CN110222873A - 一种基于大数据的地铁站客流量预测方法 - Google Patents
一种基于大数据的地铁站客流量预测方法 Download PDFInfo
- Publication number
- CN110222873A CN110222873A CN201910398192.9A CN201910398192A CN110222873A CN 110222873 A CN110222873 A CN 110222873A CN 201910398192 A CN201910398192 A CN 201910398192A CN 110222873 A CN110222873 A CN 110222873A
- Authority
- CN
- China
- Prior art keywords
- feature
- subway station
- data
- passenger
- method based
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001680 brushing effect Effects 0.000 claims abstract description 27
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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"
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于大数据的地铁站客流量预测方法，主要是通过对地铁站历史刷卡数据进行预处理和分析，构建特征，对特征进行选择，建立多个机器学习模型并进行融合，根据地铁站历史刷卡数据对地铁站在未来的客流量进行预测，以帮助实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等，最终实现用大数据和人工智能等技术助力未来城市安全出行。
Description
技术领域
本发明涉及机器学习、大数据处理、人工智能领域，尤其是地铁站客流量预测方法。
背景技术
当今世界城市化和工业化飞速发展，大量的人口涌入城市，给城市管理和城市交通带来巨大的压力。而地铁作为城市交通的中坚力量，能有效缓解交通拥堵，提高城市交通的效率。地铁存在着速度快，时间短，票价低和便捷等优点，因此，越来越多的人选择乘坐地铁出行，节约了时间，还避免了道路交通拥堵，减小交通压力。对于地铁乘客出行行为规律的研究是地铁研究的重要基础。随着我国城市地铁交通建设的发展，城市化进程的快速推进，地铁交通在城市交通中占比也越来越大。随着地铁客流量的不断增大，地铁安保问题也日益显现出来。
地铁目前是城市交通出行的主要工具之一，地铁站突发人流量的增加极容易引起拥塞，引发大客流对冲，造成安全隐患。因此，地铁运营部门和公安机关亟需通过流量预测技术提前部署相应的安保策略，保障市民安全出行。因此如何通过分析地铁人流相关数据，挖掘隐藏在背后的出行规律，准确预测各个地铁站点未来流量的变化，已经成为地铁出行方面急需解决的问题，用大数据和人工智能等技术助力未来城市安全出行已经成为一个重要研究方向及技术难题。
发明内容
为了解决上述问题，本文发明提供一种基于大数据的地铁站客流量预测方法，用以实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等，最终实现用大数据和人工智能等技术助力未来城市安全出行。
本发明采用的技术方案是：一种基于大数据的地铁站客流量预测方法，包括以下步骤：
101.对地铁站的历史刷卡数据进行预处理操作；
102.根据地铁站历史刷卡数据划分训练集数据和验证集数据；
103.对地铁站的历史刷卡数据进行特征工程操作，构建特征；
104.对构建的特征进行特征选择；
105.建立多个机器学习模型，并进行模型融合操作，获得最终模型；
106.通过建立的最终模型，根据地铁站历史刷卡数据对地铁站未来的客流量进行预测。
进一步，所述预处理操作包括：
缺失值的处理：当字段缺失率小于30％时，采用EM算法对缺失数据进行极大似然估计；E步通过对给定数据的观测，对地铁站历史刷卡数据的缺失值求出条件期望，并且利用计算出的条件期望对缺失数据进行填充插补；M步是做极大化似然估计，对M步之后的完整地铁站历史刷卡数据的参数进行极大似然估计。当字段缺失率大于等于30％时，对样本采取删除操作。
异常数据样本的处理：当某几条数据样本表示同一旅客ID在同一或者不同地铁站同一天连续两次刷卡进站或者出站，只保留时间戳最早的数据，其余数据进行删除处理。
原始时间字段time处理：将time字段分解为年月日字段、小时字段和分钟字段。
其他处理：对于地铁站之间的邻接关系制作邻接矩阵表，并通过邻接矩阵表求解任意两站之间的最短路径。
进一步，所述训练集数据和验证集数据的划分采取按时间段滑窗法划分数据，训练集与验证集特征区间日为标签区间日的前一天；验证集的构建采用滑窗窗口层面上的留一交叉验证法，将一个窗口留出作为验证集。
进一步，所述构建特征包括基础计数特征、关联特征、业务特征、强化特征和时序特征。
所述基础特征：包括每个地铁站每小时进站出站客流量总数和地铁站的ID。
所述关联特征：包括站点相邻几个站点某一时段内的客流量和地铁站的临站个数。
所述业务特征：包括常驻人口流量、旅游人口流量和随机人口流量。将特征区间旅客流量按照旅客类型分类进行统计提取，通过分析旅客出行习惯将旅客分类：若旅客的刷卡历史纪录具有周期性，此类旅客判定为常驻人口；若旅客的刷卡历史纪录只在一段连续时间内出现，将旅客判定为旅游人口；若旅客的刷卡历史纪录不具备规律性，则将旅客判定为随机人口。
所述强化特征：包括天气情况、最高温度、最低温度、风向、风速、紫外线强度、穿衣指数、舒适指数和旅游指数。
所述时序特征：将小时和分钟加入到特征工程当中，小时直接作为连续特征，分钟需要进行如下分箱操作：60分钟分为6箱，并为其标号0-5。
具体地，所述特征选择的具体步骤为：首先Xgboost模型训练完成后输出特征的重要性，对特征重要性进行排序后保留top75％的特征；其次使用最大信息系数计算特征与目标之间的互信息值，按互信息值进行正序排序，选取前75％特征；再使用距离相关系数计算特征与目标之间的距离值，按距离值进行倒序排序，选取前75％特征；最后将三次保留的特征取交集，得到最终的特征集。
本发明中所述模型融合操作采用改进的单模型bagging方法：每次先随机采集一个样本放入采样集，记录该样本采样次数，接着把该样本放回，在下次采样时该样本仍有可能被采集到；若同一样本被采样到3次，则从原始训练集中删去该样本。
本发明的有益效果如下：
本发明通过对地铁站历史刷卡数据进行分析，对原始数据进行清洗，使用了EM算法对缺失值进行填充，解决其中存在的问题，并为地铁站流量预测构建了针对性和可解释性高的特征工程，为地铁站客流量预测提供了具有针对性的单模型融合方法：改进的单模型bagging方法。本发明为地铁站客流量预测提供了一种可靠的解决方法，为地铁安保部署，保障安全出行所需的流量预测数据提供了解决办法。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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为本发明提供的一种基于大数据的地铁站客流量预测方法的流程图；
图2为本发明提供的一种基于大数据的地铁站客流量预测方法中地铁站进站客流量与日期时间的关系变化图；
图3为本发明提供的一种基于大数据的地铁站客流量预测方法中地铁站一天内进站客流量与时间的关系变化图；
图4为本发明提供的一种基于大数据的地铁站客流量预测方法中基于LightGBM的改进的单模型bagging模型流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参考图1，提供了一种基于大数据的地铁站客流量预测方法的流程图，具体包括：
101.对地铁站的历史刷卡数据进行预处理操作；
102.根据地铁站历史刷卡数据划分训练集数据、验证集数据；
103.对地铁站的历史刷卡数据进行特征工程操作，构建特征；
104.对构建的特征进行特征选择；
105.通过建立多个机器学习模型，并进行模型融合操作；
106.通过最终建立的模型，根据地铁站历史刷卡数据对地铁站未来的客流量进行预测。
本发明的具体实施方式中可以采用图2和图3的数据作为地铁站历史刷卡数据。
步骤101中对地铁站的历史刷卡数据进行预处理操作，具体步骤为：
1011.缺失值的处理：采用两种解决办法：办法一是对于字段缺失率在小于30％的样本，采用EM方法填充缺失值；在E步通过对给定数据的观测，对地铁站历史刷卡数据的缺失值求出条件期望，并且利用计算出的条件期望对缺失数据进行填充插补；M步是做极大化似然估计，对M步之后的完整地铁站历史刷卡数据的参数进行极大似然估计。办法二是对于字段缺失率大于等于30％的样本采取删除操作。
1012.异常数据样本的处理：若某几条数据样本表示同一旅客ID在同一或者不同地铁站同一天连续两次刷卡进站或者出站，此类数据将被视为异常数据，只保留时间戳最早的数据，其余数据进行删除处理。
1013.原始时间字段time处理：原始数据字段time为年月日-时分秒连在一起的时间字符串，为便于后续操作的使用，将time字段分解为年月日字段、小时字段、分钟字段共三个字段。
1014.对于地铁站之间的邻接关系制作邻接矩阵表，并通过邻接矩阵表求解任意两站之间的最短路径，表征旅客优先考虑的出行路线。
步骤102中划分训练集数据、验证集数据的具体步骤为：本发明采取按时间段滑窗法划分数据，训练集与验证集特征区间日为标签区间日的前一天，即仅使用客流量预测日前一天的数据作为特征区间，更好的预测地铁站未来的客流量。本发明中验证集的构建采用滑窗窗口层面上的留一交叉验证方法，将一个窗口留出作为验证集，因此可根据滑窗次数调整交叉验证折数，保证训练集验证集同分布。
步骤103对地铁站的历史刷卡数据进行特征工程操作，构建特征操作具体步骤为：
根据对地铁站历史刷卡数据的分析，为训练集以及验证集构建特征，进行特征工程的操作，上述所进行的特征工程的构建是指基础计数特征、关联特征、业务特征和强化特征和时序特征。
1031.基础特征：通过对地铁站历史刷卡记录进行分析和统计，得到特征区间每个地铁站每小时进站出站客流量总数，直接作为特征；此外，地铁站的ID也当作特征。
1032.关联特征：为了使预测更为可靠，考虑地铁站点之间流量的关系。不同站点之间的客流量同样存在联系，在某一时段内某地铁站客流量的变化，会影响其他站点客流量的变化。提取得到站点相邻几个站点某一时段内的客流量统计作为特征。提取特征将按照如下公式(1)进行，其中Ti为与预测地铁站距离为i的地铁站的客流量，n表示地铁站预测时间之前相差n个时间单位的时间戳，Fn为特征：
另一个重要的关联特征是地铁站的临站个数。将地铁站线路图转化为邻接矩阵，统计每一个站点的相邻站的个数并作为特征。
1033.业务特征：不同类型的旅客流量变化会影响对未来地铁站客流量的预测，将特征区间旅客流量进行更加详细统计，即按照旅客类型分类进行统计提取，通过分析旅客出行习惯将旅客分类：若旅客的刷卡历史纪录具有周期性，此类旅客判定为常驻人口A类型；若旅客的刷卡历史纪录只在一段连续时间内出现，将旅客判定为旅游人口B类型；若旅客的刷卡历史纪录不具备规律性，则将旅客判定为随机人口C类型。根据旅客的不同类型分类提取地铁站不同时间段的客流量。而对旅客类型的判断，是通过对地铁站历史刷卡数据按日进行分析，统计旅客ID出现次数和日期，分析旅客ID出现是否具有周期性、连续性或随机性。
1034.强化特征：对地铁站未来客流量的预测还需要将天气等因素考虑在内，预测未来地铁站客流量，需要考虑当天天气、最高温度、最低温度、风向、风速、紫外线强度、穿衣指数、舒适指数、旅游指数，除最高温度和最低温度外，其余离散特征需要做独热编码处理后，才能将其作为特征直接使用。由于独热编码会产生维数庞大的稀疏矩阵，因此需要将独热编码后的系数特征矩阵使用csr_matrix的稀疏存储方式，进行存储，减少特征维数。
1035.时序特征：对地铁站某一时段的客流量进行预测，时间也需要作为特征的一部分，将小时和分钟加入到特征工程当中。小时直接作为连续特征，分钟需要进行如下分箱操作：60分钟分为6箱，并为其标号0-5，具体操作公式如下，其中Mx为输入分钟数，My为分钟转换输出，为向下取整符：
步骤104对构建的特征进行特征选择具体操作步骤为：首先使用基于Xgboost学习模型的特征重要性排序方法：Xgboost学习模型模型训练完成后可以输出特征的重要性，对特征重要性进行排序后保留top75％的特征；其次使用最大信息系数计算特征与目标之间的互信息值，按互信息值进行正序排序，选取前75％特征；再使用距离相关系数计算特征与目标之间的距离值，按距离值进行倒序排序，选取前75％特征；最后将三次保留的特征取交集，得到最终的特征集。
步骤105通过建立多个机器学习模型，并进行模型融合操作的具体步骤为：改进的单模型bagging方法，如图4所示：每次先随机采集一个样本放入采样集，记录该样本采样次数，接着把该样本放回，在下次采样时该样本仍有可能被采集到。若同一样本被采样到3次，则从原始训练集中删去该样本，即同一样本可重复采样次数为3。单学习器即单模型采用LightGBM，并且采用MAE达到12的参数设置，其中boosting采用gbdt，学习率learning_rate设置为0.06，最大树深度max_depth设置为6，叶子数num_leaves设置为30，正则项lambda_11设置为0.5，lambda_12为0.2，最小子权重min_child_weight设置为25，使用上述采样方式训练20个LightGBM子模型后。针对每一样本均有20个预测结果，删除预测结果中最大和最小共两个预测结果，剩余18个预测结果进行求均值运算，得到最终预测结果。
步骤106通过最终建立的模型，根据地铁站历史刷卡数据对地铁站未来的客流量进行预测的具体操作为：根据步骤106所得到的预测结果作为地铁站未来客流量预测结果，为铁运营部门和公安机关提前部署相应的安保策略，保障市民安全出行提供了解决策略。
Claims (9)
1.一种基于大数据的地铁站客流量预测方法，其特征在于，包括以下步骤：
101.对地铁站的历史刷卡数据进行预处理操作；
102.根据地铁站历史刷卡数据划分训练集数据和验证集数据；
103.对地铁站的历史刷卡数据进行特征工程操作，构建特征；
104.对构建的特征进行特征选择；
105.建立多个机器学习模型，并进行模型融合操作，获得最终模型；
106.通过建立的最终模型，根据地铁站历史刷卡数据对地铁站未来的客流量进行预测。
2.根据权利要求1所述一种基于大数据的地铁站客流量预测方法，其特征在于：所述预处理操作包括：
缺失值的处理：当字段缺失率小于30％时，采用EM算法对缺失数据进行极大似然估计；当字段缺失率大于等于30％时，对样本采取删除操作；
异常数据样本的处理：当某几条数据样本表示同一旅客ID在同一或者不同地铁站同一天连续两次刷卡进站或者出站，只保留时间戳最早的数据，其余数据进行删除处理；
原始时间字段time处理：将time字段分解为年月日字段、小时字段和分钟字段；
其他处理：对于地铁站之间的邻接关系制作邻接矩阵表，并通过邻接矩阵表求解任意两站之间的最短路径。
3.根据权利要求2所述一种基于大数据的地铁站客流量预测方法，其特征在于：所述EM算法中，E步通过对给定数据的观测，对地铁站历史刷卡数据的缺失值求出条件期望，并且利用计算出的条件期望对缺失数据进行填充插补；M步是做极大化似然估计，对M步之后的完整地铁站历史刷卡数据的参数进行极大似然估计。
4.根据权利要求1所述一种基于大数据的地铁站客流量预测方法，其特征在于：所述训练集数据和验证集数据的划分采取按时间段滑窗法划分数据，训练集与验证集特征区间日为标签区间日的前一天；验证集的构建采用滑窗窗口层面上的留一交叉验证法，将一个窗口留出作为验证集。
5.根据权利要求1所述一种基于大数据的地铁站客流量预测方法，其特征在于：所述构建特征包括基础计数特征、关联特征、业务特征、强化特征和时序特征。
6.根据权利要求5所述一种基于大数据的地铁站客流量预测方法，其特征在于：所述基础特征：包括每个地铁站每小时进站出站客流量总数和地铁站的ID；
所述关联特征：包括站点相邻几个站点某一时段内的客流量和地铁站的临站个数；
所述业务特征：包括常驻人口流量、旅游人口流量和随机人口流量；
所述强化特征：包括天气情况、最高温度、最低温度、风向、风速、紫外线强度、穿衣指数、舒适指数和旅游指数；
所述时序特征：将小时和分钟加入到特征工程当中，小时直接作为连续特征，分钟需要进行如下分箱操作：60分钟分为6箱，并为其标号0-5。
7.根据权利要求6所述一种基于大数据的地铁站客流量预测方法，其特征在于：将特征区间旅客流量按照旅客类型分类进行统计提取，通过分析旅客出行习惯将旅客分类：若旅客的刷卡历史纪录具有周期性，此类旅客判定为常驻人口；若旅客的刷卡历史纪录只在一段连续时间内出现，将旅客判定为旅游人口；若旅客的刷卡历史纪录不具备规律性，则将旅客判定为随机人口。
8.根据权利要求1所述一种基于大数据的地铁站客流量预测方法，其特征在于：所述特征选择的具体步骤为：
首先Xgboost模型训练完成后输出特征的重要性，对特征重要性进行排序后保留top75％的特征；其次使用最大信息系数计算特征与目标之间的互信息值，按互信息值进行正序排序，选取前75％特征；再使用距离相关系数计算特征与目标之间的距离值，按距离值进行倒序排序，选取前75％特征；最后将三次保留的特征取交集，得到最终的特征集。
9.根据权利要求1所述一种基于大数据的地铁站客流量预测方法，其特征在于：所述模型融合操作采用改进的单模型bagging方法：每次先随机采集一个样本放入采样集，记录该样本采样次数，接着把该样本放回，在下次采样时该样本仍有可能被采集到；若同一样本被采样到3次，则从原始训练集中删去该样本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398192.9A CN110222873B (zh) | 2019-05-14 | 2019-05-14 | 一种基于大数据的地铁站客流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398192.9A CN110222873B (zh) | 2019-05-14 | 2019-05-14 | 一种基于大数据的地铁站客流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110222873A true CN110222873A (zh) | 2019-09-10 |
| CN110222873B CN110222873B (zh) | 2023-10-31 |
Family
ID=67821090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910398192.9A Active CN110222873B (zh) | 2019-05-14 | 2019-05-14 | 一种基于大数据的地铁站客流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222873B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853347A (zh) * | 2019-10-14 | 2020-02-28 | 深圳市综合交通运行指挥中心 | 一种短时交通路况预测方法、装置及终端设备 |
| CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
| CN111414719A (zh) * | 2020-04-28 | 2020-07-14 | 中南大学 | 地铁站周边特征提取、交通需求估计方法及装置 |
| CN111678531A (zh) * | 2020-06-18 | 2020-09-18 | 李�昊 | 一种基于LightGBM的地铁路径规划方法 |
| CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
| CN111754326A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
| CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| CN111985731A (zh) * | 2020-09-09 | 2020-11-24 | 中国科学院自动化研究所 | 城市公共交通站点人数的预测方法及系统 |
| CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
| CN112686428A (zh) * | 2020-12-15 | 2021-04-20 | 广州新科佳都科技有限公司 | 基于地铁线网站点相似性的地铁客流预测方法及装置 |
| CN113159364A (zh) * | 2020-12-30 | 2021-07-23 | 中国移动通信集团广东有限公司珠海分公司 | 一种大型交通场站的客流预测方法及系统 |
| CN113160890A (zh) * | 2021-03-13 | 2021-07-23 | 安徽师范大学 | 一种自适应基因调控网格构建方法及装置 |
| CN114358375A (zh) * | 2021-11-29 | 2022-04-15 | 重庆邮电大学 | 一种基于大数据的人群密度预测方法及系统 |
| CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及系统 |
| CN116050673A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于CNN-BiLSTM的城市公交客流短时预测方法 |
| CN116822762A (zh) * | 2023-03-29 | 2023-09-29 | 北京交通大学 | 地铁网络系统稳定性监测控制方法、系统和设备 |
| CN117131999A (zh) * | 2023-09-14 | 2023-11-28 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
| CN117373247A (zh) * | 2023-10-24 | 2024-01-09 | 广东联合电子服务股份有限公司 | 一种新型etc卡休眠预测诊断方法、系统及可存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6973459B1 (en) * | 2002-05-10 | 2005-12-06 | Oracle International Corporation | Adaptive Bayes Network data mining modeling |
| US20070073538A1 (en) * | 2005-09-28 | 2007-03-29 | Ryan Rifkin | Discriminating speech and non-speech with regularized least squares |
| CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测系统及方法 |
| CN103605905A (zh) * | 2013-12-04 | 2014-02-26 | 北京交通大学 | 一种城市轨道交通首班车发车时间计算方法 |
| US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
| CN106294679A (zh) * | 2016-08-08 | 2017-01-04 | 大连理工大学 | 一种基于地铁数据进行站点聚类的可视化方法 |
| EP3196815A1 (fr) * | 2016-01-22 | 2017-07-26 | Stephane Jacques Perret | Procede de detection de passagers, de gestion et d'optimisation de leurs transports partages |
| WO2017133627A1 (zh) * | 2016-02-03 | 2017-08-10 | 中兴通讯股份有限公司 | 用户通勤轨迹管理方法、装置及系统 |
| CN107067115A (zh) * | 2017-04-26 | 2017-08-18 | 大连理工大学 | 一种基于忠实乘客的多特征地铁乘车人数预测方法 |
| CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
| CN107346301A (zh) * | 2016-12-02 | 2017-11-14 | 西交利物浦大学 | 基于双时间窗口验证的水质监测噪音数据实时检测方法 |
| CN107730893A (zh) * | 2017-11-30 | 2018-02-23 | 大连理工大学 | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 |
| CN108665191A (zh) * | 2018-06-05 | 2018-10-16 | 北方工业大学 | 基于聚集效应的地铁站外关联区域计算方法 |
| CN108664620A (zh) * | 2018-05-14 | 2018-10-16 | 南京邮电大学 | 一种店铺客流量预测方法 |
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
| CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
| EP3461101A1 (en) * | 2017-09-25 | 2019-03-27 | Palo Alto Research Center Incorporated | System and method for secure two-party evaluation of utility of sharing data |
-
2019
- 2019-05-14 CN CN201910398192.9A patent/CN110222873B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6973459B1 (en) * | 2002-05-10 | 2005-12-06 | Oracle International Corporation | Adaptive Bayes Network data mining modeling |
| US20070073538A1 (en) * | 2005-09-28 | 2007-03-29 | Ryan Rifkin | Discriminating speech and non-speech with regularized least squares |
| CN101853573A (zh) * | 2010-05-19 | 2010-10-06 | 北京科技大学 | 一种城市快速路短时交通信息预测系统及方法 |
| US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
| CN103605905A (zh) * | 2013-12-04 | 2014-02-26 | 北京交通大学 | 一种城市轨道交通首班车发车时间计算方法 |
| EP3196815A1 (fr) * | 2016-01-22 | 2017-07-26 | Stephane Jacques Perret | Procede de detection de passagers, de gestion et d'optimisation de leurs transports partages |
| WO2017133627A1 (zh) * | 2016-02-03 | 2017-08-10 | 中兴通讯股份有限公司 | 用户通勤轨迹管理方法、装置及系统 |
| CN106294679A (zh) * | 2016-08-08 | 2017-01-04 | 大连理工大学 | 一种基于地铁数据进行站点聚类的可视化方法 |
| CN107346301A (zh) * | 2016-12-02 | 2017-11-14 | 西交利物浦大学 | 基于双时间窗口验证的水质监测噪音数据实时检测方法 |
| CN107067115A (zh) * | 2017-04-26 | 2017-08-18 | 大连理工大学 | 一种基于忠实乘客的多特征地铁乘车人数预测方法 |
| CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
| EP3461101A1 (en) * | 2017-09-25 | 2019-03-27 | Palo Alto Research Center Incorporated | System and method for secure two-party evaluation of utility of sharing data |
| CN107730893A (zh) * | 2017-11-30 | 2018-02-23 | 大连理工大学 | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 |
| CN108664620A (zh) * | 2018-05-14 | 2018-10-16 | 南京邮电大学 | 一种店铺客流量预测方法 |
| CN108665191A (zh) * | 2018-06-05 | 2018-10-16 | 北方工业大学 | 基于聚集效应的地铁站外关联区域计算方法 |
| CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
| CN109034658A (zh) * | 2018-08-22 | 2018-12-18 | 重庆邮电大学 | 一种基于大数据金融的违约用户风险预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| HUIMING DUAN,XINPING XIAO: "A Multimode Dynamic Short-Term Traffic Flow Grey Prediction Model of High-Dimension Tensors", COMPLEXITY，2019 * |
| MARTANI C: "Pedestrian monitoring techniques for crowd-flow prediction", PROCEEDINGS OF THE INSTITUTION OF CIVIL ENGINEERS - SMART INFRASTRUCTURE AND CONSTRUCTION * |
| 刘少博,张鑫泽,李艺玮,刘娇: "地铁站人员疏散路径选择行为分析及Logit建模", 交通信息与安全 * |
| 吴松;沈泽;王军威;: "基于移动网络手机信令的人流量统计系统――信令处理平台模块的设计与实现", 广东通信技术 * |
| 王庆;潘荣英;: "城市公交最优路径选择的数学模型及其算法", 苏州市职业大学学报 * |
| 颜七笙;王士同;: "公路旅游客流量预测的支持向量回归模型", 计算机工程与应用 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110853347A (zh) * | 2019-10-14 | 2020-02-28 | 深圳市综合交通运行指挥中心 | 一种短时交通路况预测方法、装置及终端设备 |
| CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
| CN111091196B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
| CN111414719A (zh) * | 2020-04-28 | 2020-07-14 | 中南大学 | 地铁站周边特征提取、交通需求估计方法及装置 |
| CN111754031A (zh) * | 2020-06-11 | 2020-10-09 | 苏州量盾信息科技有限公司 | 一种基于机器学习技术的犯罪嫌疑人预测方法 |
| CN111678531A (zh) * | 2020-06-18 | 2020-09-18 | 李�昊 | 一种基于LightGBM的地铁路径规划方法 |
| CN111678531B (zh) * | 2020-06-18 | 2023-11-14 | 李�昊 | 一种基于LightGBM的地铁路径规划方法 |
| CN111754326A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
| CN111754326B (zh) * | 2020-06-24 | 2024-04-05 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
| CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| CN111985706B (zh) * | 2020-08-15 | 2023-08-25 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| CN111985731A (zh) * | 2020-09-09 | 2020-11-24 | 中国科学院自动化研究所 | 城市公共交通站点人数的预测方法及系统 |
| CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
| CN112215409B (zh) * | 2020-09-24 | 2024-01-30 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
| CN112686428A (zh) * | 2020-12-15 | 2021-04-20 | 广州新科佳都科技有限公司 | 基于地铁线网站点相似性的地铁客流预测方法及装置 |
| CN113159364A (zh) * | 2020-12-30 | 2021-07-23 | 中国移动通信集团广东有限公司珠海分公司 | 一种大型交通场站的客流预测方法及系统 |
| CN113160890A (zh) * | 2021-03-13 | 2021-07-23 | 安徽师范大学 | 一种自适应基因调控网格构建方法及装置 |
| CN114358375A (zh) * | 2021-11-29 | 2022-04-15 | 重庆邮电大学 | 一种基于大数据的人群密度预测方法及系统 |
| CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及系统 |
| CN116822762A (zh) * | 2023-03-29 | 2023-09-29 | 北京交通大学 | 地铁网络系统稳定性监测控制方法、系统和设备 |
| CN116050673B (zh) * | 2023-03-31 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于CNN-BiLSTM的城市公交客流短时预测方法 |
| CN116050673A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于CNN-BiLSTM的城市公交客流短时预测方法 |
| CN117131999A (zh) * | 2023-09-14 | 2023-11-28 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
| CN117131999B (zh) * | 2023-09-14 | 2024-04-30 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
| CN117373247A (zh) * | 2023-10-24 | 2024-01-09 | 广东联合电子服务股份有限公司 | 一种新型etc卡休眠预测诊断方法、系统及可存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110222873B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222873A (zh) | 一种基于大数据的地铁站客流量预测方法 | |
| CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
| CN109887288B (zh) | 一种基于出行结构的城市路网诱导方案发布方法和系统 | |
| CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
| CN105513359B (zh) | 一种基于智能手机移动检测的城市快速路交通状态估计方法 | |
| CN110414747B (zh) | 一种基于深度学习的时空长短期城市人流量预测方法 | |
| CN102592453B (zh) | 一种基于时间窗口的实时交通状况判别方法 | |
| CN109658695A (zh) | 一种多因素的短时交通流预测方法 | |
| Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
| CN103793795B (zh) | 基于gis技术的水电站水电调度计划生成及仿真方法 | |
| CN106971547A (zh) | 一种考虑时空相关性的短时交通流预测方法 | |
| CN100468481C (zh) | 城市交通行程时间智能化分析系统 | |
| CN103730008A (zh) | 基于公交gps和ic卡实时数据的公交拥挤度分析方法 | |
| CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
| CN113706862B (zh) | 一种考虑路网容量约束的分布式主动均衡管控方法 | |
| CN102842219B (zh) | 预测方法和系统 | |
| CN106503829A (zh) | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 | |
| CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
| CN110310479A (zh) | 一种城市交通流量预测系统及方法 | |
| CN108597227A (zh) | 高速公路收费站下道交通流量预测方法 | |
| CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
| CN103824450B (zh) | 基于交通状态规则的大型活动专用行车线路规划方法 | |
| CN105374209A (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
| CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
| CN103116702A (zh) | 一种基于活动链模式的选择自行车方式出行预测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230923 Address after: No. 1801, Wuhua Science and Technology Innovation Building, Building A, Guocha Port, No. 505 Kepu Road, Wuhua District, Kunming City, Yunnan Province, 650021 Applicant after: New Yunteng Technology Co.,Ltd. Address before: 48-15-017, Building 3, No. 422 Panxi Road, Shimahe Street, Jiangbei District, Chongqing 400020 Applicant before: Chongqing Tiancheng Jichuang Technology Co.,Ltd. Effective date of registration: 20230923 Address after: 48-15-017, Building 3, No. 422 Panxi Road, Shimahe Street, Jiangbei District, Chongqing 400020 Applicant after: Chongqing Tiancheng Jichuang Technology Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230928 Address after: Room 101, Building 1, Yard 1, Renhe Garden, Shunyi District, Beijing 101300 Applicant after: Beijing Urban Construction Intelligent Control Technology Co.,Ltd. Address before: No. 1801, Wuhua Science and Technology Innovation Building, Building A, Guocha Port, No. 505 Kepu Road, Wuhua District, Kunming City, Yunnan Province, 650021 Applicant before: New Yunteng Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |