CN110619419A - 城市轨道交通的客流预测方法 - Google Patents

城市轨道交通的客流预测方法 Download PDF

Info

Publication number
CN110619419A
CN110619419A CN201910695350.7A CN201910695350A CN110619419A CN 110619419 A CN110619419 A CN 110619419A CN 201910695350 A CN201910695350 A CN 201910695350A CN 110619419 A CN110619419 A CN 110619419A
Authority
CN
China
Prior art keywords
passenger flow
data
neural network
rail transit
convolutional neural
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
Application number
CN201910695350.7A
Other languages
English (en)
Other versions
CN110619419B (zh
Inventor
朱力
张琳
赵红礼
唐涛
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 Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201910695350.7A priority Critical patent/CN110619419B/zh
Publication of CN110619419A publication Critical patent/CN110619419A/zh
Application granted granted Critical
Publication of CN110619419B publication Critical patent/CN110619419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种城市轨道交通的客流预测方法，属于城市轨道交通列车运营控制技术领域。该方法编写数据接口，从Teradata大数据框架中获取实时的客流数据；对客流数据预处理，将客流量数据建模为二维数据；根据所述二维数据搭建卷积神经网络模型；训练卷积神经网络模型；利用训练好的卷积神经网络模型，从时间和空间两个维度同时预测多站客流量数据。本发明结合Teradata大数据框架，在预测城市轨道交通客流量时，充分考虑了车站间客流量的关联，从时间和空间两个维度上完成客流量的精准预测。

Description

城市轨道交通的客流预测方法
技术领域
本发明涉及城市轨道交通列车运营控制技术领域，具体涉及一种城市轨道交通的客流预测方法。
背景技术
近些年来，日益加重的城市交通拥堵问题成为制约经济发展的主要因素，因此以地铁为代表的城市轨道交通系统得到了大力的发展。地铁相比与其他的交通方式具有较大的优势，主要体现在运量大、污染小、省能源，并且具有快捷、方便、安全、舒适的特点。但是随着地铁线路规模的不断扩大和运营方式更加复杂，地铁运营的安全以及乘客的舒适度都面临着极大的挑战。客流的精准预测可以帮助优化行车间隔和制定合理的运营方案，从而有效地缓解交通拥堵和提高乘客的舒适度。
随着卷积神经网络及相关技术的不断发展，成功应用于图像识别等领域。深度神经网络的优势主要体现在：(1)权重共享：卷积层中卷积核的参数都是共享的，因此大大降低了参数规模，使得网络结构更加容易优化，提高了学习效率。(2)局部区域感知：卷积神经网络中前一层和下一层的神经元没有全部互相连接，而是通过卷积核的作用进行局部感知，这样可以分层逐步提取高层次的特征，提高了模型的泛化能力。(3)降采样：卷积神经网络经过卷积之后特征维度仍然很大，因此通过池化层降低了卷积神经网络的维度，提高计算效率。使用卷积神经网络预测城市轨道交通客流量，需将客流数据建模为以时间为横坐标、车站为纵坐标的二维时间序列数据。卷积神经网络预测客流量的优势在于，从时间和空间两个维度完成预测，充分考虑了车站间客流数据的相互影响。
Teradata数据库自1984年首次推出以来，逐渐发展成为一个成熟的关系数据库管理系统，广泛应用于构建大规模数据仓库。目前地铁公司也开始使用Teradata大数据仓库存储客流、行车等数据，加速了地铁从自动化向智能化的转变。Teradata数据库相比于其他数据库的优势主要体现在：(1)无限并行化，Teradata数据库是基于MPP架构，这种架构使得Teradata能够进行大规模并行处理。MPP架构将总任务分割成独立的子任务，并平均分配负载，更加高效地完成任务。(2)SQL扩展，Teradata支持通用的SQL语句与数据库中的数据进行交互。(3)自动分发，Teradata将自动完成数据分发功能，不需要手动操作。(4)无共享架构：Teradata的基础架构为共享无架构类型，Teradata的访问处理器(AMP)与磁盘是相互独立的，数据不会共享。
目前通常使用时间序列预测的方法，预测城市轨道交通的客流量。时间序列预测法的优点是客流数据处理简单，可以很方便地利用模型从时间维度上，预测城市轨道交通的客流量。但是时间序列预测法往往仅从时间维度上预测城市轨道交通客流量，而城市轨道交通车站间的客流是存在联系的，导致大多数模型在城市轨道交通客流预测中精度较低。并且目前对城市轨道交通客流预测的方法，很少和大数据环境相结合，导致预测模型不能及时获取高质量客流数据，也在一定程度上影响了预测精度。
发明内容
本发明的目的在于提供一种利用卷积神经网络，结合Teradata大数据框架，从时间和空间两个维度上，预测城市轨道交通客流量，充分考虑了客流量的空间特性，有效提升了客流量预测精度的城市轨道交通的客流预测方法，以解决上述背景技术中存在的技术问题。
为了实现上述目的，本发明采取了如下技术方案：
本发明提供的一种城市轨道交通的客流预测方法，包括如下流程步骤：
步骤S110：编写数据接口，从Teradata大数据框架中获取实时的客流数据；
步骤S120：对客流数据预处理，将客流量数据建模为二维数据；
步骤S130：根据所述二维数据搭建卷积神经网络模型；
步骤S140：训练卷积神经网络模型；
步骤S150：利用训练好的卷积神经网络模型，从时间和空间两个维度同时预测多站客流量数据。
优选的，所述步骤S110具体包括：
客流数据存储于Teradata数据仓库的数据应用层，使用SQL接口定时从数据仓库中获取实时的AFC客流数据。
优选的，所述步骤S120具体包括：
以一定的时间间隔统计各地铁站的客流量数据；
将客流量数据同时除以最大客流量值，完成客流量数据的归一化：
An＝A/max(A)，其中，A表示客流量；
以地铁线路为单位，将客流量数据建模为以时间为横坐标，不同车站客流为纵坐标的二维客流数据。
优选的，所述时间间隔为5分钟。
优选的，所述步骤S130具体包括：
搭建的卷积神经网络，依次包括输入层、卷积层、池化层、全连接层和输出层；
输出层中每个神经元对应所述地铁线路上的一个地铁站；
池化层采用平均池化；
使用平方损失函数衡量真实值与目标值的偏离程度：
其中，J(θ)表示损失函数，N为样本量，y为真实值，为预测值；
使用小批量梯度下降算法优化模型，参数更新如下式所示，每次使用x个样本更新参数；
其中θi表示更新的参数，α表示更新步长，hθ表示预测函数，j表示更新一次的样本数量，i表示参数个数，yj表示第j个样本的真实值，n为特征个数，表示第i个参数和第j个样本对应的特征值；
使用dropout的方法，防止模型出现过拟合。
优选的，所述步骤S140具体包括：
使用网格搜索算法查找模型的最优超参数组合，根据最优超参数组合训练卷积神经网络模型；其中，所述最优超参数组合包括训练次数为50、批处理数量为5、卷积层神经元个数为50和训练步长为6。
优选的，所述步骤S150具体包括：
在卷积神经网络中用前n个时刻的二维数据预测下一时刻客流量数据；
卷积神经网络的预测如下式所示：
其中，f代表卷积神经网络模型，n表示预测步长，α、β、γ分别表示不同站的历史客流量数据，αn+1、βn+1和γn+1则为不同站的下一时刻客流量预测值。
本发明有益效果：结合Teradata大数据框架，在预测城市轨道交通客流量时，充分考虑了车站间客流量的关联，从时间和空间两个维度上完成客流量的精准预测。
本发明附加的方面和优点将在下面的描述中部分给出，这些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为本发明实施例所述的城市轨道交通客流预测方法流程图。
图2为本发明实施例所述的从Teradata大数据框架中获取实时的客流数据得示意图。
图3为本发明实施例所述的将原始客流数据建模为以时间为横坐标、车站客流为纵坐标的二维数据的示意图。
图4为本发明实施例所述的搭建的卷积神经网络架构图。
具体实施方式
下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且实施例并不构成对本发明实施例的限定。
本领域普通技术人员应当理解的是，附图只是一个实施例的示意图，附图中的部件或装置并不一定是实施本发明所必须的。
实施例
本发明实施例以北京地铁某线路为例，提供一种结合Teradata大数据框架，使用卷积神经网络预测城市轨道交通客流的方法。采用单步预测的方法，即使用前n个历史数据{x1,x2,...,xn-1,xn}预测下一个数据xn+1。
如图1所示，该方法步骤如下：
步骤一：编写数据接口，从Teradata大数据框架中获取实时的客流数据
客流数据存储于Teradata数据仓库的数据应用层，使用SQL接口定时从数据仓库中获取实时的AFC客流数据。从Teradata数据库中获取客流数据用于预测的具体流程如图2所示。
步骤二：数据预处理，将客流量数据建模为二维数据
首先以五分钟为间隔，统计各地铁站的客流量数据；
然后将客流量数据同时除以最大客流量值，完成客流量数据的归一化，如式1所示，A为客流量。
An＝A/max(A) (1)
最后以地铁线路为单位，将客流量数据建模为以时间为横坐标，不同车站客流为纵坐标的二维客流数据。二维客流数据，相比于一维时间序列数据，可以从时间和空间两个维度完成客流量的预测。将客流量数据建模为二维数据用于预测的示意图如图3所示。
步骤三：搭建卷积神经网络模型
如图4所示，搭建的卷积神经网络，依次包括输入层、卷积层、池化层、全连接层和输出层。输出层共有16个神经元，每个神经元代表该线路上的16个地铁站。使用卷积神经网络同时预测该线路的16个地铁站客流量，充分考虑了不同站客流量的空间特性。
在搭建卷积神经网络过程中：池化层采用平均池化；使用平方损失函数衡量真实值与目标值的偏离程度，如式(2)所示，式中y为真实值，为预测值；使用小批量梯度下降算法优化模型，参数更新如式(3)所示，每次使用x个样本更新参数；使用dropout的方法，防止模型出现过拟合。
其中，J(θ)表示损失函数，N为样本量，y为真实值，为预测值。
其中θi表示更新的参数，α表示更新步长，hθ表示预测函数，j表示更新一次的样本数量，i表示参数个数，yj表示第j个样本的真实值，n为特征个数，表示第i个参数和第j个样本对应的特征值。
步骤四：训练卷积神经网络模型。
在数据预处理和模型搭建完成后，首先使用网格搜索算法查找模型的最优超参数组合，然后开始训练卷积神经网络模型。
步骤五：在卷积神经网络中使用单步预测，即用前n个时刻的二维数据预测下一时刻客流量数据。卷积神经网络的预测如式(5)所示，f代表卷积神经网络模型，n表示预测步长，x、y和z分别表示不同站的历史客流量数据，xn+1、yn+1和zn+1则为不同站的下一时刻客流量预测值。由式(5)看出，卷积神经网络模型同时预测多站的客流量数据，相比于时间序列预测，充分考虑了客流量的空间特性。
其中，f代表卷积神经网络模型，n表示预测步长，α、β、γ分别表示不同站的历史客流量数据，αn+1、βn+1和γn+1则为不同站的下一时刻客流量预测值。
综上所述，本发明实施例提出的方法结合Teradata大数据框架，在预测城市轨道交通客流量时，充分考虑了车站间客流量的关联，从时间和空间两个维度上完成客流量的精准预测。
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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种城市轨道交通的客流预测方法，其特征在于，包括如下流程步骤：
步骤S110：编写数据接口，从Teradata大数据框架中获取实时的客流数据；
步骤S120：对客流数据预处理，将客流量数据建模为二维数据；
步骤S130：根据所述二维数据搭建卷积神经网络模型；
步骤S140：训练卷积神经网络模型；
步骤S150：利用训练好的卷积神经网络模型，从时间和空间两个维度同时预测多站客流量数据。
2.根据权利要求1所述的城市轨道交通的客流预测方法，其特征在于，所述步骤S110具体包括：
客流数据存储于Teradata数据仓库的数据应用层，使用SQL接口定时从数据仓库中获取实时的AFC客流数据。
3.根据权利要求1所述的城市轨道交通客流预测方法，其特征在于，所述步骤S120具体包括：
以一定的时间间隔统计各地铁站的客流量数据；
将客流量数据同时除以最大客流量值，完成客流量数据的归一化：
An＝A/max(A)，其中，A表示客流量；
以地铁线路为单位，将客流量数据建模为以时间为横坐标，不同车站客流为纵坐标的二维客流数据。
4.根据权利要求3所述的城市轨道交通客流预测方法，其特征在于，所述时间间隔为5分钟。
5.根据权利要求3所述的城市轨道交通客流预测方法，其特征在于，所述步骤S130具体包括：
搭建的卷积神经网络，依次包括输入层、卷积层、池化层、全连接层和输出层；
输出层中每个神经元对应所述地铁线路上的一个地铁站；
池化层采用平均池化；
使用平方损失函数衡量真实值与目标值的偏离程度：
其中，J(θ)表示损失函数，N为样本量，y为真实值，为预测值；
使用小批量梯度下降算法优化模型，参数更新如下式所示，每次使用x个样本更新参数；
其中θi表示更新的参数，α表示更新步长，hθ表示预测函数，j表示更新一次的样本数量，i表示参数个数，yj表示第j个样本的真实值，n为特征个数，表示第i个参数和第j个样本对应的特征值；
使用dropout的方法，防止模型出现过拟合。
6.根据权利要求5所述的城市轨道交通客流预测方法，其特征在于，所述步骤S140具体包括：
使用网格搜索算法查找模型的最优超参数组合，根据最优超参数组合训练卷积神经网络模型；其中，所述最优超参数组合包括训练次数为50、批处理数量为5、卷积层神经元个数为50和训练步长为6。
7.根据权利要求6所述的城市轨道交通客流预测方法，其特征在于，所述步骤S150具体包括：
在卷积神经网络中用前n个时刻的二维数据预测下一时刻客流量数据；
卷积神经网络的预测如下式所示：
其中，f代表卷积神经网络模型，n表示预测步长，α、β、γ分别表示不同站的历史客流量数据，αn+1、βn+1和γn+1则为不同站的下一时刻客流量预测值。
CN201910695350.7A 2019-07-30 2019-07-30 城市轨道交通的客流预测方法 Active CN110619419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910695350.7A CN110619419B (zh) 2019-07-30 2019-07-30 城市轨道交通的客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910695350.7A CN110619419B (zh) 2019-07-30 2019-07-30 城市轨道交通的客流预测方法

Publications (2)

Publication Number Publication Date
CN110619419A true CN110619419A (zh) 2019-12-27
CN110619419B CN110619419B (zh) 2022-08-05

Family

ID=68921421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910695350.7A Active CN110619419B (zh) 2019-07-30 2019-07-30 城市轨道交通的客流预测方法

Country Status (1)

Country Link
CN (1) CN110619419B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991775A (zh) * 2020-03-02 2020-04-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
CN113111467A (zh) * 2021-05-11 2021-07-13 上海同岩土木工程科技股份有限公司 一种基于混合神经网络的掘进参数预测方法、介质及设备
CN113762590A (zh) * 2021-07-20 2021-12-07 北京交通大学 一种城市轨道交通节假日客流预测系统
CN114141020A (zh) * 2022-02-08 2022-03-04 北京城建设计发展集团股份有限公司 一种基于轨道交通的行人仿真方法、系统及电子设备
CN117494934A (zh) * 2023-10-12 2024-02-02 北京交通大学 轨道交通车站混合交织客流实时解析方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160314686A1 (en) * 2013-12-30 2016-10-27 Fudan University Method for traffic flow prediction based on spatio-temporal correlation mining
CN107529651A (zh) * 2017-08-18 2018-01-02 北京航空航天大学 一种基于深度学习的城市交通客流预测方法和设备
CN108537392A (zh) * 2018-04-26 2018-09-14 重庆大学 一种基于时空特征预测轨道交通站点出站客流量的方法
CN108564227A (zh) * 2018-04-26 2018-09-21 重庆大学 一种基于时空特征的轨道交通客流量预测方法
CN109993341A (zh) * 2018-09-29 2019-07-09 上海电科智能系统股份有限公司 一种基于径向基函数神经网络的客流量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160314686A1 (en) * 2013-12-30 2016-10-27 Fudan University Method for traffic flow prediction based on spatio-temporal correlation mining
CN107529651A (zh) * 2017-08-18 2018-01-02 北京航空航天大学 一种基于深度学习的城市交通客流预测方法和设备
CN108537392A (zh) * 2018-04-26 2018-09-14 重庆大学 一种基于时空特征预测轨道交通站点出站客流量的方法
CN108564227A (zh) * 2018-04-26 2018-09-21 重庆大学 一种基于时空特征的轨道交通客流量预测方法
CN109993341A (zh) * 2018-09-29 2019-07-09 上海电科智能系统股份有限公司 一种基于径向基函数神经网络的客流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张佳: "城市轨道交通初期客流时空演变及影响因素研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
张琳: "基于深度神经网络的地铁客流预测系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991775A (zh) * 2020-03-02 2020-04-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
EP4099237A4 (en) * 2020-03-02 2023-07-05 CRSC Research & Design Institute Group Co., Ltd. DEEP LEARNING RAILWAY PASSENGER FLOW DEMAND PREDICTION METHOD AND APPARATUS
CN113111467A (zh) * 2021-05-11 2021-07-13 上海同岩土木工程科技股份有限公司 一种基于混合神经网络的掘进参数预测方法、介质及设备
CN113111467B (zh) * 2021-05-11 2023-05-12 上海同岩土木工程科技股份有限公司 一种基于混合神经网络的掘进参数预测方法、介质及设备
CN113762590A (zh) * 2021-07-20 2021-12-07 北京交通大学 一种城市轨道交通节假日客流预测系统
CN113762590B (zh) * 2021-07-20 2023-08-01 北京交通大学 一种城市轨道交通节假日客流预测系统
CN114141020A (zh) * 2022-02-08 2022-03-04 北京城建设计发展集团股份有限公司 一种基于轨道交通的行人仿真方法、系统及电子设备
CN114141020B (zh) * 2022-02-08 2022-09-16 北京城建设计发展集团股份有限公司 一种基于轨道交通的行人仿真方法、系统及电子设备
CN117494934A (zh) * 2023-10-12 2024-02-02 北京交通大学 轨道交通车站混合交织客流实时解析方法和系统

Also Published As

Publication number Publication date
CN110619419B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN110619419B (zh) 城市轨道交通的客流预测方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111292525B (zh) 基于神经网络的交通流预测方法
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
CN115564114B (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN112258251B (zh) 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统
CN104217258A (zh) 一种电力负荷条件密度预测方法
CN113051811B (zh) 一种基于gru网络的多模式短期交通拥堵预测方法
CN110443448A (zh) 一种基于双向lstm的飞机机位分类预测方法和系统
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN113255900A (zh) 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115496257A (zh) 基于时空融合的短时车速预测
CN103605493B (zh) 基于图形处理单元的并行排序学习方法及系统
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN116011655A (zh) 基于两阶段智能特征工程的负荷超短期预测方法及系统
Zhang et al. Demand prediction of emergency supplies under fuzzy and missing partial data
Zhao et al. Forecasting regional short-term freight volume using QPSO-LSTM algorithm from the perspective of the importance of spatial information
CN117391314B (zh) 综合场站运营管理平台
CN112183846B (zh) 基于模糊c均值聚类的tvf-emd-mcqrnn负荷概率预测方法
Wu et al. A BP neural network model for the demand forecasting of road freight transportation system
Sun et al. Construction of Short-Term Traffic Flow Prediction Model Based on IoT and Deep Learning Algorithms.

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