CN111091225B - 一种基于深度学习的城市轨道交通短期客流预测方法 - Google Patents

一种基于深度学习的城市轨道交通短期客流预测方法 Download PDF

Info

Publication number
CN111091225B
CN111091225B CN201911085362.4A CN201911085362A CN111091225B CN 111091225 B CN111091225 B CN 111091225B CN 201911085362 A CN201911085362 A CN 201911085362A CN 111091225 B CN111091225 B CN 111091225B
Authority
CN
China
Prior art keywords
station
passenger flow
predicted
short
term
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.)
Expired - Fee Related
Application number
CN201911085362.4A
Other languages
English (en)
Other versions
CN111091225A (zh
Inventor
杨欣
尹浩东
吴建军
屈云超
薛秋驰
王永磊
万思军
杨桥
晏国杰
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.)
Guiyang Hisense Transtech Co ltd
Beijing Jiaotong University
Original Assignee
Guiyang Hisense Transtech Co ltd
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 Guiyang Hisense Transtech Co ltd, Beijing Jiaotong University filed Critical Guiyang Hisense Transtech Co ltd
Priority to CN201911085362.4A priority Critical patent/CN111091225B/zh
Publication of CN111091225A publication Critical patent/CN111091225A/zh
Application granted granted Critical
Publication of CN111091225B publication Critical patent/CN111091225B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于长短期记忆网络的城市轨道交通客流预测方法，其特征在于，包括步骤如下：步骤1，确定改进的时空长短期记忆网络模型的输入；步骤2，确定与待预测站点sk空间相关度最高的x个车站s1、s2…sx；步骤3，计算列车由车站s1、s2…sx运行到待预测站点sk所需时间
Figure DDA0002265227480000011
步骤4，根据步骤1所述的全网各站点的进出站客流量得到待预测站点sk的出站客流量序列
Figure DDA0002265227480000012
并得到比待预测站点sk早
Figure DDA0002265227480000013
的车站s1、s2…sx的进站客流序列
Figure DDA0002265227480000014
步骤5，将
Figure DDA0002265227480000015
和
Figure DDA0002265227480000016
输入改进的时空长短期记忆网络模型，输出为待预测站点sk的出站客流量；步骤6，计算预测性能指标。本发明用来对车站的出站客流进行预测，提高了预测精度。

Description

一种基于深度学习的城市轨道交通短期客流预测方法
技术领域
本发明涉及一种基于深度学习的城市轨道交通短期客流预测方法，具体涉及通过使用一种改进的时空长短期记忆网络(Sp-LSTM)去深度学习全网相关车站的历史客流数据，从而提高客流预测精度。属于城市轨道交通客流预测技术领域。
背景技术
21世纪以来，城市轨道交通的建设进入了高潮，运量大、速度快、安全可靠的城市轨道交通在现代化城市中起着越来越重要的作用。客流预测在城市轨道交通管理中具有重要的意义。准确的短期客流预测有利于运营部门提前安排站台值班人员、避免群体性事故的发生；便于交通枢纽站安排客流、组织接驳；方便地铁运营公司调整运营计划、编制列车运行图，从而提高整个城市轨道交通网络运营效率。
现阶段，城市轨道交通短时客流预测已经有了一定的研究基础。但大多数的预测模型是基于浅层学习和单车站预测，忽略了网络化运营情况下线网车站的相互影响，没有考虑到客流数据的时空性，导致预测结果与实际情况的偏差较大，难以指导运营公司做出准确的决策。
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供一种基于长短期记忆网络的城市轨道交通客流预测方法。具体为通过使用一种改进的时空长短期记忆网络模型，深度学习全网相关车站的历史客流数据，所述方法用来对车站的短期出站客流进行预测，从而提高客流预测精度。
为达到以上目的，本发明采取的技术方案是：
一种基于长短期记忆网络的城市轨道交通客流预测方法，包括步骤如下：
步骤1，确定改进的时空长短期记忆网络模型的输入；
所述输入包括以下5部分：待预测站点sk、选择空间相关度高的站点数量x、全网各站点的进出站客流量、全网OD矩阵、运营数据；
步骤2，确定与待预测站点sk空间相关度最高的x个车站s1、s2…sx；
步骤3，计算列车由车站s1、s2…sx运行到待预测站点sk所需时间
Figure BDA0002265227460000021
步骤4，根据步骤1所述的全网各站点的进出站客流量得到待预测站点sk的出站客流量序列
Figure BDA0002265227460000022
并得到比待预测站点sk早
Figure BDA0002265227460000023
的车站s1、s2…sx的进站客流序列
Figure BDA0002265227460000024
步骤5，将
Figure BDA0002265227460000025
和
Figure BDA0002265227460000026
输入改进的时空长短期记忆网络模型，输出为待预测站点sk的出站客流量；
步骤6，计算预测性能指标。
在上述方案的基础上，步骤1所述的运营数据包括：列车在各车站的运营时分。
在上述方案的基础上，步骤2具体包括如下步骤：
将全网各站点从1至n进行标号，构成站点集合N＝{1,2,…,i,…,n}，各站点间的OD数据可以表示为一个n×n的矩阵：
Figure BDA0002265227460000031
其中，fi,j,i,j∈N为起点为i终点为j的客流量；
根据全网OD矩阵构建两个指标p,q来衡量站点间的空间相关度；
其中，sk为待预测站点，用fk表示从待预测站点sk出站的所有客流量之和：
Figure BDA0002265227460000032
用pi表示站点si对待预测站点sk的客流量贡献程度，i∈[1,n]且i≠k：
Figure BDA0002265227460000033
将其中最大值命名为pmax，最小值命名为pmin。
用fi'表示各站点的进站客流量，i∈[1,n]且i≠k：
Figure BDA0002265227460000034
各站点进站客流大小也将影响站点si和待预测站点sk的空间相关度，用qi表示站点si的进站客流量对待预测站点sk的客流量影响程度，i∈[1,n]且i≠k：
Figure BDA0002265227460000035
将其中最大值命名为qmax，最小值命名为qmin；
对pi、qi进行加权求和：
Figure BDA0002265227460000041
Figure BDA0002265227460000042
Figure BDA0002265227460000043
其中，
Figure BDA0002265227460000044
分别为经过标准化后的pi,qi，ω1,ω2分别为p,q指标的重要性系数，zi为进行加权求和后的si站点与待预测站点sk间的空间相关度。将zi按从大到小的顺序排序，取前x个站点作为与待测站点sk空间相关度最高的站点，记为s1,s2…sx。
在上述方案的基础上，步骤3所述的列车由车站s1、s2…sx运行到待预测站点sk所需时间
Figure BDA0002265227460000045
可以根据运营数据得到。
在上述方案的基础上，步骤4具体包括如下步骤：
从时间维度上看，我们可以用一个一维时间序列描述一个站点的进出站客流量：
Figure BDA0002265227460000046
其中ft s代表站点s在第t个时间段内的进出站客流量，h为正整数。
根据步骤1所述的全网各站点的进出站客流量得到待预测站点sk的出站客流量序列
Figure BDA0002265227460000047
Figure BDA0002265227460000048
同时，得到比待预测站点sk早
Figure BDA0002265227460000049
的车站s1、s2…sx的进站客流量序列
Figure BDA0002265227460000051
Figure BDA0002265227460000052
Figure BDA0002265227460000053
Figure BDA0002265227460000054
在上述方案的基础上，步骤5具体包括如下步骤：
所述改进的时空长短期记忆网络模型(Sp-LSTM)和普通长短期记忆网络模型的基本结构一致，通过一个单元状态C来保存长期的状态；
在新数据传入改进的时空长短期记忆网络模型时，由遗忘门决定从上一时刻的单元状态中扔掉哪些历史数据，改进的时空长短期记忆网络模型的输入是一串时间序列数据，当输入为
Figure BDA0002265227460000055
时，所述历史数据指的是前h个数据，新数据指的是ft s，此过程可表示为ft：
ft＝σ(Wf[ht-1,xt]+bf)
其中，Wf为遗忘门的权重矩阵，[ht-1,xt]表示把ht-1和xt这两个矩阵连接成一个矩阵，bf是遗忘门的偏置项，σ是sigmoid函数。
为了避免记忆当前无关紧要的内容，由输入门决定了改进的时空长短期记忆网络模型的输入xt有多少保存到单元状态Ct，此过程可以表示为it：
int＝σ(Wi[ht-1,xt]+bi)
其中，Wi为输入门的权重矩阵，bi是输入门的偏置项。
使用tanh生成t时刻的候选值向量，表示为
Figure BDA0002265227460000056
Figure BDA0002265227460000061
其中，WC为计算单元状态的权重矩阵，bC为偏置项。结合以上两步，对旧的单元状态进行更新，sigmoid函数选择更新内容，得到新的单元状态Ct：
Figure BDA0002265227460000062
其中，符号
Figure BDA0002265227460000067
表示按元素乘；
改进的时空长短期记忆网络模型的输出由输出门和单元状态共同确定；输出门决定过程表示为ot，当前输出值ht与新的单元状态Ct有关：
ot＝σ(Wo[ht-1,xt]+bo)
Figure BDA0002265227460000063
其中，Wo和bo分别为输出门的权重矩阵和偏置项。
在上述方案的基础上，所述步骤6所述的性能指标包括平均绝对误差和均方根误差：
Figure BDA0002265227460000064
Figure BDA0002265227460000065
其中，MAE为平均绝对误差，RMSE为均方根误差，fi为实际客流量，
Figure BDA0002265227460000066
为预测得到的客流量。
在上述方案的基础上，所述改进的时空长短期记忆网络模型能够通过python编程语言实现。
本发明有益效果：
本发明用来对车站的出站客流进行预测，提高了预测精度，并具有如下优点：
(1)考虑了出行数据的时空性，提高了预测精度。
(2)模型简单，易于理解和计算，应用性较强。
(3)计算速度快。
附图说明
本发明有如下附图：
图1为本发明所述方法长短期记忆网络结构示意图；
图1中，xt为当前输入，Ct为当前单元状态，ht为当前输出，ht-1为上一个时刻的输出，Ct-1为上一个时刻的单元状态；
图2为本发明所述方法的结构流程图；
图3为北京地铁机场线线路图；
图4为2017年5月3日机场线各站点的客流量；
图5a为15min客流预测效果；
图5b为30min客流预测效果；
图5c为60min客流预测效果；
图6a为不同预测模型15min客流预测性能指标的对比；
图6b为不同预测模型30min客流预测性能指标的对比；
图6c为不同预测模型60min客流预测性能指标的对比；
具体实施方式
以下结合附图1～6对本发明作进一步详细说明。
本发明提供一种基于长短期记忆网络的城市轨道交通客流预测方法。具体为通过使用一种改进的时空长短期记忆网络，深度学习全网相关车站的历史客流数据，对车站的短时出站客流进行预测，并且提高客流预测精度。
本发明以北京地铁网作为研究对象，我们通过地铁运营公司得到了地铁各站点每15分钟的进站和出站客流，如下表1所示。
表1北京地铁网全网各站点每15分中进站/出站客流
Figure BDA0002265227460000081
我们选取北京地铁机场线作为研究对象。随着航空运输需求量的快速增长，机场吞吐量在不断增加。安检、应急、值机等机场服务要求管理人员能够准确地预测未来的旅客吞吐量，并相应地提前分配人力和物力资源。因此，准确的机场线短期客流量预测对机场和地铁管理具有重要意义。北京地铁机场线如图3所示，它经北京市区与北京首都国际机场，全长28.1千米，共设4座车站。
机场线采用Y字形回路运营，沿东直门站、三元桥站、3号航站楼站、2号航站楼站、三元桥站、东直门站的顺序行驶。其中东直门站是13号线与机场线的换乘车站，三元桥站是10号线与机场线的换乘车站。图4所示为2017年5月3日北京地铁机场线各站点的客流量。
根据北京地铁公司的运营数据，得到机场线的上行时刻表，如表2所示，将东直门发车时间设为0时刻。
表2机场线时刻表
Figure BDA0002265227460000082
根据本发明构建的Sp-LSTM模型，对T2航站楼的出站客流进行预测。
步骤1，确定模型的输入；
本发明以2017年5月1日至8月31日(除5月8日、5月22日、5月27日，共120天)的机场线各站从5:45到22:15的进出站客流数据构成输入数据集。以表2所示的机场线时刻表作为运营数据输入，选择T2航站楼作为待预测站点sk，选择空间相关度高的站点数量x＝3。
步骤2，确定与待预测站点sk空间相关度最高的x个车站s1、s2…sx；
因为机场线的相对独立性和特殊性(只含4个站点)，我们推测与T2航站楼空间相关度最高三个的站点为东直门站、三元桥站、T3航站楼站，将其分别命名为s1、s2、s3。
步骤3，计算列车由车站s1、s2、s3运行到车站sk所需时间
Figure BDA0002265227460000091
Figure BDA0002265227460000092
根据表2可知：
Figure BDA0002265227460000093
其中T＝15min，是AFC设备统计一次进出站客流的时间间隔。
步骤4，确定车站s1、s2、s3和sk的客流序列；
我们从全网各站点的进出站客流量得到待预测站点sk的出站客流序列
Figure BDA0002265227460000094
Figure BDA0002265227460000095
同时得到比待预测站点sk早
Figure BDA0002265227460000096
的车站s1、s2、s3的进站客流序列
Figure BDA0002265227460000097
Figure BDA0002265227460000098
Figure BDA0002265227460000099
Figure BDA00022652274600000910
步骤5，将
Figure BDA00022652274600000911
同时输入改进的时空长短期记忆网络，输出为预测的站点sk的出站客流。
以东直门站进站客流、三元桥站进站客流和3号航站楼出站客流为模型的多序列输入，预测2号航站楼的出站客流。其中前90％作为训练集数据，后10％作为测试集数据。
步骤6，计算预测性能指标。
对于LSTM模型的结构，我们需要确定的参数是迭代次数epochs和隐藏单元的数量units。我们分别选择不同的epochs和不同的units对15min的客流量进行预测，得到了如表3所示的实验结果。
表3预测网络结构的性能指标
Figure BDA0002265227460000101
通过表3可以看出，当epochs不变时，随着units的增加，模型的预测精度得到了提高，预测误差MAE和RMSE都呈下降趋势，但程序花费的时间却飞速上升；当epochs增加时，模型的预测性能指标也有了提升，花费的时间也相应增长。我们需要在预测性能指标和用时上做一个折中，选择一个精度和时间都在可接受范围内的参数。本发明选择epochs＝500,units＝100作为Sp-LSTM模型的参数。利用该模型分别对15分钟、30分钟和60分钟时T2航站楼的出站客流量进行预测，得到图5所示结果。
表4对比了相同数据集下不同预测模型的预测性能指标。
表4不同预测模型的性能指标
Figure BDA0002265227460000111
通过表4和图4，我们可以得到在此数据集下，Sp-LSTM模型预测精度最高，LSTM和NAR模型相差不大，ARIMA模型精度最低。同时我们可以得到，在15min时各预测模型的精度最高，60min时预测误差已经非常大，这可能与60min数据集的数据总量小有关，也说明了预测时间跨度较大时，这四种模型并不适合直接预测客流量。
根据上述各数据并通过本发明提出的模型，与常规的LSTM模型相比，Sp-LSTM模型可使MAE降低43.69％，RMSE降低43.96％，说明了该模型具有较好的效果。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于深度学习的城市轨道交通短期客流预测方法，其特征在于，包括步骤如下：
步骤1，确定改进的时空长短期记忆网络模型的输入；
所述输入包括以下5部分：待预测站点sk、选择空间相关度高的站点数量x、全网各站点的进出站客流量、全网OD矩阵、运营数据；
步骤2，确定与待预测站点sk空间相关度最高的x个车站s1、s2…sx；
步骤3，计算列车由车站s1、s2…sx运行到待预测站点sk所需时间
Figure FDA0003476978270000011
步骤4，根据步骤1所述的全网各站点的进出站客流量得到待预测站点sk的出站客流量序列
Figure FDA0003476978270000012
并得到比待预测站点sk早
Figure FDA0003476978270000013
的车站s1、s2…sx的进站客流序列
Figure FDA0003476978270000014
步骤5，将
Figure FDA0003476978270000015
和
Figure FDA0003476978270000016
输入改进的时空长短期记忆网络模型，输出为待预测站点sk的出站客流量；
步骤6，计算预测性能指标；
步骤1所述的运营数据包括：列车在各车站的运营时分；
步骤2具体包括如下步骤：
将全网各站点从1至n进行标号，构成站点集合N＝{1,2,…,i,…,n}，各站点间的OD数据表示为一个n×n的矩阵：
Figure FDA0003476978270000021
其中，fi,j,i,j∈N为起点为i终点为j的客流量；
根据全网OD矩阵构建两个指标p,q来衡量站点间的空间相关度；
其中，sk为待预测站点，用fk表示从待预测站点sk出站的所有客流量之和：
Figure FDA0003476978270000022
用pi表示站点si对待预测站点sk的客流量贡献程度，i∈[1,n]且i≠k：
Figure FDA0003476978270000023
将其中最大值命名为pmax，最小值命名为pmin；
用fi'表示各站点的进站客流量，i∈[1,n]且i≠k：
Figure FDA0003476978270000024
各站点进站客流大小也将影响站点si和待预测站点sk的空间相关度，用qi表示站点si的进站客流量对待预测站点sk的客流量影响程度，i∈[1,n]且i≠k：
Figure FDA0003476978270000025
将其中最大值命名为qmax，最小值命名为qmin；
对pi、qi进行加权求和：
Figure FDA0003476978270000031
Figure FDA0003476978270000032
Figure FDA0003476978270000033
其中，
Figure FDA0003476978270000034
分别为经过标准化后的pi,qi，ω1,ω2分别为p,q指标的重要性系数，zi为进行加权求和后的si站点与待预测站点sk间的空间相关度；将zi按从大到小的顺序排序，取前x个站点作为与待测站点sk空间相关度最高的站点，记为s1,s2…sx。
2.如权利要求1所述的基于深度学习的城市轨道交通短期客流预测方法，其特征在于，步骤3所述的列车由车站s1、s2…sx运行到待预测站点sk所需时间
Figure FDA0003476978270000035
根据运营数据得到。
3.如权利要求2所述的基于深度学习的城市轨道交通短期客流预测方法，其特征在于，步骤4具体包括如下步骤：
用一维时间序列描述一个站点的进出站客流量：
Figure FDA0003476978270000036
其中ft s代表站点s在第t个时间段内的进出站客流量，h为正整数；
根据步骤1所述的全网各站点的进出站客流量得到待预测站点sk的出站客流量序列
Figure FDA0003476978270000037
Figure FDA0003476978270000038
同时，得到比待预测站点sk早
Figure FDA0003476978270000041
的车站s1、s2…sx的进站客流量序列
Figure FDA0003476978270000042
Figure FDA0003476978270000043
Figure FDA0003476978270000044
Figure FDA0003476978270000045
4.如权利要求3所述的基于深度学习的城市轨道交通短期客流预测方法，其特征在于，步骤5具体包括如下步骤：
所述改进的时空长短期记忆网络模型和普通长短期记忆网络模型的结构一致，通过一个单元状态C来保存长期的状态；
在新数据传入改进的时空长短期记忆网络模型时，由遗忘门决定从上一时刻的单元状态中扔掉哪些历史数据，改进的时空长短期记忆网络模型的输入是一串时间序列数据，当输入为
Figure FDA0003476978270000046
时，所述历史数据指的是前h个数据，新数据指的是ft s，此过程表示为ft：
ft＝σ(Wf[ht-1,xt]+bf)
其中，Wf为遗忘门的权重矩阵，[ht-1,xt]表示把ht-1和xt这两个矩阵连接成一个矩阵，bf是遗忘门的偏置项，σ是sigmoid函数；
为了避免记忆当前无关紧要的内容，由输入门决定了改进的时空长短期记忆网络模型的输入xt有多少保存到单元状态Ct，此过程表示为int：
int＝σ(Wi[ht-1,xt]+bi)
其中，Wi为输入门的权重矩阵，bi是输入门的偏置项；
使用tanh生成t时刻的候选值向量，表示为
Figure FDA0003476978270000051
Figure FDA0003476978270000052
其中，WC为计算单元状态的权重矩阵，bC为偏置项；
对旧的单元状态进行更新，sigmoid函数选择更新内容，得到新的单元状态Ct：
Figure FDA0003476978270000053
其中，符号
Figure FDA0003476978270000054
表示按元素乘；
改进的时空长短期记忆网络模型的输出由输出门和单元状态共同确定；输出门决定过程表示为ot，当前输出值ht与新的单元状态Ct有关：
ot＝σ(Wo[ht-1,xt]+bo)
Figure FDA0003476978270000055
其中，Wo和bo分别为输出门的权重矩阵和偏置项。
5.如权利要求4所述的基于深度学习的城市轨道交通短期客流预测方法，其特征在于，所述步骤6所述的性能指标包括平均绝对误差和均方根误差：
Figure FDA0003476978270000056
Figure FDA0003476978270000057
其中，MAE为平均绝对误差，RMSE为均方根误差，fi为实际客流量，
Figure FDA0003476978270000058
为预测得到的客流量。
6.如权利要求1所述的基于深度学习的城市轨道交通短期客流预测方法，其特征在于，所述改进的时空长短期记忆网络模型能够通过python编程语言实现。
CN201911085362.4A 2019-11-08 2019-11-08 一种基于深度学习的城市轨道交通短期客流预测方法 Expired - Fee Related CN111091225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911085362.4A CN111091225B (zh) 2019-11-08 2019-11-08 一种基于深度学习的城市轨道交通短期客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911085362.4A CN111091225B (zh) 2019-11-08 2019-11-08 一种基于深度学习的城市轨道交通短期客流预测方法

Publications (2)

Publication Number Publication Date
CN111091225A CN111091225A (zh) 2020-05-01
CN111091225B true CN111091225B (zh) 2022-05-06

Family

ID=70393138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911085362.4A Expired - Fee Related CN111091225B (zh) 2019-11-08 2019-11-08 一种基于深度学习的城市轨道交通短期客流预测方法

Country Status (1)

Country Link
CN (1) CN111091225B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001548B (zh) * 2020-08-25 2023-10-20 北京交通大学 一种基于深度学习的od客流预测方法
CN112232415B (zh) * 2020-10-16 2021-07-20 中南大学 一种高铁全网络站点延误传播的识别方法、设备及介质
CN112766597B (zh) * 2021-01-29 2023-06-27 中国科学院自动化研究所 公交客流预测方法及系统
CN112905659A (zh) * 2021-02-05 2021-06-04 希盟泰克(重庆)实业发展有限公司 一种基于bim与人工智能的城市轨道交通数据分析方法
CN113159385A (zh) * 2021-03-22 2021-07-23 中铁信(北京)网络技术研究院有限公司 一种基于深度强化学习的自反馈客流控制方法及装置
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
CN113919584A (zh) * 2021-10-25 2022-01-11 北京邮电大学 基于lstm的自适应短时客流预测方法及相关设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010140074A (ja) * 2008-12-09 2010-06-24 Railway Technical Res Inst プログラム及び旅客需要予測装置
CN106709609A (zh) * 2017-01-12 2017-05-24 北京交通大学 一种预测控制地铁车站进站量的方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010140074A (ja) * 2008-12-09 2010-06-24 Railway Technical Res Inst プログラム及び旅客需要予測装置
CN106709609A (zh) * 2017-01-12 2017-05-24 北京交通大学 一种预测控制地铁车站进站量的方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Cluster-Based LSTM Network for Short-Term Passenger Flow Forecasting in Urban Rail Transit;Jinlei Zhang;《IEEE Access》;20190717;全文 *
基于深度学习的城市轨道交通客流预测研究;薛秋驰;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20210315;全文 *

Also Published As

Publication number Publication date
CN111091225A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
CN111091225B (zh) 一种基于深度学习的城市轨道交通短期客流预测方法
WO2023056696A1 (zh) 基于循环神经网络的城市轨道交通短时客流预测方法
EP4030365A1 (en) Multi-mode multi-service rail transit analog simulation method and system
CN105279572B (zh) 城市轨道交通客流密集度指数计算与发布系统
CN109308543A (zh) 基于ls-svm和实时大数据的地铁短期客流预测方法
CN104200286A (zh) 一种城市轨道交通时刻表优化技术应用框架
CN110175690A (zh) 一种景区客流量预测的方法、装置、服务器和存储介质
US20210354731A1 (en) Method and system for identifying traveling backward passengers and boarding trains in rail transit
CN114399099A (zh) 一种城市轨道交通断面客流的预测方法及装置
CN112508305A (zh) 基于lstm的公共场所入口人流量预测方法
Lu et al. Analysis of subway station distribution capacity based on automatic fare collection data of Nanjing metro
Zhang et al. Forecast daily tourist volumes during the epidemic period using COVID-19 data, search engine data and weather data
CN111737826B (zh) 一种基于增强学习的轨道交通自动仿真建模方法及装置
CN116933946A (zh) 一种基于客流去向结构的轨道交通od客流预测方法及系统
CN108876064A (zh) 基于客流量的城市轨道交通网络关键车站识别方法
CN116153125A (zh) 一种基于ida-rnn模型的空间维度公交到达时间预测方法
CN113962437A (zh) 人流预测模型的构建方法及轨道交通站人流情况预测方法
Xie et al. Subway sudden passenger flow prediction method based on two factors: case study of the Dongsishitiao station in Beijing
Grandhi et al. An estimation framework to quantify railway disruption parameters
Luo et al. Regression model for daily passenger volume of high-speed railway line under capacity constraint
CN107748927A (zh) 旅游交通短时客流大数据预测方法
Panovski et al. A neural network-based approach for public transportation prediction with traffic density matrix
Ji et al. Forecast on bus trip demand based on ARIMA models and gated recurrent unit neural networks
CN115056829B (zh) 多车型连续学习的列车运动状态估计方法
CN116451867A (zh) 一种基于时空出行路径标定的地铁短时客流预测方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220506