CN110880052A - 一种城市轨道交通短期客流动态预测方法 - Google Patents

一种城市轨道交通短期客流动态预测方法 Download PDF

Info

Publication number
CN110880052A
CN110880052A CN201911153861.2A CN201911153861A CN110880052A CN 110880052 A CN110880052 A CN 110880052A CN 201911153861 A CN201911153861 A CN 201911153861A CN 110880052 A CN110880052 A CN 110880052A
Authority
CN
China
Prior art keywords
passenger flow
cloud
prediction
short
rail transit
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
CN201911153861.2A
Other languages
English (en)
Inventor
么艳香
解秀勋
国冬梅
常秀娟
刘岩
高艳玲
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.)
Hebei Railway Transportation Vocational And Technical College
Original Assignee
Hebei Railway Transportation Vocational And Technical College
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 Hebei Railway Transportation Vocational And Technical College filed Critical Hebei Railway Transportation Vocational And Technical College
Priority to CN201911153861.2A priority Critical patent/CN110880052A/zh
Publication of CN110880052A publication Critical patent/CN110880052A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种城市轨道交通短期客流动态预测方法，基于传统客流预测方法与实际客流数据，产生预测时间区间的预测误差序列，采用逆向云发生器，建立预测误差云模型，采用正态云发生器，产生预测误差正态云滴分布图，利用分位数原理计算给定置信水平下的云滴分位数和与之相对应的客流量可能发生波动的置信范围，然后根据不确定性区间进行下一时刻的客流预测。本发明所提出的城市轨道交通短期客流动态预测方法可以实现城市轨道交通短期客流预测的不确定性分析，提高短期客流预测精度，为城市轨道交通的安全管理与运营组织决策提供更为准确的依据。

Description

一种城市轨道交通短期客流动态预测方法
技术领域
本发明涉及城市轨道交通客流预测领域，尤其涉及适用于城市轨 道交通短时客流动态预测方法。
背景技术
随着社会和经济的迅猛发展及城市自动化水平的不断提高，人们 的出行频率大幅度增加，城市轨道交通在多个国家及地区已发展成为 承担交通重要任务、改善城市交通结构、缓解交通需求和供给矛盾的 有力交通工具。随着网络化进程的推进及规模的扩大，城市轨道交通 凸显出客运量不断增加、客流强度平稳增长、客运效果显著等特点， 合理而准确地进行客流预测可为城市轨道交通的客流诱导、安全管理 与运营组织提供辅助决策分析手段。
城市轨道交通客流具有非线性、随机性、不确定性等特点，现有 的预测方法多为静态的、确定性等，预测方法往往存在一定的不足与 缺陷，导致短期客流预测精度较低。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提出一种动态的 城市轨道交通短期客流预测方法。
为达到以上目的，本发明采取的技术方案是：
一种城市轨道交通短期客流动态预测方法，包括以下步骤：
步骤A：划分预测时间区间，采用传统方法进行短期客流预测， 并与实际客流数据进行对比，得出预测误差序列样本集{xi}；
步骤B：采用逆向云发生器，建立预测误差序列的预测误差云模 型，产生符合预测误差分布规律的预测误差云模型3个数字特征；
步骤C：根据预测误差云模型的3个数字特征，采用正态云发生 器，产生预测误差正态云滴分布图；
步骤D：根据正态云滴分布，采用分位数原理计算客流预测不确 定性区间的上限值和下限值；
步骤E：根据不确定性区间，进行下一时刻客流预测。
2、在上述方案的基础上，步骤A中，所述传统预测方法包括支 持向量机、多元线性回归、深度学习、神经网络等常用预测方法。
3、在上述方案的基础上，步骤B中，所述预测误差云模型的3 个数字特征分别是期望(Ex)、熵(En)和超熵(He)，所述逆向 云发生器的计算方法为：
Figure RE-GDA0002307930020000021
Figure BDA0002282321340000022
Figure BDA0002282321340000023
其中：
Figure BDA0002282321340000024
为预测误差序列样本集{xi}的均值；n为样本个数；D2为二阶样本绝对中心矩阵；D4为四阶样本绝对中心矩阵；D2和D4的 计算公式分别为：
Figure BDA0002282321340000025
Figure BDA0002282321340000026
4、在上述方案的基础上，步骤C中，所述正态云发生器的计算 过程为：
(1)根据预测误差云模型的3个数字特征(Ex，En，He)，生 成一个正态随机数z＝normrand(En,He)；
(2)生成以Ex为期望值，z为方差的新的正态随机数 ai＝normrand(Ex,z)；
(3)计算ai的确定度
Figure BDA0002282321340000031
(4)构造云滴，即使具有确定度bi的ai成为论域空间中的一个云 滴(ai,bi)；
(5)重复(1)～(4)m次，产生m个云滴。
5、在上述方案的基础上，步骤D中，所述分位数原理指的是根 据正态云滴分布情况计算给定置信水平下的云滴分位数和与之相对 应的客流量可能发生波动的置信范围。
本发明所述的一种城市轨道交通短期客流动态预测方法，具有以 下有益效果：实现城市轨道交通短期客流预测的不确定性分析，提高 短期客流预测精度，为城市轨道交通的安全管理与运营组织决策提供 更为准确的依据。
附图说明
本发明有如下附图：
图1本发明所述的一种城市轨道交通短期客流动态预测方法构 建示意图；
图2本发明所述的正态云发生器计算过程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
如图1所示，本发明所述的一种城市轨道交通短期客流动态预测 方法构建方法，包括如下步骤：
步骤A：划分预测时间区间，采用传统方法进行短期客流预测， 并与实际客流数据进行对比，得出预测误差序列样本集{xi}。
其中所述传统预测方法包括支持向量机、多元线性回归、深度学 习、神经网络等常用预测方法。
步骤B：采用逆向云发生器，建立预测误差序列的预测误差云模 型，产生符合预测误差分布规律的预测误差云模型3个数字特征。
其中预测误差云模型的3个数字特征分别是期望(Ex)、熵(En) 和超熵(He)，所述逆向云发生器的计算方法为：
Figure RE-GDA0002307930020000041
Figure BDA0002282321340000042
Figure BDA0002282321340000043
式中：
Figure BDA0002282321340000044
为预测误差序列样本集{xi}的均值；n为样本个数；D2为二阶样本绝对中心矩阵；D4为四阶样本绝对中心矩阵；D2和D4的 计算公式分别为：
Figure BDA0002282321340000045
Figure BDA0002282321340000046
步骤C：根据预测误差云模型的3个数字特征，采用正态云发生 器，产生预测误差正态云滴分布图。
其中正态云发生器的计算过程如图2所示。
步骤D：根据正态云滴分布，采用分位数原理计算客流预测不确 定性区间的上限值和下限值。
其中，分位数原理指的是根据正态云滴分布情况计算给定置信水 平下的云滴分位数和与之相对应的客流量可能发生波动的置信范围。
步骤E：根据不确定性区间，进行下一时刻客流预测。
本发明所提出的一种城市轨道交通短期客流动态预测方法可实 现城市轨道交通短期客流预测的不确定性分析，提高短期客流预测精 度，为城市轨道交通的安全管理与运营组织决策提供更为准确的依 据。
以上所述，仅是本发明的较佳实例而已，并非对本发明作任何形 式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单 修改、等同变化或装饰，均落在本发明的保护范围内。
本说明书中未作详细描述的内容属于本领域专业技术人员公知 的现有技术。

Claims (5)

1.一种城市轨道交通短期客流动态预测方法，其特征在于，包括以下步骤：
步骤A：划分预测时间区间，采用传统方法进行短期客流预测，并与实际客流数据进行对比，得出预测误差序列样本集{xi}；
步骤B：采用逆向云发生器，建立预测误差序列的预测误差云模型，产生符合预测误差分布规律的预测误差云模型3个数字特征；
步骤C：根据预测误差云模型的3个数字特征，采用正态云发生器，产生预测误差正态云滴分布图；
步骤D：根据正态云滴分布，采用分位数原理计算客流预测不确定性区间的上限值和下限值；
步骤E：根据不确定性区间，进行下一时刻客流预测。
2.如权利要求1所述的一种城市轨道交通短期客流动态预测方法，其特征在于，步骤A中，所述传统预测方法包括支持向量机、多元线性回归、深度学习、神经网络等常用预测方法。
3.如权利要求1所述的一种城市轨道交通短期客流动态预测方法，其特征在于，步骤B中，所述预测误差云模型的3个数字特征分别是期望(Ex)、熵(En)和超熵(He)，所述逆向云发生器的计算方法为：
Figure RE-FDA0002307930010000011
Figure RE-FDA0002307930010000012
Figure RE-FDA0002307930010000013
其中：
Figure RE-FDA0002307930010000014
为预测误差序列样本集{xi}的均值；n为样本个数；D2为二阶样本绝对中心矩阵；D4为四阶样本绝对中心矩阵；D2和D4的计算公式分别为：
Figure RE-FDA0002307930010000021
Figure RE-FDA0002307930010000022
4.如权利要求1所述的一种城市轨道交通短期客流动态预测方法，其特征在于，步骤C中，所述正态云发生器的计算过程为：
(1)根据预测误差云模型的3个数字特征(Ex，En，He)，生成一个正态随机数z＝normrand(En,He)；
(2)生成以Ex为期望值，z为方差的新的正态随机数ai＝normrand(Ex,z)；
(3)计算ai的确定度
Figure RE-FDA0002307930010000023
(4)构造云滴，即使具有确定度bi的ai成为论域空间中的一个云滴(ai,bi)；
(5)重复(1)～(4)m次，产生m个云滴。
5.如权利要求1所述的一种城市轨道交通短期客流动态预测方法，其特征在于，步骤D中，所述分位数原理指的是根据正态云滴分布情况计算给定置信水平下的云滴分位数和与之相对应的客流量可能发生波动的置信范围。
CN201911153861.2A 2019-11-22 2019-11-22 一种城市轨道交通短期客流动态预测方法 Pending CN110880052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911153861.2A CN110880052A (zh) 2019-11-22 2019-11-22 一种城市轨道交通短期客流动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911153861.2A CN110880052A (zh) 2019-11-22 2019-11-22 一种城市轨道交通短期客流动态预测方法

Publications (1)

Publication Number Publication Date
CN110880052A true CN110880052A (zh) 2020-03-13

Family

ID=69729682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911153861.2A Pending CN110880052A (zh) 2019-11-22 2019-11-22 一种城市轨道交通短期客流动态预测方法

Country Status (1)

Country Link
CN (1) CN110880052A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070372A (zh) * 2020-08-25 2020-12-11 长沙理工大学 基于区间不确定性的公交客流分配方法、系统、存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254105A (zh) * 2011-08-10 2011-11-23 武汉大学 一种基于云模型元胞自动机的城市扩展预测方法
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
CN104102762A (zh) * 2014-04-29 2014-10-15 兰州交通大学 云模型模糊层次分析法在铁路信号系统风险分析中的应用
CN105513414A (zh) * 2015-12-25 2016-04-20 江苏东大金智信息系统有限公司 基于实时交通查询和云模型的停车场车位预测和推荐方法
CN105550493A (zh) * 2015-12-02 2016-05-04 江西理工大学 基于云模型和声搜索的水体叶绿素a浓度预测方法
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
CN108092319A (zh) * 2017-12-13 2018-05-29 国家电网公司 一种短期风电功率预测的不确定性分析方法及装置
CN108492608A (zh) * 2018-03-12 2018-09-04 北京航空航天大学 一种基于云模型的公交车客流量的分析方法及系统
CN109308343A (zh) * 2018-07-31 2019-02-05 北京航空航天大学 一种基于随机波动模型的行程时间预测及可靠性度量方法
EP3438946A2 (de) * 2017-08-02 2019-02-06 Siemens Aktiengesellschaft Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage
CN109544999A (zh) * 2019-01-14 2019-03-29 中国民航大学 一种基于云模型的空中交通网络可靠性评价方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254105A (zh) * 2011-08-10 2011-11-23 武汉大学 一种基于云模型元胞自动机的城市扩展预测方法
CN104102762A (zh) * 2014-04-29 2014-10-15 兰州交通大学 云模型模糊层次分析法在铁路信号系统风险分析中的应用
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
CN105550493A (zh) * 2015-12-02 2016-05-04 江西理工大学 基于云模型和声搜索的水体叶绿素a浓度预测方法
CN105513414A (zh) * 2015-12-25 2016-04-20 江苏东大金智信息系统有限公司 基于实时交通查询和云模型的停车场车位预测和推荐方法
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
EP3438946A2 (de) * 2017-08-02 2019-02-06 Siemens Aktiengesellschaft Verfahren zur vorhersage eines schaltzeitpunktes einer signalgruppe einer signalanlage
CN108092319A (zh) * 2017-12-13 2018-05-29 国家电网公司 一种短期风电功率预测的不确定性分析方法及装置
CN108492608A (zh) * 2018-03-12 2018-09-04 北京航空航天大学 一种基于云模型的公交车客流量的分析方法及系统
CN109308343A (zh) * 2018-07-31 2019-02-05 北京航空航天大学 一种基于随机波动模型的行程时间预测及可靠性度量方法
CN109544999A (zh) * 2019-01-14 2019-03-29 中国民航大学 一种基于云模型的空中交通网络可靠性评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付保明 等: "基于云模型的城市轨道交通短时客流预测" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070372A (zh) * 2020-08-25 2020-12-11 长沙理工大学 基于区间不确定性的公交客流分配方法、系统、存储介质
CN112070372B (zh) * 2020-08-25 2022-11-18 长沙理工大学 基于区间不确定性的公交客流分配方法、系统、存储介质

Similar Documents

Publication Publication Date Title
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
CN106677763B (zh) 一种基于动态集成建模的油井动液面预测方法
CN107610464A (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN103810101A (zh) 一种软件缺陷预测方法和软件缺陷预测系统
CN110213784B (zh) 一种流量预测方法及装置
CN108417038B (zh) 一种公交客流量的预测方法及系统
CN108287808A (zh) 一种面向结构可靠性分析的通用动态追踪序列采样方法
CN107885967A (zh) 一种回归模型超参数优化方法
CN108564228A (zh) 一种基于时序特征预测轨道交通od客流量的方法
CN104993966B (zh) 一种电力综合业务网流量预测方法
CN110880052A (zh) 一种城市轨道交通短期客流动态预测方法
CN106227965B (zh) 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法
CN108491958B (zh) 一种短时公交客流弦不变量预测方法
Cheng [Retracted] Employment Data Screening and Destination Prediction of College Students Based on Deep Learning
CN111062539A (zh) 基于次级用电量特性聚类分析的总电量预测方法
Yang et al. Dynamic Origin‐Destination Matrix Estimation Based on Urban Rail Transit AFC Data: Deep Optimization Framework with Forward Passing and Backpropagation Techniques
CN101930566A (zh) 基于平行系统的水利实验模拟系统及实验模拟方法
CN113780356B (zh) 基于集成学习模型的水质预测方法及系统
CN105046324A (zh) 一种基于移动神经网络的高程异常拟合内插计算方法
CN108090617A (zh) 一种城市内涝监测点的优化布置方法
Xing et al. Hydrological time series forecast by ARIMA+ PSO-RBF combined model based on wavelet transform
CN114463978A (zh) 一种基于轨道交通信息处理终端的数据监测方法
CN107463528A (zh) 基于ks检验的高斯混合模型分裂与合并算法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200313

WD01 Invention patent application deemed withdrawn after publication