布。短时客流预测结果主要包括各线路区间断面流量、换乘站点换乘量、进站客流量短时期内变化趋势、站台候车人数短时期内变化趋势、区间客流拥挤度短时期内演化趋势、累计客流量等，短时客流预测具有时效性，能够为线网客流展示、运营管理决策等提供支持。该方法具体包括以下步骤：
步骤201，设定预测时间间隔和时间维度，根据所述设定预测时间间隔和时间维度，获取AFC实时客流数据作为预测输入数据。
用户通过时间控制选择预测的日期、时间段(起始时间、结束时间)，时间段选择精确到分；实时客流预测时间维度为：15分钟客流预测、30分钟客流预测、1小时客流预测、2小时客流预测等；
根据用户选择的预测日期等条件，系统自动选择指定预测日期和时间段之前的7天-6个月(用户可以自由选择输入数据时间段，如果不选择将采用默认时间段数据作为输入数据)的AFC实时客流数据作为预测输入数据。
步骤202，对所述预测输入数据进行预处理，主要对数据离群值、离散值、异常值、极值、重复值等进行数据清理、数据集成、数据变换、数据规约等处理。其中，
数据清理，通过缺失值补充、光滑噪声数据、识别或删除离群点并解决不一致性等处理，达到数据格式标准化、异常数据清除、错误纠正、重复数据清除的目的；
数据集成，将多个数据源中的数据结合起来并统一存储，建立数据仓库；
数据变换，通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式；
数据规约，在尽可能保持数据原貌的前提下，最大限度地精简数据量，但仍然接近于保持原数据的完整性，结果与规约前结果相同或几乎相同；数据规约主要有两个途径：属性选择和数据采样。
处理方法：同一属性的正常值替换、取最近两个同一属性的值的均值、删除节假日及所在周数据等。一般情况下，异常值、空值、极值等都是用正常值来替换，由于地铁的特殊性，所以要去同一属性的正常值替换，比如说2019年 4月10日(4月第二个完整周的周三)的客流值是异常数据，那么就要取2019 年3月13日(3月第二个完整周的周三)和2019年5月15日(5月第二个完整周的周三)的均值进行替换。
步骤203，选取算法，并对预处理后的数据进行模型拟合。其中，算法包括：小波神经网络、极限学习机、平均值预测法、乘积求和自回归移动平均法、灰色预测法等。
实时客流预测模型运用灰色预测等算法进行模型拟合，预测效果更佳，准确率更高，但输入数据的多少有很大差异，所以系统中会嵌入不同算法，并针对不同的算法自动调整输入数据的时间范围。系统默认用极限学习机算法来实现短时客流预测模型。比如：乘积求和自回归移动平均法所需的输入数据为两年，如果选择这个算法进行预测时，输入数据范围自动调整为预测日前两年的数据作为输入数据；灰色预测所需的输入数据只需要一个礼拜的数据，则选择这个算法进行预测时，输入数据范围自动调整为预测日前一个礼拜的数据作为输入数据。
步骤204，对所述模型进行检验
模型预测准确率检验主要有正确性分析、有效性分析、有用性分析、高效性分析、模型显著性检验、模型拟合优度检验等；
正确性分析：主要分析预测结果和实际值之间的误差及预测准确率；
有效性分析：主要分析预测模型的预测效果及时效性；
有用性分析：主要分析模型预测结果的价值；
高效性分析：主要分析预测模型的预测效率等；
模型显著性检验：主要分析预测结果的显著性水平；
模型拟合优度检验：主要分析模型预测的拟合效果。
在模型拟合完成后，输出结果的同时会输出模型F检验和T检验值，以及模型的拟合优度R2，可以通过F检验值、T检验值、拟合优度R2来判断模型的拟合效果；
F检验：即联合假设检验、方差比率检验、方差齐性检验；是一种在零假设之下，统计值服从F-分布的检验。得到的F检验值，与置信度为95％的F检验表进行比较，计算值小于表值时，说明没有显著差异；反之则存在显著差异。
T检验：主要用于样本含量较小，总体标准差σ未知的正态分布。T检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。计算结果与T检验界值表进行比较，查看显著性水平是否小于0.05。
拟合优度：指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)R2。R2最大值为1。R2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R2的值越小，说明回归直线对观测值的拟合程度越差。
如果模型拟合效果不好，则可以预测已经发生时间段的客流，并根据已经发生的实际客流进行参数调整和模型优化。利用已发生的客流量作为预测值，预测值日期前一段时间(根据算法选择输入数据的时间范围)的客流量作为模型输入数据，然后根据模型建立过程进行反推，确定参数并进行模型优化。客流实际发生后，支持用户按照指定的模版载入实际客流数据，并与预测结果进行对比，分析误差率等。
步骤205，模型预测结果可以使用报表管理工具自动生成预测结果报表，用户可以查看生成的预测结果报表，保存预测结果数据，并可以导出预测结果报表。
步骤206，对预测结果报表中数据进行可视化输出。实时客流模型预测结果可以和已经发生的实时客流一起拟合客流实时变化曲线，已经发生的用实线显示，预测值用虚线来表示；还可以对预测结果和过去同期数据进行对比分析，形成饼图、柱状图、线性图、热力图等，其中热力图可以实时看到各个车站、各条线路、整个线网的客流变化情况，以及是否达到极限值、是否达到预先设定好的报警阈值等，及时提醒运营人员，辅助运营人员决策，进行更好的运营管理，保证线路、线网的畅通运营和安全运营。
本发明实施例3提供了一种轨道交通短期客流预测应用方法，短期客流预测是在线网条件稳定的情况下，根据历史客流的变化规律预测未来不同时间维度的客流分布和变化(包括进站量、出站量、客运量等)，根据预测时间维度的不同属性分为日客流预测、周客流预测、旬客流预测、月客流预测、季度客流预测、年客流预测等。该方法具体包括以下步骤：
步骤301，设定预测时间间隔和时间维度，根据所述设定预测时间间隔和时间维度，获取AFC实时客流数据作为预测输入数据。
用户通过时间控制选择预测的日期、时间段(起始时间、结束时间)，时间段选择精确到日；短期客流预测时间维度为：日客流预测、周客流预测、旬客流预测、月客流预测、季度客流预测、年客流预测等；根据用户选择的预测日期等条件，系统自动选择指定预测日期和时间段之前的至少两年(用户可以自由选择输入数据时间段，如果不选择将采用默认时间段数据作为输入数据)的历史车站进出站量数据、线路客流量数据、线网客流量数据、OD路径客流量数据等作为预测输入数据；
其中，预测输入数据包括：
时间序列模型(乘积求和自回归移动平均法)：至少连续两年车站进出站量数据、线路客运量数据、线网客运量数据、换乘站客流量数据等等；
灰色预测模型：至少连续10天工作日(去除节假日所在周数据)车站进出站量数据、线路客运量数据、线网客运量数据、换乘站客流量数据等；
气象数据：包括最高温度、最低温度、天气、风力、降雨量等。
步骤302，对所述预测输入数据进行预处理，主要针对数据离群值、离散值、异常值、极值、重复值等的处理，进行数据清理、数据集成、数据变换、数据规约等处理；
其中，对于时间序列模型(乘积求和自回归移动平均法)的预处理为：极值、离散值、异常值等同一属性的正常值替换或取最近两个同一属性的值的均值等；删除节假日数据及节假日所在周数据；删除重复值数据等；
灰色预测模型的预处理为：极值、离散值、异常值等同一属性的正常值替换或取最近两个同一属性的值的均值等；删除重复值数据等；
步骤303，选取算法，并对预处理后的数据进行模型拟合，算法包括：比例系数法、二次指数平滑法、平均值预测法、时间序列法、灰色预测法等；其中，比例系数法、二次指数平滑法、平均值预测法这几种算法相对比较简单，也是最容易实现的。
对于时间序列法：乘积求和自回归移动平均法是时间序列算法模型中较为复杂的一种，能够把具有趋势性、周期性、或既有趋势性又有周期性的时间序列数据转换为平稳序列，结合相关分析和残差检验等，对数据进行建模及优化，最终实现预测的效果。用时间序列算法来建模的只考虑了车站、线路客流量信息，但实际情况中，客流量会受到天气、温度、降雨等其他外界因素的影响，所以用时间序列得到预测结果后，需要引入一个波动率的概念来修正预测结果，而波动率是利用外界影响因素的数据计算所得。修正预测结果的流程如图2所示，包括以下步骤：
步骤501，对预测结果数据进行质量检查，检查数据的完整性，一是检查字段的数据值及其描述是否完全，例如检查是否有空值；二是检查记录的合计值是否完全，有没有遗忘某些条件。
步骤502，对预测结果数据进行预处理，包括查重、缺失值填补、异常值处理等；重复值，删除处理；缺失值，缺失字段同期数据的平均值填充；异常值，异常字段同期数据的平均值替换。
步骤503，判断预测结果数据中各站进出站量的平稳性，对样本数据做时间序列图，观察时序图，如果样本数据出现趋势性、周期性、或者同时出现趋势性和周期性，则说明该序列不平稳。转步骤504；如果平稳，则转步骤505。具体为：对于处理后的数据做时间序列图，观察各站进出站量的变化趋势，检验各站进出站量的周期性和平稳性；如果出现趋势性，用差分处理使其趋于平稳化；如果既出现趋势性又出现周期性，要通过差分处理使其趋于平稳化。
步骤504，差分处理。分为前向差分、后向差分和中心差分。
设自变量x(x＝0,1,2,3,…,n)，因变量y，当x变到x+1时，因变量y＝f(x) 的改变量D(f(x))＝f(x+1)-f(x)称为函数f(x)在点x处步长为1的差分，即为一步差分，常记作D(f(x))＝f(x+1)-f(x)，简称为函数f(x)的(一阶)差分，并称D为差分算子。
注：D(f(x))有时也记为△f(x)，即△f(x)＝f(x+1)-f(x)。
假设：自变量x的变化规律为xk+1＝x0+kh(k＝0,1,2,…,n，h为常数)，f(x) 为x的函数，则有：
前向差分：△f(x)＝f(xk+1)-f(xk)
向后差分：△f(x)＝f(xk)-f(xk-1)
中心差分：△f(x)＝1/2(f(xk+1)-f(xk-1))
步骤505，对差分处理后数据进行相关分析，确认样本数据通过差分处理后的平稳性。
步骤506，建立模型，对模型做拟合效果检验、残差的白噪声检验，如果通过检验，那么同时要检验预测结果的准确性和时效性等；准确性检验：主要是预测结果的准确率检验；时效性检验：主要是预测结果与同期同时段的客流进行对比分析，分析偏差率等。根据差分后序列的自相关函数图和偏自相关函数图的性质，确定乘积ARIMA模型的相关参数。
根据自相关图和相关图，分析序列的截尾、拖尾等性质。
乘积ARIMA模型表示为ARIMA(p,d,q)(P,D,Q)S，其中，P,Q为季节性的自回归和移动平均阶数，D为季节差分的阶数，S为季节周期。
模型的数学计算公式为：
其中，B为延迟算子；
为d阶差分；
为p阶自回归系数多项式；
Θ(B)＝T-θ1B-…-θqBq为q阶移动平均系数多项式；
为PS阶自回归系数多项式；
Θs(B)＝1-θ1Bs-…-θQBQS为QS阶移动平均系数多项式。
需要确定的参数为Φ(B)、Θ(B)、ΘS(B)、ΘS(B)等。
建立乘积ARIMA模型，并诊断模型预测出来的数据符合原始数据特征。
乘积ARIMA模型：时间序列模型(乘积移动平均自回归模型)。
原始数据特征主要包括符合正常情况下客流量的变化趋势及波动趋势等。
步骤304，对所述模型进行检验，通过计算预测结果和实际值的平均绝对百分误差来对模型进行精度检验；
其中，灰色预测法对含有不确定因素的系统进行预测。轨道交通客流受到车站周边环境变化、其他公共交通工具的分布、乘客出行的便利程度、气象、共享单车等因素影响，有些影响因素的数据是不能拿到的，也有时候拿到的数据很多时候不是准确的或实时的，导致预测结果的不准确性，误差率提升，所以在这种情况下，灰色预测模型能较高的提升预测准确率。
灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其流程如图3所示，包括以下步骤：
步骤601，数据质量检查，主要包括重复值检查、离散值检查、空值检查、极值检查等；数据预处理是对重复值、离散值、空值、极值经过转换、替换、删除等方式处理成正常的数据，提高模型准确率。
步骤602，数据处理
判断级比是否在范围之内；并且要对数据计算累加序列，使得毫无规律的原始序列转化成有规律的灰色序列，主要目的是弱化波动性和随机性是灰色预测中级比的可覆盖区域，其中n代表样本的个数。
步骤603，建立灰色预测模型，并计算参数，及发展系数和灰色作用量。
灰色预测，是指对系统行为特征值的发展变化进行的预测，对既含有已知信息又含有不确定信息的系统进行的预测，也就是对在一定范围内变化的、与时间序列有关的灰过程进行预测。
灰色预测模型公式：
其中，a为发展系数，u为灰色作用量，也成为内生发展灰数。
步骤604，模型检验，计算模型残差(相对误差)δ、精准率，对照精度检验等级对照表进行模型检验残差计算：用相对残差值δ(i)表示实际值x(0)(i)与模型值的误差：
关联度ε、方差比c、小误差概率p，对照精度检验等级对照表进行模型检验关联度计算：计算x(0)的模拟值，公式如下：
计算x(0)和的绝对误差△(i)，公式如下：
计算最小差和最大差，公式如下：
Δmin＝min{(Δ(i))} (i＝1，2，...，n)
Δmax＝max{(Δ(i))} (i＝1，2，...，n)
计算关联度系数ξ(i)，公式如下：
式中，ξ(i)为第i个数据的关联度系数；ρ为取定的最大百分比，一般取50％，即ρ＝0.5。
计算关联度ξ，公式如下：
一般情况下取定最大差百分比为50％，即ρ＝0.5。根据经验，若关联度ξ大于 0.6，便认为模型有足够的精度。
方差比和小误差概率计算：计算原始数列x(0)的均值和均方差s0，公式如下：
计算绝对误差Δ(i)的均值和均方差s1，公式如下：
计算方差比C和小误差概率P，公式如下：
精确度等级划分如下表所示：
精确度等级划分表
步骤305，使用报表管理工具生成预测结果报表，用户查看生成的预测数据报表，保存预测结果数据，并可以根据实际情况导出预测结果报表。利用图表、柱状图、饼图、线性图、散点图、动态图、雷达图等等对预测结果进行可视化，使其能更直观的体现出来，让运营管理人员、相关工作人员和领导层能够直观的看到结果，更好的进行运营管理和作出决策，保证线网的正常运营和安全运营，并可以把结果传输到辅助决策系统，起到辅助决策的作用；
步骤306，模型优化，采用客流波动率等对模型预测结果进行修正等。
本发明实施3提供了一种轨道交通大客流预测应用方法，大客流预测是以历史客流数据为依据，充分挖掘历史OD数据规律或同类型大型活动的基础上，预测大客流发生后轨道交通线网站间OD量，并通过客流分配模型快速实现预测OD量在全网的分布，为线网大型活动运力配置计划、客运组织等业务提供支持。客流预测系统的预测的大客流事件主要包括周末客流预测、节假日客流预测、以及南京市主要大型场馆举办的体育赛事、演唱会等大型活动客流预测，这类活动具有确定的发生时间范围和吸引客流量。可预知的大客流事件对线网客流影响的预测是以历史客流数据为依据，结合大客流事件发生的时间、地点、客流大小等实际情况，在充分挖掘历史OD数据规律或同类型大型活动的基础上，预测大客流发生后轨道交通线网站间OD量，并通过客流分配模型快速实现预测 OD量在全网的分布，大客流预测的预测结果主要包括各线路区间断面流量、换乘站点换乘量、累计客运量等)，为线网大型活动运力配置计划、客运组织等业务提供支持。该方法具体包括以下步骤：
步骤401，设定预测时间间隔和时间维度，根据所述设定预测时间间隔和时间维度，获取AFC实时客流数据作为预测输入数据。
用户通过时间控制选择预测的日期、时间段(起始时间、结束时间)，时间段选择精确到分；大客流预测主要包括：周末客流预测、节假日客流预测、大型活动日客流预测等；其中，节假日客流预测根据放假天数可以分为3天假期客流预测、7天假期客流预测、春运客流预测、寒暑假客流预测等；根据用户选择的预测日期等条件，系统自动选择指定预测日期和时间段之相同的前五年(用户可以自由选择输入数据时间段，如果不选择将采用默认时间段数据作为输入数据)的同期客流数据、节前4天节后3天(3天假期客流预测)客流数据、节前5天节后3天(7天假期客流预测)、节前10天节后7天(春运客流预测)客流数据等作为预测输入数据；天气数据，包括最高温度、最低温度、风力、天气、降雨量等；外界影响数据、周边环境数据等。
步骤402，对所述预测输入数据进行预处理
主要对数据离群值、离散值、异常值、极值、重复值等进行数据清理、数据集成、数据变换、数据规约等处理。其中，同一属性的正常值替换、取最近两个同一属性的值的均值等。
步骤403，选取算法，并对预处理后的数据进行模型拟合
大客流预测模型运用灰色预测法、时间序列法，支持向量机、比例系数法等算法进行模型拟合，预测效果更佳，准确率更高，但他们输入数据的多少有很大差异，所以系统中会嵌入这几种算法，并针对不同的算法自动调整输入数据的时间范围。系统默认用极限学习机算法来实现大客流预测模型。算法：灰色预测法、时间序列法，支持向量机、比例系数法等。
步骤404，对所述模型进行检验
模型预测准确率检验主要有正确性分析、有效性分析、有用性分析、高效性分析、模型显著性检验、模型拟合优度检验等；在模型拟合完成后，输出结果的同时会输出模型F检验和T检验值，以及模型的拟合优度R2，可以通过F 检验值、T检验值、拟合优度R2来判断模型的拟合效果；如果模型拟合效果不好，则可以预测已经发生时间段的客流，并根据已经发生的实际客流进行参数调整和模型优化。客流实际发生后，支持用户按照指定的模版载入实际客流数据，并与预测结果进行对比，分析误差率等。
步骤405，模型预测结果可以使用报表管理工具自动生成预测结果报表，用户可以查看生成的预测数据报表，保存预测结果数据，并可以导出预测结果报表。
步骤406，实时客流模型预测结果可以和已经发生的实时客流一起拟合客流实时变化曲线，已经发生的用实线显示，预测值用虚线来表示；还可以对预测结果和过去同期数据进行对比分析，形成饼图、柱状图、线性图、热力图等，其中热力图可以实时看到各个车站、各条线路、整个线网的客流变化情况，以及是否达到极限值、是否达到预先设定好的报警阈值等，及时提醒运营人员，辅助运营人员决策，进行更好的运营管理，保证线路、线网的畅通运营和安全运营。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种轨道交通客流预测的应用方法，其特征在于，包括：
设定预测时间间隔和时间维度，根据设定预测时间间隔和时间维度，获取AFC实时客流数据作为预测输入数据；
对预测输入数据进行预处理；
选取算法，并对预处理后的数据进行模型拟合；
对所述模型进行检验；
生成预测结果报表；
对预测结果报表中数据进行可视化输出。
2.根据权利要求1所述的轨道交通客流预测的应用方法，其特征在于，所述对模型进行检验，之后还包括：如果模型拟合效果不好，则预测已经发生时间段的客流，并根据已经发生的实际客流进行参数调整和模型优化。
3.根据权利要求1所述的轨道交通客流预测的应用方法，其特征在于，所述对预测输入数据进行预处理，具体包括：
对数据离群值、离散值、异常值、极值或重复值进行数据清理、数据集成、数据变换或数据规约处理。
4.根据权利要求1所述的轨道交通客流预测的应用方法，其特征在于，所述算法包括：系数法、二次指数平滑法、平均值预测法、时间序列法或灰色预测法。
5.根据权利要求4所述的轨道交通客流预测的应用方法，其特征在于，采用时间序列法获得预测结果后，还包括修正预测结果步骤：
对预测结果数据进行质量检查，检查数据的完整性；
对预测结果数据进行预处理；
判断预测结果数据中各站进出站量的平稳性，如果平稳，则拟合模型；如果不平稳，则进行差分处理；
对差分处理后数据进行相关分析，如果平稳性，则拟合模型。
6.根据权利要求5所述的轨道交通客流预测的应用方法，其特征在于，所述检查数据的完整性，具体包括：检查字段的数据值及其描述是否完全，或检查记录的合计值是否完全。
7.根据权利要求1所述的轨道交通客流预测的应用方法，其特征在于，所述对模型进行检验采用灰色预测法，具体包括：
数据质量检查；
判断级比是否在范围之内；并且要对数据计算累加序列，使得毫无规律的原始序列转化成有规律的灰色序列，其中n代表样本的个数；
建立灰色预测模型，并计算参数，及发展系数和灰色作用量；
计算预测结果，并对结果进行离散化处理。
8.根据权利要求1所述的轨道交通客流预测的应用方法，其特征在于，所述对模型进行检验，具体包括：正确性分析、有效性分析、有用性分析、高效性分析、模型显著性检验和模型拟合优度检验。
9.根据权利要求1所述的轨道交通客流预测的应用方法，其特征在于，所述进行模型拟合后，输出结果的同时会输出模型F检验值和T检验值，以及模型的拟合优度R2，通过F检验值、T检验值、拟合优度R2来判断模型的拟合效果。
CN201910391223.8A 2019-05-11 2019-05-11 一种轨道交通客流预测的应用方法 Pending CN110119845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910391223.8A CN110119845A (zh) 2019-05-11 2019-05-11 一种轨道交通客流预测的应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910391223.8A CN110119845A (zh) 2019-05-11 2019-05-11 一种轨道交通客流预测的应用方法

Publications (1)

Publication Number Publication Date
CN110119845A true CN110119845A (zh) 2019-08-13

Family

ID=67522120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910391223.8A Pending CN110119845A (zh) 2019-05-11 2019-05-11 一种轨道交通客流预测的应用方法

Country Status (1)

Country Link
CN (1) CN110119845A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160840A (zh) * 2019-11-27 2020-05-15 北京中交兴路信息科技有限公司 一种车辆服务站的流量估计方法和系统
CN111553737A (zh) * 2020-04-30 2020-08-18 北京金山安全软件有限公司 一种营业时间预测方法和装置
CN111737314A (zh) * 2020-06-13 2020-10-02 北京京投亿雅捷交通科技有限公司 一种运营日系统的客流信息检测方法
CN111783356A (zh) * 2020-06-29 2020-10-16 清华大学深圳国际研究生院 一种基于人工智能的石油产量预测方法和装置
CN111985716A (zh) * 2020-08-21 2020-11-24 北京交通大学 一种客运信息可视化的客运量预测系统
CN112001539A (zh) * 2020-08-21 2020-11-27 北京交通大学 一种高精度的客运预测方法及客运预测系统
CN112036670A (zh) * 2020-11-03 2020-12-04 成都智元汇信息技术股份有限公司 一种客流综合预测系统及预测方法
CN112149059A (zh) * 2020-09-08 2020-12-29 中铁第五勘察设计院集团有限公司 构建城市间客流分担模型的方法和装置
CN112836951A (zh) * 2021-01-26 2021-05-25 深圳市泰比特科技有限公司 一种基于大数据的共享单车云平台智能调度方法及系统
CN113111573A (zh) * 2021-03-24 2021-07-13 桂林电子科技大学 基于gru的滑坡位移预测方法
CN113191560A (zh) * 2021-05-08 2021-07-30 北京工业大学 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统
CN113705382A (zh) * 2021-08-12 2021-11-26 捻果科技(深圳)有限公司 一种用于旅客离机离开航空器的始终时间的自动识别方法
CN113987944A (zh) * 2021-10-29 2022-01-28 成都智元汇信息技术股份有限公司 基于Prophet模型的地铁进站客流预测方法及装置
CN115564151A (zh) * 2022-12-06 2023-01-03 成都智元汇信息技术股份有限公司 一种基于形态识别的突发大客流形态识别方法及系统
CN116151598A (zh) * 2023-04-20 2023-05-23 武汉嘉联瑞通应用科技有限公司 一种基于客流量同步优化的智能公交均衡调度方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021430A (zh) * 2014-06-12 2014-09-03 东南大学 一种城市轨道交通站点客流不确定性分析方法
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN107180278A (zh) * 2017-05-27 2017-09-19 重庆大学 一种轨道交通实时客流预测方法
CN107403241A (zh) * 2017-08-02 2017-11-28 北京城建设计发展集团股份有限公司 一种城市轨道交通客流二阶波动性计算方法
CN108280540A (zh) * 2018-01-10 2018-07-13 东南大学 轨道交通站点短时客流状态预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021430A (zh) * 2014-06-12 2014-09-03 东南大学 一种城市轨道交通站点客流不确定性分析方法
CN107103394A (zh) * 2017-05-27 2017-08-29 重庆大学 一种基于神经网络的轨道交通实时客流预测方法
CN107180278A (zh) * 2017-05-27 2017-09-19 重庆大学 一种轨道交通实时客流预测方法
CN107403241A (zh) * 2017-08-02 2017-11-28 北京城建设计发展集团股份有限公司 一种城市轨道交通客流二阶波动性计算方法
CN108280540A (zh) * 2018-01-10 2018-07-13 东南大学 轨道交通站点短时客流状态预测方法及装置

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160840B (zh) * 2019-11-27 2023-07-25 北京中交兴路信息科技有限公司 一种车辆服务站的流量估计方法和系统
CN111160840A (zh) * 2019-11-27 2020-05-15 北京中交兴路信息科技有限公司 一种车辆服务站的流量估计方法和系统
CN111553737A (zh) * 2020-04-30 2020-08-18 北京金山安全软件有限公司 一种营业时间预测方法和装置
CN111553737B (zh) * 2020-04-30 2023-08-22 北京金山安全软件有限公司 一种营业时间预测方法和装置
CN111737314A (zh) * 2020-06-13 2020-10-02 北京京投亿雅捷交通科技有限公司 一种运营日系统的客流信息检测方法
CN111783356B (zh) * 2020-06-29 2024-03-29 清华大学深圳国际研究生院 一种基于人工智能的石油产量预测方法和装置
CN111783356A (zh) * 2020-06-29 2020-10-16 清华大学深圳国际研究生院 一种基于人工智能的石油产量预测方法和装置
CN111985716B (zh) * 2020-08-21 2024-05-14 北京交通大学 一种客运信息可视化的客运量预测系统
CN112001539A (zh) * 2020-08-21 2020-11-27 北京交通大学 一种高精度的客运预测方法及客运预测系统
CN112001539B (zh) * 2020-08-21 2024-03-29 北京交通大学 一种高精度的客运预测方法及客运预测系统
CN111985716A (zh) * 2020-08-21 2020-11-24 北京交通大学 一种客运信息可视化的客运量预测系统
CN112149059A (zh) * 2020-09-08 2020-12-29 中铁第五勘察设计院集团有限公司 构建城市间客流分担模型的方法和装置
CN112149059B (zh) * 2020-09-08 2023-12-19 中铁第五勘察设计院集团有限公司 构建城市间客流分担模型的方法和装置
CN112036670A (zh) * 2020-11-03 2020-12-04 成都智元汇信息技术股份有限公司 一种客流综合预测系统及预测方法
CN112836951B (zh) * 2021-01-26 2023-10-24 深圳市泰比特科技有限公司 一种基于大数据的共享单车云平台智能调度方法及系统
CN112836951A (zh) * 2021-01-26 2021-05-25 深圳市泰比特科技有限公司 一种基于大数据的共享单车云平台智能调度方法及系统
CN113111573B (zh) * 2021-03-24 2022-09-23 桂林电子科技大学 基于gru的滑坡位移预测方法
CN113111573A (zh) * 2021-03-24 2021-07-13 桂林电子科技大学 基于gru的滑坡位移预测方法
CN113191560A (zh) * 2021-05-08 2021-07-30 北京工业大学 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统
CN113705382A (zh) * 2021-08-12 2021-11-26 捻果科技(深圳)有限公司 一种用于旅客离机离开航空器的始终时间的自动识别方法
CN113705382B (zh) * 2021-08-12 2024-02-20 捻果科技(深圳)有限公司 一种用于旅客离机离开航空器的始终时间的自动识别方法
CN113987944A (zh) * 2021-10-29 2022-01-28 成都智元汇信息技术股份有限公司 基于Prophet模型的地铁进站客流预测方法及装置
CN115564151A (zh) * 2022-12-06 2023-01-03 成都智元汇信息技术股份有限公司 一种基于形态识别的突发大客流形态识别方法及系统
CN116151598A (zh) * 2023-04-20 2023-05-23 武汉嘉联瑞通应用科技有限公司 一种基于客流量同步优化的智能公交均衡调度方法及系统

Similar Documents

Publication Publication Date Title
CN110119845A (zh) 一种轨道交通客流预测的应用方法
CN107045788B (zh) 交通路况预测方法及装置
Russo et al. Air quality prediction using optimal neural networks with stochastic variables
Gurmu et al. Artificial neural network travel time prediction model for buses using only GPS data
Mazloumi et al. An integrated framework to predict bus travel time and its variability using traffic flow data
CN110705772B (zh) 区域电网风力发电功率预测优化方法和装置
CN108985570A (zh) 一种负荷预测方法及其系统
CN116013087B (zh) 一种基于城市运动车辆检测的车流量统计方法
JP7157620B2 (ja) 予測システムおよび予測方法
Hasnine et al. Tour-based mode choice modelling as the core of an activity-based travel demand modelling framework: A review of state-of-the-art
CN110334732A (zh) 一种基于机器学习的空气质量预报方法和装置
WO2023088212A1 (zh) 一种基于集成学习的在线机组负荷预测方法
CN106803129A (zh) 一种基于多源数值天气预报的风电功率集合预测方法
CN116843071B (zh) 一种用于智慧港口的运输网络运行指数预测方法及装置
CN116205541B (zh) 评估本地污染源对环境空气质量影响的方法及装置
CN110705771A (zh) 区域电网新能源发电功率预测优化方法和装置
CN114266384A (zh) 一种基于融合模型的快速预测台风路径的方法及其装置
CN116167585A (zh) 应用于垃圾运收的数据处理方法、装置、设备及调度系统
CN110705768A (zh) 用于风电场的风力发电功率预测优化方法和装置
CN116432806A (zh) 一种航班地面保障节点时间的滚动预测方法和系统
San Pedro et al. A case-based fuzzy multicriteria decision support model for tropical cyclone forecasting
CN114463978A (zh) 一种基于轨道交通信息处理终端的数据监测方法
CN115169731A (zh) 一种智慧校园能耗预测方法、装置、设备及介质
CN108830509B (zh) 一种巡游出租车运力规模动态调整方法
CN112785044A (zh) 公共交通工具的实时满载率预测方法、装置、设备和介质

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: 20190813

RJ01 Rejection of invention patent application after publication