CN110503237B - 一种城市轨道交通站台聚集人数短期预测的方法 - Google Patents
一种城市轨道交通站台聚集人数短期预测的方法 Download PDFInfo
- Publication number
- CN110503237B CN110503237B CN201910631245.7A CN201910631245A CN110503237B CN 110503237 B CN110503237 B CN 110503237B CN 201910631245 A CN201910631245 A CN 201910631245A CN 110503237 B CN110503237 B CN 110503237B
- Authority
- CN
- China
- Prior art keywords
- prediction
- sequence
- train
- flow
- passengers
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 33
- 230000000052 comparative effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 241001123248 Arma Species 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及城市轨道交通控制领域，公开了一种城市轨道交通站台聚集人数短期预测的方法。本方法对乘客进站流量、列车载客人数和列车时刻表进行预测，并对上述预测结果进行融合，获得最终预测结果。每次预测时首先预测一轮列车时刻表，再预测时刻表范围内乘客进站流量以及列车载客人数，将流量预测结果和载客人数预测结果按列车时刻表预测结果进行推演，获得时刻表范围内的聚集人数预测结果，然后再更新真实列车时刻表，继续下一轮预测。本发明所述预测算法具有预测精度高，实用性强的特点。
Description
技术领域
本发明涉及城市轨道交通控制领域，具体涉及一种城市轨道交通站台聚集人数短期预测的方法。
背景技术
由于轨道交通不仅具有速度快、时间准、运量大、运距长、舒适度高、受外界影响小等特点，而且还能较好解决城市公共交通流量大、道路拥堵等问题，因此，轨道交通已逐渐成为大城市市民公共交通出行的主要方式。
随着轨道交通客流量的剧增，站台经常出现客流过度饱和状态，尤其是工作日早、晚高峰时段、大客流事件和突发事件情况下。由于缺乏轨道交通路网内详实的客流分布信息和精准的客流预测手段，运力配置方案、客运组织方案、站台内紧急突发事件的预警及疏散方案也难以有效制定。目前现有技术主要存在以下问题：
1、现有的基于固定下车人数的预测算法在预测过程中假设每趟列车离开后站台上遗留的乘客人数为0，这与高峰时期站台常见的现象不符，造成了较大误差；
2、现有基于固定下车比例以及基于固定上车比例的预测算法，均认为1小时内乘客上下车比例是固定不变的，而实际运营中1小时内上下车比例都会有较大变化，造成了较大误差；
3、现有算法在预测乘客进站流量时，均以1小时为时间粒度进行预测，时间粒度过大，从而造成乘客进站流量的预测结果误差较大，进一步造成了站台聚集人数的预测误差；
4、现有算法均认列车到达和离开站台的时间严格遵守规划的列车时刻表，可以提前获知，因此不包含时刻表预测，而列车实际运行时刻表具有不稳定性，与规划列车时刻表不一致，使得聚集人数预测误差进一步加大。
因此，在城市轨道交通快速发展的背景下，迫切需要对城市轨道交通站台聚集人数尤其是高峰期客流量控制进行研究，以解决换乘站台高峰期过饱和客流拥堵问题。
发明内容
为了解决上述技术问题，本发明公开了一种城市轨道交通站台聚集人数短期预测的方法，具体采用如下技术方案：
为更好地对本发明所公开的一种城市轨道交通站台聚集人数短期预测的方法进行说明，对相关符号进行说明。
一种城市轨道交通站台聚集人数短期预测的方法，包括对乘客进站流量、列车载客人数和列车时刻表进行预测，对上述预测结果进行融合，获得最终预测结果。
其中，所述乘客进站流量预测部分，将预测时间粒度设置为1-30分钟，进一步地，将预测时间粒度设置为5分钟；将原始流量序列分解为趋势序列Tri和/ 或周期序列Cyi和/或噪声序列NSi；将趋势序列预测值与周期序列预测值相加，获得流量预测结果。
其中，趋势序列Tri反映流量除去日常规律后的整体变化；周期序列Cyi反映流量变化共同的基本规律；噪声序列Nsi反映除去周期性和趋势后剩余不规律因素。
其中，所述乘客进站流量预测具体过程如下：
(1)将历史流量序列Flowi作为输入；其中，i为车站序号；
(2)通过多次分解Flowi得到趋势序列Tri，周期序列Cyi，噪声序列Nsi；
(3)用历史同期平均值预测D+1日的周期序列
(4)作出趋势序列Tri的自相关图和偏自相关图，获得自回归移动平均模型 ARIMA的自回归阶数p和移动平均阶数q；
(5)通过自回归移动平均模型ARIMA(p,d,q)，对未来204个时间片趋势进行预测，得到D+1日的趋势序列
其中，ARIMA(p,d,q)通过非稳定序列 ARIMA(p,q)经过有限次差分后得到，参数p为自回归阶数，参数q为移动平均阶数，d为非平稳序列转换为平稳序列经过的差分次数；
(6)将两部分预测序列合成流量预测序列，
即得。
其中，所述周期序列按204的周期长度抽样并取平均值获得预测值。
其中，所述趋势序列经过若干次差分操作后输入到ARIMA模型进行预测获得预测值。
其中，所述原始流量序列分解方法为中心移动平均法、简单移动平均法和/ 或加权移动平均法的一种或几种；优选地，所述分解方法为中心移动平均法。
其中，自回归移动平均模型ARIMA(p,d,q)根据选择的参数不同可表现为三种特殊的形式，分别为自回归模型AR(p)、移动平均模型MA(q)和自回归移动平均模型ARMA(p,q)。
其中，自回归模型AR(p)表示当前预测值yt与前p个观测值的误差值有关，其具体形式为：
p为自回归阶数，μ为常数项，Φi为自回归系数，εt为预测值与观测值的误差；移动平均模型MA(q)表示当前预测值yt与前q个观测值的误差项有关，其具体表现形式为：
q 为移动平均阶数，μ为常数项，θi为移动平均系数，εt为预测值与观测值的误差；自回归移动平均模型ARMA(p,q)为AR(p)与MA(q)两种模型的组合，其具体表现形式为：
其中，所述列车载客人数预测部分，从聚集人数历史数据中获取选择特征参数，输入到支持向量回归SVR模型中进行预测。
其中，所述特征参数为列车关门前站台最高聚集人数、列车离开站台所属时段、列车序号和/或目标班次前序3班列车载客人数的一种或几种。
其中，所述列车时刻表预测部分，首先从列车时刻表历史数据中获取任意计算获得任意两班列车发车时刻平均间隔矩阵；其次，根据最大预测步长限制K，对于预测步长k，任意列车u，通过u的真实发车时刻以及u和u+k的历史发车时刻平均间隔，相加得到u+k的发车时刻预测值；接着，通过历史列车时刻表数据获得每个k对应的经验方差；进一步，根据基准时刻数量m，通过加权最小二乘法获得每个k对应的权值；最后进行滚动预测。
其中，每次预测时首先预测一轮列车时刻表，其次预测时刻表范围内乘客进站流量以及列车载客人数，将流量预测结果和载客人数预测结果按列车时刻表预测结果进行融合，获得时刻表范围内的聚集人数预测结果。
其中，将流量预测结果和载客人数预测结果按列车时刻表预测结果进行融合的具体过程为：将最近一班列车离开后的遗留乘客数量加上从列车离开后到目标时刻的累计到达乘客数量。
具体地，目标时刻Pdn的站台聚集人数可以表示为：
其中，Assemb(i,d,n)表示目标时刻站台聚集人数，Assemb(i,d,(u-1)+1) 表示最近一班列车离开后的遗留乘客人数，Arr(i,d,j)表示d日第j个时间片内到达i站台的乘客数量。
本发明的有益效果在于：
(1)本发明所述预测算法通过对乘客进站流量、列车载客人数以及列车时刻表三个影响因素分别进行预测，最后对三部分预测结果进行融合，获得最终的预测结果，克服了现有算法预测精度不足，实用性不高的缺陷。
(2)本发明通过合理设置预测时间粒度的范围，提升了乘客进站流量的预测结果精度，进一步提升了站台聚集人数的预测精度。
(3)针对列车时刻表的不稳定性，本发明提出了时刻表预测法，克服了列车实际运行时刻表与规划列车时刻表不一致的缺陷，进一步提高了站台聚集人数预测精度。
具体实施方式
本实施例及对比例使用的数据为重庆地铁1号线2015年4月1日至2015 年5月29日中共42个工作日的由AFC采集的所有乘客的刷卡数据，原始数据包含总计22494364条记录。经过刷卡记录匹配，筛选出行方向为下行方向的乘车记录后，保留了6516778条乘车记录。以前36个工作日的数据作为训练集，以最后6个工作日的数据作为测试集。
实施例
一种城市轨道交通站台聚集人数短期预测的方法，包括对乘客进站流量、列车载客人数和列车时刻表进行预测，对上述预测结果进行融合，获得最终预测结果。
其中，所述乘客进站流量预测部分，将预测时间粒度设置为1-30分钟，进一步地，将预测时间粒度设置为5分钟；将原始流量序列分解为趋势序列Tri和/ 或周期序列Cyi和/或噪声序列Nsi；将趋势序列预测值与周期序列预测值相加，获得流量预测结果。
其中，趋势序列Tri反映流量除去日常规律后的整体变化；周期序列Cyi反映流量变化共同的基本规律；噪声序列Nsi反映除去周期性和趋势后剩余不规律因素。
其中，所述乘客进站流量预测具体过程如下：
(1)将历史流量序列Flowi作为输入；其中，i为车站序号；
(2)通过多次分解Flowi得到趋势序列Tri，周期序列Cyi，噪声序列Nsi；
(3)用历史同期平均值预测D+1日的周期序列
(4)作出趋势序列Tri的自相关图和偏自相关图，获得自回归移动平均模型 ARIMA的自回归阶数p和移动平均阶数q；
(5)通过自回归移动平均模型ARIMA(p,d,q)，对未来204个时间片趋势进行预测，得到D+1日的趋势序列
其中，ARIMA(p,d,q)通过非稳定序列 ARIMA(p,q)经过有限次差分后得到，参数p为自回归阶数，参数q为移动平均阶数，d为非平稳序列转换为平稳序列经过的差分次数；
(6)将两部分预测序列合成流量预测序列，
即得。
其中，所述周期序列按204的周期长度抽样并取平均值获得预测值。
其中，所述趋势序列经过若干次差分操作后输入到ARIMA模型进行预测获得预测值。
其中，所述原始流量序列分解方法为中心移动平均法、简单移动平均法和/ 或加权移动平均法的一种或几种；优选地，所述分解方法为中心移动平均法。
其中，自回归移动平均模型ARIMA(p,d,q)根据选择的参数不同可表现为三种特殊的形式，分别为自回归模型AR(p)、移动平均模型MA(q)和自回归移动平均模型ARMA(p,q)。
其中，自回归模型AR(p)表示当前预测值yt与前p个观测值的误差值有关，其具体形式为：
p为自回归阶数，μ为常数项，Φi为自回归系数，εt为预测值与观测值的误差；移动平均模型MA(q)表示当前预测值yt与前q个观测值的误差项有关，其具体表现形式为：
q 为移动平均阶数，μ为常数项，θi为移动平均系数，εt为预测值与观测值的误差；自回归移动平均模型ARMA(p,q)为AR(p)与MA(q)两种模型的组合，其具体表现形式为：
其中，所述列车载客人数预测部分，从聚集人数历史数据中获取选择特征参数，输入到支持向量回归SVR模型中进行预测。
其中，所述特征参数为列车关门前站台最高聚集人数、列车离开站台所属时段、列车序号和/或目标班次前序3班列车载客人数的一种或几种。
其中，所述列车时刻表预测部分，首先从列车时刻表历史数据中获取任意计算获得任意两班列车发车时刻平均间隔矩阵；其次，根据最大预测步长限制K，对于预测步长k，任意列车u，通过u的真实发车时刻以及u和u+k的历史发车时刻平均间隔，相加得到u+k的发车时刻预测值；接着，通过历史列车时刻表数据获得每个k对应的经验方差；进一步，根据基准时刻数量m，通过加权最小二乘法获得每个k对应的权值；最后进行滚动预测。
其中，每次预测时首先预测一轮列车时刻表，其次预测时刻表范围内乘客进站流量以及列车载客人数，将流量预测结果和载客人数预测结果按列车时刻表预测结果进行融合，获得时刻表范围内的聚集人数预测结果。
其中，将流量预测结果和载客人数预测结果按列车时刻表预测结果进行融合的具体过程为：将最近一班列车离开后的遗留乘客数量加上从列车离开后到目标时刻的累计到达乘客数量。
具体地，目标时刻Pdn的站台聚集人数可以表示为：
其中，Assemb(i,d,n）表示目标时刻站台聚集人数，Assemb(i,d,(u-1）+1) 表示最近一班列车离开后的遗留乘客人数，Arr(i,d,j）表示d日第j个时间片内到达i站台的乘客数量。
对比例1
采用历史平均预测算法(HA算法)，该算法是一种回归领域常用的对比算法。因其在各种数据集上的性能都较为稳定，因此许多新提出的预测算法都将自身的预测结果与HA对应预测结果进行比较，以判断提出的算法较简单统计分析有无明显提升。HA算法对未来第n个时间片末尾时刻站台聚集人数的估计值为训练集中所有日期第n个时间片对应值的平均值。
对比例2
采用基于固定下车比例的预测算法(FAP算法)。对于一个特定站点，该算法假设所有列车的下车比例固定，下车比例指该站下车人数与列车到达该站时车内总人数的比值，并且假设短时间内到达站台的乘客流量平稳不变，均通过历史数据得到。
对比例3
采用基于平稳下车人数的预测算法(SAN算法)。该算法同样假设到达站台的流量在1小时以内是平稳不变的，并假设在1小时内所有列车在特定站台的下车人数是平稳不变的。
对比例4
采用基于固定载客比例的预测算法(FBP算法)。该算法假设在特定站点所有列车载客人数比例固定不变，载客人数比例定义为列车的载客人数与列车关门前站台最高聚集人数的比值，可从历史数据中获得。
使用MAE(平均绝对误差)、RMSE(均方根误差)、MAPE(平均相对误差)、 R-Squared(决定系数)对上述实施例以及对比例1-4的模型在测试集上的性能进行评价，结果参见表1“全局预测误差”。
表1
由表1可以看出，实施例所述方法的模型误差最小，在总体性能上均优于作为对比例的其它四个模型。
其中，对比例1所述HA算法虽然简单，但是其没有充分利用到时序数据变化的规律，也没有考虑到各类影响因子，因而效果较差；对于对比例2所述FAP算法和对比例3所述SAN算法，分别假设1小时内下车人数固定和全天下车比例固定，下车比例是下车人数与下车前车厢内人数的比值，该比值不仅在高峰时段和非高峰时段间变化明显，早晚高峰之间也因人员移动的潮汐现象而具有较大的差异，导致FAP算法产生较大误差，此外1小时的时间粒度过大，高峰时期流量在这样的时间粒度内变化十分明显，车厢内总人数等也会随之变化，导致SAN算法误差较大；对于对比例4所述FBP算法，其假设列车载客人数与站台最高聚集人数的比值固定，在非高峰时期车厢空间充足的情况下，站台几乎所有聚集的乘客都能顺利进入车厢，但在高峰时期车内空间不足，只有一部分乘客能进入车厢，此时载客人数比例会明显下降，并且高峰期的列车班次数只占全天班次数的少数部分，以平均值的方式估算的载客比例更偏向于非高峰期真实的载客比例，因此高峰时期的载客比例预测不准确是导致该算法误差较大的主要原因。
实施例所述预测算法通过对乘客进站流量、列车载客人数以及列车时刻表三个影响因素分别进行预测，最后对三部分预测结果进行融合，获得最终的预测结果，克服了对比例1-4所述算法预测精度不足，实用性不高的缺陷；同时，通过合理设置预测时间粒度的范围，提升了乘客进站流量的预测结果精度；针对列车时刻表的不稳定性，实施例通过时刻表预测法，克服了列车实际运行时刻表与规划列车时刻表不一致的缺陷，进一步提高了站台聚集人数预测精度。
上述实施例为本发明较优的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明原理与限定范围下所作的改变、替代、组合和/或简化，均应为本发明的等效置换方式，都包含在本发明的保护范围内。
Claims (3)
1.一种城市轨道交通站台聚集人数短期预测的方法，其特征在于，分别对乘客进站流量、列车载客人数和列车时刻表进行预测得到预测结果，将乘客进站流量预测结果和列车载客人数预测结果按列车时刻表预测结果进行融合，获得时刻表范围内的聚集人数预测结果；
所述乘客进站流量预测，包括如下步骤：先将预测时间粒度设置为1-30分钟；然后将原始流量序列分解为趋势序列
、周期序列
和噪声序列
后进行预测；将趋势序列预测值与周期序列预测值相加，获得流量预测结果；
所述列车载客人数预测部分，从聚集人数历史数据中获取选择特征参数，输入到支持向量回归SVR模型中进行预测；其中，所述特征参数包括列车关门前站台最高聚集人数、列车离开站台所属时段、列车序号或目标班次前序列车载客人数的一种或几种；
所述列车时刻表预测，首先从列车时刻表历史数据中获得两班列车发车时刻平均间隔矩阵；然后，根据最大预测步长限制K，将任意列车u的真实发车时刻以及u和u+K的历史发车时刻平均间隔相加得到u+K的发车时刻预测值；接着，通过历史列车时刻表数据获得每个K对应的经验方差；接着，根据基准时刻数量m，通过加权最小二乘法获得每个K对应的权值；最后进行滚动预测。
2.根据权利要求1所述的一种城市轨道交通站台聚集人数短期预测的方法，其特征在于，所述乘客进站流量预测具体过程如下：
（1）将历史流量序列
作为输入；其中，
为车站序号；
（2）通过多次分解
得到趋势序列
，周期序列
，噪声序列
；
（3）用历史同期平均值预测D+1日的周期序列
；
（4）作出趋势序列
的自相关图和偏自相关图，获得自回归移动平均模型ARIMA的自回归阶数p和移动平均阶数q；
（5）通过自回归移动平均模型ARIMA(p,di,q)，对未来时间片趋势进行预测，得到D+1日的趋势序列
；其中，ARIMA(p,di,q)通过非稳定序列ARIMA(p,q)经过有限次差分后得到，参数p为自回归阶数，参数q为移动平均阶数，di为非平稳序列转换为平稳序列经过的差分次数；
（6）将两部分预测序列合成流量预测序列，
即得。
3.根据权利要求1-2中任一项所述的一种城市轨道交通站台聚集人数短期预测的方法，其特征在于，其中，原始流量序列分解方法为中心移动平均法、简单移动平均法或加权移动平均法的一种或几种；
其中，周期序列按周期长度抽样并取平均值获得预测值，反映流量变化共同的基本规律；趋势序列经过若干次差分操作后输入到ARIMA模型进行预测获得预测值，反映流量除去日常规律后的整体变化；噪声序列反映除去周期性和趋势后剩余不规律因素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910631245.7A CN110503237B (zh) | 2019-07-12 | 2019-07-12 | 一种城市轨道交通站台聚集人数短期预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910631245.7A CN110503237B (zh) | 2019-07-12 | 2019-07-12 | 一种城市轨道交通站台聚集人数短期预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110503237A CN110503237A (zh) | 2019-11-26 |
| CN110503237B true CN110503237B (zh) | 2022-05-17 |
Family
ID=68585452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910631245.7A Active CN110503237B (zh) | 2019-07-12 | 2019-07-12 | 一种城市轨道交通站台聚集人数短期预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503237B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990613B (zh) * | 2021-05-19 | 2021-08-13 | 北京大学 | 人口流动模拟预测方法、装置、设备及介质 |
| CN113065724B (zh) * | 2021-06-02 | 2021-08-27 | 北京大学 | 基于信令数据的人员流量预测方法、装置、设备及介质 |
| CN114239948B (zh) * | 2021-12-10 | 2023-07-21 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517159A (zh) * | 2014-12-18 | 2015-04-15 | 上海交通大学 | 一种公交短时客流的预测方法 |
| CN106355276A (zh) * | 2016-08-30 | 2017-01-25 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的发车时刻表生成系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018021958A1 (en) * | 2016-07-27 | 2018-02-01 | Hitachi, Ltd. | Passenger load prediction systems and methods for predicting passenger load |
-
2019
- 2019-07-12 CN CN201910631245.7A patent/CN110503237B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517159A (zh) * | 2014-12-18 | 2015-04-15 | 上海交通大学 | 一种公交短时客流的预测方法 |
| CN106355276A (zh) * | 2016-08-30 | 2017-01-25 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的发车时刻表生成系统 |
Non-Patent Citations (3)
| Title |
|---|
| 城市轨道交通站台聚集人数与列车运行间隔关系研究;赵满姣;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110815(第08期);全文 * |
| 城市轨道交通线路实时客流推算方法研究;孙海瑞;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20121015(第10期);全文 * |
| 基于SVR的地铁载客人数预测算法研究;商志巍;《现代计算机(专业版)》;20190415(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110503237A (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503237B (zh) | 一种城市轨道交通站台聚集人数短期预测的方法 | |
| WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
| CN110775109B (zh) | 一种基于调度指挥系统的高速铁路列车到站时间预测方法 | |
| CN103366224B (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
| JP2008052455A (ja) | 需要予測装置およびプログラム | |
| CN107274000B (zh) | 一种突发事件下城市轨道交通断面客流预测方法 | |
| Jenelius | Data-driven bus crowding prediction based on real-time passenger counts and vehicle locations | |
| CN116205329A (zh) | 一种节假日客流量预测方法 | |
| CN115345373A (zh) | 一种公共服务设施老年人可达性预测方法 | |
| CN109740823B (zh) | 一种面向实时场景计算的出租车打车决策方法及系统 | |
| CN112990536B (zh) | 一种基于分位数卷积网络的公交到站时间预测方法 | |
| CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
| CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
| CN113537596A (zh) | 一种城市轨道交通新线站点短时客流预测方法 | |
| Lam et al. | Prediction of bus arrival time using real-time on-line bus locations | |
| CN116654058A (zh) | 一种轨道交通线网运行调整方法、装置、设备和存储介质 | |
| CN116701551A (zh) | 异常预测方法、装置、设备及存储介质 | |
| Mishalani et al. | Schedule-based and autoregressive bus running time modeling in the presence of driver-bus heterogeneity | |
| CN114117903A (zh) | 一种基于bp神经网络的轨道交通短时客流预测方法 | |
| CN116307333B (zh) | 一种城际定制客运的往返线路和时刻表的获取方法及装置 | |
| Sunderrajan et al. | Road speed profiling for upfront travel time estimation | |
| Ordóñez Medina et al. | New dynamic events-based public transport router for agent-based simulations | |
| CN117910660A (zh) | 基于gps数据及时空关联性的公交到站时间预测方法及系统 | |
| CN117494864A (zh) | 一种基于rsalgcn的城市轨道交通短时客流预测方法 | |
| Sun et al. | Urban rail transit passenger flow forecasting—XGBoost |
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 |