CN110866649A - 一种短期地铁客流预测方法、系统及电子设备 - Google Patents
一种短期地铁客流预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110866649A CN110866649A CN201911132859.7A CN201911132859A CN110866649A CN 110866649 A CN110866649 A CN 110866649A CN 201911132859 A CN201911132859 A CN 201911132859A CN 110866649 A CN110866649 A CN 110866649A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- matrix
- subway
- layer
- graph
- 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 44
- 239000011159 matrix material Substances 0.000 claims abstract description 187
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及时空数据挖掘或智慧交通技术领域,公开了一种短期地铁客流预测方法、系统及电子设备,该预测方法首先采集地铁源数据;特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;最后输出目标站点在下一个时间段的客流预测值。本发明不仅考虑到时间因素也考虑到地铁的空间因素,更加有效地预测了短时客流特征,提高了短期地铁客流预测的精度。
Description
技术领域
本发明涉及时空数据挖掘或智慧交通技术领域,更具体的说,特别涉及一种短期地铁客流预测方法、系统及电子设备。
背景技术
随着我国城镇化的推进,人口不断向大城市集中,为了解决交通拥挤和环境恶化的城市问题,我国己步入城市轨道交通高速发展期。地铁以其绿色、快捷方便、运量大和安全性高等特点,成为大城市最重要的出行方式。近年来,各大城市大量建成地铁线路并投入营运,但线路管理和调度等问题凸显。如早晚高峰时段的线路车次供给与需求不匹配,导致车次载满率过高而过度拥挤,降低承运安全性;而平峰和低峰车辆载满率过低而导致运能浪费。因此,需要一种能有效预测短期客流分布的方案来满足市民出行的需求,减少乘客的出行时间,为铁路企业进行资源(包括服务人员、应急物资等)调配,安全措施部署等提供决策依据。
以时间粒度划分,客流预测包括以时段、日、月和季度等粒度的客流预测。时间粒度越小,客流量数据的随机性越强,预测的难度越大。短期客流预测的研究始于20世纪,目前已取得丰富的研究成果。研究方法分为以下几种:第一种是传统的线性预测模型,包括时间序列预测法、卡尔曼滤波模型和线性回归模型等。第二种是非线性预测模型,包括传统的基于小波理论的模型、基于混沌理论的模型、基于非参数回归的模型等模型,还包括支持向量机、神经网络等。第三种是以仿真技术为基础的预测模型,包括交通模拟预测法、动态交通分配预测法及元胞自动机预测法等。
已有的模型,包括预测精度最高的神经网络类模型,在预测地铁站点的客流时,大部分仅仅使用了所预测站点过去各个时段的客流特征去预测该站点的未来各时段的客流,没有考虑到其它站点的客流对该站点的客流影响,即考虑了时间因素但忽略了空间因素。而地铁可以是看作一个网络,单个站点某个时间段内的进(出)客流,不仅受到最近过去时段该站点的客流状况影响,也受到其它站点的客流状况的影响。据观察,其它各个站点的客流状况对当前站点的客流影响与站点之间的距离有关,距离越近则影响越大,距离越远则影响越小。
发明内容
本发明的目的在于针对现有技术存在的技术问题,提供一种短期地铁客流预测方法、系统及电子设备,能够对短期内地铁网络中的各站点的客流量(包括流入量和流出量)做出有效的实时预测。
为了解决以上提出的问题,本发明采用的技术方案为:
一种短期地铁客流预测方法,该预测方法包括:
步骤a:采集地铁源数据;
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;
步骤d:输出目标站点在下一个时间段的客流预测值。
进一步地,所述特征提取模块中具体方法步骤如下:
步骤S1:根据所采集的地铁源数据,提取所有站点在设定时间段内的入闸人数和出闸人数作为客流特征矩阵,及提取下一时间段内目标站点的出闸人数作为客流预测目标;
步骤S2:构建地铁的有向有权图G=(V,E),其中V是图的顶点集,E是图的边集,图的顶点即地铁的站点;
步骤S3:根据所构建的有向有权图,搭建目标站点的邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间。
进一步地,所述步骤S1中,提取客流特征矩阵和客流预测目标,具体包括如下:
步骤S11:根据获取到的地铁源数据,统计所有站点乘客的入闸人数和出闸人数;
步骤S12:以时间粒度t小时(t>0)进行时间段划分;
步骤S13:提取所划分的时间段内所有站点的入闸人数和出闸人数作为客流特征矩阵;
步骤S14:提取t+1时间段内目标站点的出闸人数作为客流预测目标。
进一步地,所述步骤S3中,搭建目标站点的邻近矩阵,具体包括如下:
步骤S31:根据地铁的有向有权图,对需要预测其未来客流的目标站点,通过使用迪杰斯特拉算法,计算出其余各个站点到目标站点所预测的最短路径;
步骤S32:将所得到各个站点到达目标站点的最短路径,按照提前设定的时间粒度进行分层,表示其它各个站点与目标站点的空间关系;
步骤S33:根据所得到各个站点与目标站点的空间关系,为目标站点搭建一个邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间。
进一步地,所述图卷积神经网络模型包括输入层、图卷积层和输出层,其中图卷积层包括融合层和全连接层;所述图卷积层采用两层,模型的第二层和第三层均为图卷积层,第一层和第四层分别为输入层和输出层;其对目标站点在下一个时间段的客流进行预测的方法步骤如下:
步骤Sa:输入层接收所述客流特征矩阵,并将其输入给第二层的融合层;
步骤Sb:所述融合层还接收目标站点的邻近矩阵,并将所述客流特征矩阵和目标站点的邻近矩阵相乘,得到融合的新特征矩阵,并输出给对应的全连接层;
步骤Sc:所述全连接层接收新特征矩阵输入后进行激活,得到更高级的客流特征矩阵,提取抽象的客流特征;
步骤Sd:所述第三层的融合层接收所述更高级的客流特征矩阵,并重复Sb-Sc;
步骤Se:所述输出层根据第三层中全连接层输出的客流特征矩阵,得到目标站点下一个时间段的客流预测值,并将其与步骤S14得到的客流预测目标进行对比,得到可靠的客流预测值后输出。
进一步地,所述步骤Sb中,所述新特征矩阵的模型公式如下:
H(l+1)=σ(AH(l)W(l))
其中,H(l)代表第l层,H(l+1)代表第l+1层,A代表包含空间结构信息的矩阵,W(l)为第l层需要训练的权重矩阵,σ代表激活函数。
一种短期地铁客流预测系统,该预测系统包括采集模块、特征提取模块、图卷积神经网络模块和输出模块;
所述采集模块用于采集地铁源数据,包括地铁智能交易卡数据源和地铁线路图;
所述特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
所述图卷积神经网络模块根据所提取的客流特征矩阵和目标站点的邻近矩阵,对目标站点在下一个时间段的客流进行预测;
所述输出模块用于输出目标站点在下一个时间段的客流预测值。
进一步地,所述特征提取模块包括提取模块、构建模块和搭建模块;
所述提取模块:用于提取客流特征矩阵,得到所有站点在设定时间段内的入闸人数和出闸人数;还用于提取客流预测目标,得到下一时间段内目标站点的出闸人数;
所述构建模块:用于根据所得到的地铁线路图,构建地铁的有向有权图G=(V,E),其中V是图的顶点集,E是图的边集,图的顶点即地铁的站点;
所述搭建模块:用于搭建目标站点的邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间。
进一步地,所述图卷积神经网络模块包括输入模块、图卷积模块和客流预测模块,所述图卷积模块包括融合模块和全连接模块;
所述输入模块:用于接收客流特征矩阵,并将其输入给融合模块;
所述融合模块:用于接收所述客流特征矩阵和目标站点的邻近矩阵,并将两者相乘,得到融合后的新特征矩阵;
所述全连接模块:用于接收新特征矩阵输入后进行激活,得到更高级的客流特征矩阵,提取抽象的客流特征;
所述客流预测模块:用于将更高级的客流特征矩阵和客流预测目标进行对比,预测目标站点在下一个时间段的客流量,得到客流预测值;
所述新特征矩阵的模型公式如下:
H(l+1)=σ(AH(l)W(l))
其中,H(l)代表第l层,H(l+1)代表第l+1层,A代表包含空间结构信息的矩阵,W(l)为第l层需要训练的权重矩阵,σ代表激活函数。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至6任一项所述的短期地铁客流预测方法的以下操作:
步骤a:采集地铁源数据;
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;
步骤d:输出目标站点在下一个时间段的客流预测值。
与现有技术相比,本发明的有益效果在于:
本发明通过采集地铁源数据,提取客流特征矩阵并搭建目标站点的邻近矩阵,融合地铁网络的空间结构、时间因素,以及全网各个站点客流信息建立图卷积神经网络模型,不仅考虑到时间因素也考虑到地铁的空间因素,能够对短时地铁客流进行有效预测,也提高了短期地铁客流预测的精度。
附图说明
图1为本发明短期地铁客流预测方法的原理图。
图2为本发明短期地铁客流预测方法的流程图。
图3为本发明中特征提取模块的原理流程图。
图4为本发明中图卷积神经网络模型的原理图。
图5为本发明中图卷积神经网络模型的流程图。
图6为本发明短期地铁客流预测系统的原理图。
图7为本发明提供的短期地铁客流预测方法的硬件设备结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
参阅图1和图2所示,本发明提供一种短期地铁客流预测方法,该预测方法包括:
步骤a:采集地铁源数据,包括地铁智能交易卡数据源和地铁线路图。
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵。
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测。
步骤d:输出目标站点在下一个时间段的客流预测值。
参阅图3所示,所述特征提取模块根据所得到的地铁源数据,进行如下操作:
步骤S1:提取客流特征矩阵和客流预测目标,具体包括(继续参阅图3所示):
步骤S11:根据采集到的地铁智能交易卡数据源,统计所有站点乘客的入闸人数和出闸人数。
步骤S12:以时间粒度t小时(t>0)进行时间段划分,假定地铁早上P时开始营运,晚上Q时停止,则(Q-P)/t+1=m,即共划分m个时间段。
步骤S13:在所划分的时间段内即t-m+1,t-m+2,…,t共m个时间段内,提取所有站点的入闸人数和出闸人数作为客流特征矩阵。
步骤S14:提取t+1时间段内目标站点的出闸人数作为客流预测目标,所述客流预测目标为t+1时间段内客流的真实值。
本步骤S1中,假设预测的时间粒度t为半小时,即预测目标站点未来半小时的出站客流。首先,将深圳通卡交易数据以半个小时为时间间隔统计每个站点乘客的入闸人数和出闸人数。每天从早上6时起,至晚上23.5时结束,划分为(23.5-6)/0.5+1=35个时间段,统计全年每天每个时间段内,每个乘客站点的入闸人数和出闸人数。由于某些站点的开始营运时间可能比6时更晚,或者结束营运时间比23.5时更早,因而存在缺失的时间段。这时,可视为该站点在缺失的时间段内无乘客入闸或者无乘客出闸,将客流量设置为0。
步骤S2:根据所得到的地铁线路图,构建地铁的有向有权图G=(V,E),其中V是图的顶点集,E是图的边集,图的顶点即地铁的站点。
本步骤S2中,将地铁线路图视为一个有向有权图,同一条地铁线路上的相邻两个站点之间建立边,不相邻的站点之间不建立边。边是双向的,因为相邻站点可相互通车,边的权重是站点之间花费的时间。
步骤S3:搭建目标站点的邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间,用以表征地铁的空间结构,具体包括如下(继续参阅图3所示):
步骤S31:根据地铁的有向有权图,对需要预测其未来客流的目标站点,通过使用迪杰斯特拉算法(也可以采用其它算法进行计算),计算出其余各个站点到目标站点所预测的最短路径。
本步骤S31中,所述地铁站点之间的最短路径是指站点A出发到站点B,两者之间可能存在多条线路,其中所花费时间最短的线路即从站点A到站点B的最短路径,而花费的时间是最短路径的长度。
步骤S32:将所得到各个站点到达目标站点的最短路径,按照设定的时间粒度V进行分层,可以划分为n个层次即0-V、V-2V、……(n-1)V-nV,从而表示其它各个站点与目标站点的空间关系。其中,0-V内属于目标站点的第一层邻居,V-2V内属于目标站点的第二层邻居,以此类推。
本步骤S32中,例如按照5分钟的时间粒度将其余各站点到达目标站点的最短路径分层,即0-5分钟内属于目标站点的第一层邻居,5-10分钟内属于目标站点的第二层邻居,以此类推。
步骤S33:根据所得到各个站点与目标站点的空间关系,为目标站点搭建一个邻近矩阵,表示其余各个站点到目标站点所花费的最短时间。
本步骤S33中,所述邻近矩阵的第一行代表目标站点的第一层邻居,第i行代表目标站点的第i层邻居。由于目标站点的邻近矩阵都包含了其余所有站点到目标站点所花费时间,因此它能代表地铁的空间结构。
参阅图4所示,所述图卷积神经网络模型包括输入层、图卷积层和输出层,其中图卷积层包括融合层和全连接层。本实施例中,所述图卷积层优选为两层,即所述图卷积神经网络模型包括四层,第一层为输入层,第二层和第三层均为图卷积层,第四层为输出层。
上述中,所述神经网络模型在全连接神经网络的基础上,在每个全连接层前插入一个融合层,最后一层为输出层。所述图卷积层可以包括一层或一层以上,其层数可以根据实际需要进行增加或减少,本实施例经过多次实验得到层数越多,效果并没有变得更好,反而训练模型的时间增加了,因此采用效果最好的两层。
上述中,通过所述图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测的方法步骤如下:
步骤Sa:输入层接收所述客流特征矩阵,并将其输入给第二层的融合层。
步骤Sb:所述融合层还接收目标站点的邻近矩阵,并将所述客流特征矩阵和目标站点的邻近矩阵相乘,得到融合的新特征矩阵,并输出给对应层的全连接层。由于所述客流特征矩阵中包含时间信息,所述邻近矩阵包含空间信息,因而新的特征矩阵融合了时间和空间信息。
本步骤Sb中,所述新特征矩阵的模型公式如下:
H(l+1)=σ(AH(l)W(l))
其中,H(l)代表第l层,H(l+1)代表第l+1层,A代表包含空间结构信息的矩阵,W(l)为第l层需要训练的权重矩阵,σ代表激活函数。
对比全连神经网络模块的模型公式:
H(l+1)=σ(H(l)W(l))
可以发现,上述图卷积神经网络模型和全连接神经网络模块的不同之处在于矩阵A。正是有了包含空间结构信息的矩阵A,才让所述图卷积神经网络模型能在拓扑图(如社交网络、地铁网络)上有效地提取空间特征。由于包含空间结构的矩阵A是图卷积神经网络模型的关键,不同的矩阵A代表不同的空间信息。在本发明中,第一次将矩阵A设置为站点的邻近矩阵,这样能让网络模块获取到每个站点的周围站点的特征信息。
步骤Sc:所述全连接层接收新特征矩阵输入后进行激活,得到更高级的客流特征矩阵,提取抽象的客流特征。
步骤Sd:所述第三层的融合层接收所述更高级的客流特征矩阵,并重复Sb-Sc。
上述中,所述客流特征矩阵和邻近矩阵经过两层图卷积层的作用,不断经过了线性和非线性的变换,得到更高级和抽象的客流特征矩阵,其会越来越接近真实值。
步骤Se:所述输出层根据第三层中全连接层输出的客流特征矩阵,得到目标站点下一个时间段的客流预测值,并将其与步骤S14得到的客流预测目标进行对比,得到可靠的客流预测值后输出。
本步骤Se中,将客流预测值和客流预测目标进行比较,通过计算损失函数计算损失值,损失值越大,则表明客流预测值和客流预测目标两者的差距越大;损失值越小,则表明两者的差距越小。而模型会朝着损失变小的方向改变模型中的权重参数,不断重复直到差距取得最小值,从而让模型的预测效果变得更好,得到可靠的客流预测值。
参阅图6所示,本发明还提供一种短期地铁客流预测系统,该预测系统包括采集模块、特征提取模块、图卷积神经网络模块和输出模块。
所述采集模块用于采集地铁源数据,包括地铁智能交易卡数据源和地铁线路图。
所述特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵。
所述图卷积神经网络模块根据所提取的客流特征矩阵和目标站点的邻近矩阵,对目标站点在下一个时间段的客流进行预测。
所述输出模块用于输出目标站点在下一个时间段的客流预测值。
进一步地,所述特征提取模块包括提取模块、构建模块和搭建模块。
所述提取模块:用于提取客流特征矩阵和客流预测目标,具体包括:
根据获取到的地铁源数据,统计所有站点乘客的入闸人数和出闸人数。
以时间粒度t小时(t>0)进行时间段划分,假定地铁早上P时开始营运,晚上Q时停止,则(Q-P)/t+1=m,即共划分m个时间段。
在所划分的时间段内即t-m+1,t-m+2,…,t共m个时间段内,提取所有站点的入闸人数和出闸人数作为客流特征矩阵,并提取t+1时间段内目标站点的出闸人数作为客流预测目标。
所述构建模块:用于根据所得到的地铁线路图,构建地铁的有向有权图G=(V,E),其中V是图的顶点集,E是图的边集,图的顶点即地铁的站点。进一步地,将地铁线路图视为一个有向有权图,同一条地铁线路上的相邻两个站点之间建立边,不相邻的站点之间不建立边。边是双向的,因为相邻站点可相互通车,边的权重是站点之间花费的时间。
所述搭建模块:用于搭建目标站点的邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间,用以表征地铁的空间结构,具体包括:
根据地铁的有向有权图,对需要预测其未来客流的目标站点,通过使用迪杰斯特拉算法(也可以采用其它算法进行计算),计算出其余各个站点到目标站点所预测的最短路径。其中地铁站点之间的最短路径是指站点A出发,到站点B,可能存在多条线路,其中所花费时间最短的线路即从站点A到站点B的最短路径,而花费的时间是最短路径的长度。
将所得到各个站点到达目标站点的最短路径,按照提前设定的时间粒度V进行分层,可以划分为n个层次,即0-V、V-2V、……(n-1)V-nV,从而表示其它各个站点与目标站点的空间关系。其中,0-V内属于目标站点的第一层邻居,V-2V内属于目标站点的第二层邻居,以此类推。例如按照5分钟的时间粒度将其余各站点到达目标站点的最短路径分层,即0-5分钟内属于目标站点的第一层邻居,5-10分钟内属于目标站点的第二层邻居,以此类推。
根据所得到各个站点与目标站点的空间关系,为目标站点搭建一个邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间。其中,所述邻近矩阵的第一行代表目标站点的第一层邻居,第i行代表目标站点的第i层邻居。由于目标站点的邻近矩阵都包含了其余所有站点到目标站点所花费时间,因此它能代表地铁的空间结构。
继续参阅图6所示,所述图卷积神经网络模块包括输入模块、图卷积模块和客流预测模块,所述图卷积模块包括融合模块和全连接模块。
所述输入模块:用于接收客流特征矩阵,并将其输入给融合模块。
所述融合模块:用于接收所述客流特征矩阵和目标站点的邻近矩阵,并将两者相乘,得到融合后的新特征矩阵。由于所述客流特征矩阵中包含时间信息,所述邻近矩阵包含空间信息,因而新的特征矩阵融合了时间和空间信息。
其中,所述新特征矩阵的模型公式如下:
H(l+1)=σ(AH(l)W(l))
其中,H(l)代表第l层,H(l+1)代表第l+1层,A代表包含空间结构信息的矩阵,W(l)为第l层需要训练的权重矩阵,σ代表激活函数。
对比全连神经网络模块的模型公式:
H(l+1)=σ(H(l)W(l))
可以发现,上述图卷积神经网络模块和全连接神经网络模块的不同之处在于矩阵A。正是有了包含空间结构信息的矩阵A,才让所述图卷积神经网络模块能在拓扑图(如社交网络、地铁网络)上有效地提取空间特征。由于包含空间结构的矩阵A是图卷积神经网络模块的关键,不同的矩阵A代表不同的空间信息。在本发明中,第一次将矩阵A设置为站点的邻近矩阵,这样能让网络模块获取到每个站点的周围站点的特征信息。
所述全连接模块:用于接收新特征矩阵输入后进行激活,得到更高级的客流特征矩阵,提取抽象的客流特征。
所述客流预测模块:用于将更高级的客流特征矩阵和客流预测目标进行对比,预测目标站点在下一个时间段的客流量,得到客流预测值。
本发明中在地铁客流预测中,采用迪杰斯特拉算法计算目标站点到其他站点的最短路径长度,并基于最短路径构建了目标站点的邻近矩阵,该矩阵包含目标站点和周围站点的空间关系。此外,本发明首次将图卷积神经网络模型应用在地铁客流预测场景中,其包含四层结构,第一层是输入层,第二层、第三层均是图卷积层,第四层是输出层。所述图卷积层包含融合层和全连接层,在融合层中,目标站点的邻近矩阵和客流特征矩阵相乘,得到包含时空信息的新特征矩阵。因此,本发明不仅考虑到时间因素也考虑到地铁的空间因素,更加有效地预测了短时客流特征,提高了短期地铁客流预测的精度。
图7是本发明提供的短期地铁客流预测方法的硬件设备结构示意图。如图7所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息,以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:采集地铁源数据;
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;
步骤d:输出目标站点在下一个时间段的客流预测值。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:采集地铁源数据;
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;
步骤d:输出目标站点在下一个时间段的客流预测值。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:采集地铁源数据;
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;
步骤d:输出目标站点在下一个时间段的客流预测值。
本申请实施例提供的短期地铁客流预测方法、系统及电子设备,不仅考虑到时间因素也考虑到地铁的空间因素,能够对短时地铁客流进行有效预测,也提高了短期地铁客流预测的精度。
上述实施例为本发明较佳的实施方式,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的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种短期地铁客流预测方法,其特征在于:该预测方法包括:
步骤a:采集地铁源数据;
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;
步骤d:输出目标站点在下一个时间段的客流预测值。
2.根据权利要求1所述的短期地铁客流预测方法,其特征在于:所述特征提取模块中具体方法步骤如下:
步骤S1:根据所采集的地铁源数据,提取所有站点在设定时间段内的入闸人数和出闸人数作为客流特征矩阵,及提取下一时间段内目标站点的出闸人数作为客流预测目标;
步骤S2:构建地铁的有向有权图G=(V,E),其中V是图的顶点集,E是图的边集,图的顶点即地铁的站点;
步骤S3:根据所构建的有向有权图,搭建目标站点的邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间。
3.根据权利要求2所述的短期地铁客流预测方法,其特征在于:所述步骤S1中,提取客流特征矩阵和客流预测目标,具体包括如下:
步骤S11:根据获取到的地铁源数据,统计所有站点乘客的入闸人数和出闸人数;
步骤S12:以时间粒度t小时(t>0)进行时间段划分;
步骤S13:提取所划分的时间段内所有站点的入闸人数和出闸人数作为客流特征矩阵;
步骤S14:提取t+1时间段内目标站点的出闸人数作为客流预测目标。
4.根据权利要求2所述的短期地铁客流预测方法,其特征在于:所述步骤S3中,搭建目标站点的邻近矩阵,具体包括如下:
步骤S31:根据地铁的有向有权图,对需要预测其未来客流的目标站点,通过使用迪杰斯特拉算法,计算出其余各个站点到目标站点所预测的最短路径;
步骤S32:将所得到各个站点到达目标站点的最短路径,按照提前设定的时间粒度进行分层,表示其它各个站点与目标站点的空间关系;
步骤S33:根据所得到各个站点与目标站点的空间关系,为目标站点搭建一个邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间。
5.根据权利要求2-4任一项所述的短期地铁客流预测方法,其特征在于:所述图卷积神经网络模型包括输入层、图卷积层和输出层,其中图卷积层包括融合层和全连接层;所述图卷积层采用两层,模型的第二层和第三层均为图卷积层,第一层和第四层分别为输入层和输出层;其对目标站点在下一个时间段的客流进行预测的方法步骤如下:
步骤Sa:输入层接收所述客流特征矩阵,并将其输入给第二层的融合层;
步骤Sb:所述融合层还接收目标站点的邻近矩阵,并将所述客流特征矩阵和目标站点的邻近矩阵相乘,得到融合的新特征矩阵,并输出给对应的全连接层;
步骤Sc:所述全连接层接收新特征矩阵输入后进行激活,得到更高级的客流特征矩阵,提取抽象的客流特征;
步骤Sd:所述第三层的融合层接收所述更高级的客流特征矩阵,并重复Sb-Sc;
步骤Se:所述输出层根据第三层中全连接层输出的客流特征矩阵,得到目标站点下一个时间段的客流预测值,并将其与步骤S14得到的客流预测目标进行对比,得到可靠的客流预测值后输出。
6.根据权利要求5所述的短期地铁客流预测方法,其特征在于:所述步骤Sb中,所述新特征矩阵的模型公式如下:
H(l+1)=σ(AH(l)W(l))
其中,H(l)代表第l层,H(l+1)代表第l+1层,A代表包含空间结构信息的矩阵,W(l)为第l层需要训练的权重矩阵,σ代表激活函数。
7.一种短期地铁客流预测系统,其特征在于:该预测系统包括采集模块、特征提取模块、图卷积神经网络模块和输出模块;
所述采集模块用于采集地铁源数据,包括地铁智能交易卡数据源和地铁线路图;
所述特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
所述图卷积神经网络模块根据所提取的客流特征矩阵和目标站点的邻近矩阵,对目标站点在下一个时间段的客流进行预测;
所述输出模块用于输出目标站点在下一个时间段的客流预测值。
8.根据权利要求7所述的短期地铁客流预测系统,其特征在于:所述特征提取模块包括提取模块、构建模块和搭建模块;
所述提取模块:用于提取客流特征矩阵,得到所有站点在设定时间段内的入闸人数和出闸人数;还用于提取客流预测目标,得到下一时间段内目标站点的出闸人数;
所述构建模块:用于根据所得到的地铁线路图,构建地铁的有向有权图G=(V,E),其中V是图的顶点集,E是图的边集,图的顶点即地铁的站点;
所述搭建模块:用于搭建目标站点的邻近矩阵,表示其余所有站点到目标站点的所花费的最短时间。
9.根据权利要求7所述的短期地铁客流预测系统,其特征在于:所述图卷积神经网络模块包括输入模块、图卷积模块和客流预测模块,所述图卷积模块包括融合模块和全连接模块;
所述输入模块:用于接收客流特征矩阵,并将其输入给融合模块;
所述融合模块:用于接收所述客流特征矩阵和目标站点的邻近矩阵,并将两者相乘,得到融合后的新特征矩阵;
所述全连接模块:用于接收新特征矩阵输入后进行激活,得到更高级的客流特征矩阵,提取抽象的客流特征;
所述客流预测模块:用于将更高级的客流特征矩阵和客流预测目标进行对比,预测目标站点在下一个时间段的客流量,得到客流预测值;
所述新特征矩阵的模型公式如下:
H(l+1)=σ(AH(l)W(l))
其中,H(l)代表第l层,H(l+1)代表第l+1层,A代表包含空间结构信息的矩阵,W(l)为第l层需要训练的权重矩阵,σ代表激活函数。
10.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至6任一项所述的短期地铁客流预测方法的以下操作:
步骤a:采集地铁源数据;
步骤b:特征提取模块提取客流特征矩阵,构建地铁的有向有权图,并搭建目标站点的邻近矩阵;
步骤c:根据所提取的客流特征矩阵和目标站点的邻近矩阵,建立图卷积神经网络模型,对目标站点在下一个时间段的客流进行预测;
步骤d:输出目标站点在下一个时间段的客流预测值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132859.7A CN110866649B (zh) | 2019-11-19 | 2019-11-19 | 一种短期地铁客流预测方法、系统及电子设备 |
PCT/CN2020/128857 WO2021098619A1 (zh) | 2019-11-19 | 2020-11-13 | 一种短期地铁客流预测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911132859.7A CN110866649B (zh) | 2019-11-19 | 2019-11-19 | 一种短期地铁客流预测方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866649A true CN110866649A (zh) | 2020-03-06 |
CN110866649B CN110866649B (zh) | 2022-09-20 |
Family
ID=69655156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911132859.7A Active CN110866649B (zh) | 2019-11-19 | 2019-11-19 | 一种短期地铁客流预测方法、系统及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110866649B (zh) |
WO (1) | WO2021098619A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
CN111814920A (zh) * | 2020-09-04 | 2020-10-23 | 中国科学院自动化研究所 | 基于图网络的多粒度特征学习的精细分类方法及系统 |
CN112418508A (zh) * | 2020-11-19 | 2021-02-26 | 中国科学院地理科学与资源研究所 | 基于物理空间与社交网络空间交互的人口分布预测方法 |
CN112687110A (zh) * | 2020-12-23 | 2021-04-20 | 江苏高立泊车科技有限公司 | 一种基于大数据分析的车位级导航方法及其系统 |
WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN112990555A (zh) * | 2021-02-24 | 2021-06-18 | 上海交通大学 | 基于时空并行栅格神经网络的地铁人流量预测方法及系统 |
CN113657934A (zh) * | 2021-08-16 | 2021-11-16 | 京东城市(北京)数字科技有限公司 | 客流量预测模型的训练方法和客流量的预测方法和装置 |
CN115392752A (zh) * | 2022-09-01 | 2022-11-25 | 亿雅捷交通系统(北京)有限公司 | 一种地铁短时客流预测方法、系统、电子设备及存储介质 |
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 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537580B (zh) * | 2021-06-28 | 2024-04-09 | 中科领航智能科技(苏州)有限公司 | 一种基于自适应图学习的公共交通客流预测方法及系统 |
CN113850295B (zh) * | 2021-08-27 | 2024-04-02 | 北京工业大学 | 一种基于Weighted-LeaderRank和GMM聚类的站点选址预测方法 |
CN114154393B (zh) * | 2021-10-15 | 2024-04-12 | 广州市交通规划研究院 | 一种基于腹地理论的目标地机场群旅客吞吐量预测方法 |
CN114399726B (zh) * | 2021-12-06 | 2023-07-07 | 上海市黄浦区城市运行管理中心(上海市黄浦区城市网格化综合管理中心、上海市黄浦区大数据中心) | 实时智能监测客流及预警的方法和系统 |
CN114463978B (zh) * | 2022-02-10 | 2024-03-29 | 深圳明弘电子科技有限公司 | 一种基于轨道交通信息处理终端的数据监测方法 |
CN114581846B (zh) * | 2022-03-03 | 2024-02-20 | 北京城建设计发展集团股份有限公司 | 地铁车站全息客流实时监测方法及装置及计算机设备 |
CN115031794A (zh) * | 2022-04-29 | 2022-09-09 | 天津大学 | 一种多特征图卷积的新型气固两相流流量测量方法 |
CN114912683B (zh) * | 2022-05-13 | 2024-05-10 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测系统及方法 |
CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN117272848B (zh) * | 2023-11-22 | 2024-02-02 | 上海随申行智慧交通科技有限公司 | 基于时空影响的地铁客流预测方法及模型训练方法 |
Citations (7)
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 |
CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
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 |
US20190124619A1 (en) * | 2016-07-27 | 2019-04-25 | Hitachi, Ltd. | Passenger load prediction systems and methods for predicting passenger load |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110322064A (zh) * | 2019-06-27 | 2019-10-11 | 清华大学 | 城市出行需求预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605B (zh) * | 2019-02-27 | 2021-12-07 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110866649B (zh) * | 2019-11-19 | 2022-09-20 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
-
2019
- 2019-11-19 CN CN201911132859.7A patent/CN110866649B/zh active Active
-
2020
- 2020-11-13 WO PCT/CN2020/128857 patent/WO2021098619A1/zh active Application Filing
Patent Citations (7)
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 |
US20190124619A1 (en) * | 2016-07-27 | 2019-04-25 | Hitachi, Ltd. | Passenger load prediction systems and methods for predicting passenger load |
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 |
CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
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 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110322064A (zh) * | 2019-06-27 | 2019-10-11 | 清华大学 | 城市出行需求预测方法 |
Non-Patent Citations (2)
Title |
---|
JIEXIA YE ET AL.: "How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS (EARLY ACCESS)》 * |
JIEXIA YE ET AL.: "Multi-STGCnet: A Graph Convolution Based Spatial-Temporal Framework for Subway Passenger Flow Forecasting", 《2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
CN111814920A (zh) * | 2020-09-04 | 2020-10-23 | 中国科学院自动化研究所 | 基于图网络的多粒度特征学习的精细分类方法及系统 |
CN112418508A (zh) * | 2020-11-19 | 2021-02-26 | 中国科学院地理科学与资源研究所 | 基于物理空间与社交网络空间交互的人口分布预测方法 |
CN112687110A (zh) * | 2020-12-23 | 2021-04-20 | 江苏高立泊车科技有限公司 | 一种基于大数据分析的车位级导航方法及其系统 |
CN112687110B (zh) * | 2020-12-23 | 2023-02-28 | 江苏高立泊车科技有限公司 | 一种基于大数据分析的车位级导航方法及其系统 |
CN112990555A (zh) * | 2021-02-24 | 2021-06-18 | 上海交通大学 | 基于时空并行栅格神经网络的地铁人流量预测方法及系统 |
CN113657934A (zh) * | 2021-08-16 | 2021-11-16 | 京东城市(北京)数字科技有限公司 | 客流量预测模型的训练方法和客流量的预测方法和装置 |
CN115392752A (zh) * | 2022-09-01 | 2022-11-25 | 亿雅捷交通系统(北京)有限公司 | 一种地铁短时客流预测方法、系统、电子设备及存储介质 |
CN115392752B (zh) * | 2022-09-01 | 2023-11-28 | 亿雅捷交通系统(北京)有限公司 | 一种地铁短时客流预测方法、系统、电子设备及存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110866649B (zh) | 2022-09-20 |
WO2021098619A1 (zh) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866649B (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
Toqué et al. | Short & long term forecasting of multimodal transport passenger flows with machine learning methods | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
Gong et al. | Network-wide crowd flow prediction of sydney trains via customized online non-negative matrix factorization | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN103198645B (zh) | 一种基于乘客出行分布的高峰期公交线路跳站运行方法 | |
CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
CN113326974B (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN111667092A (zh) | 基于图卷积神经网络的轨道交通短时客流预测方法和系统 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN104464344B (zh) | 一种车辆行驶路径预测方法及系统 | |
CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN110516866A (zh) | 一种用于城市轨交地铁拥挤度的实时估计方法 | |
Shu et al. | Data-driven shuttle service design for sustainable last mile transportation | |
CN117546218A (zh) | 用于交通预测的分布式多任务机器学习 | |
Büchel et al. | Modeling conditional dependencies for bus travel time estimation | |
Bapaume et al. | Forecasting passenger flows and headway at train level for a public transport line: Focus on atypical situations | |
CN108132913B (zh) | 一种轨道交通客流移动估计方法、系统及电子设备 | |
Chuwang et al. | Short-term urban rail transit passenger flow forecasting based on fusion model methods using univariate time series | |
CN111367900B (zh) | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 | |
Cui et al. | Usage demand forecast and quantity recommendation for urban shared bicycles |
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 |