CN111695722A - 一种城市轨道交通车站节假日短时客流预测方法 - Google Patents
一种城市轨道交通车站节假日短时客流预测方法 Download PDFInfo
- Publication number
- CN111695722A CN111695722A CN202010401723.8A CN202010401723A CN111695722A CN 111695722 A CN111695722 A CN 111695722A CN 202010401723 A CN202010401723 A CN 202010401723A CN 111695722 A CN111695722 A CN 111695722A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- time period
- last
- holiday
- day
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011426 transformation method 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市轨道交通车站节假日短时客流预测方法。该方法如下：将节假日前一天和节假日期间分为两种不同的预测日期类型；运用Spark并行计算框架，统计相关历史日期的各时间段客流量；选择与目标时间段相关的时间段内客流量作为影响因子，采用Spearman相关系数法计算目标时间段的客流量与各影响因子的相关性，根据相关性确定预测因子；基于神经网络建立目标车站的节假日短时客流预测模型，将预测因子作为输入，将目标时间段的客流量作为输出，运用Spark并行计算框架训练模型，最后采用该模型预测目标车站在目标时间段内的客流量。本发明保证了训练数据的可靠性和合理性，提高了预测精度和预测效率。
Description
技术领域
本发明涉及城市轨道交通客流预测技术，特别是一种城市轨道交通车站节假日短时客流预测方法。
背景技术
近年来，各大城市轨道交通发展迅猛，城市轨道网络复杂程度的增加，使得城市轨道交通工作的重点将转向运营管理。良好的客流预测是运营管理工作开展的基础，节假日期间的城市轨道交通客流的影响因素复杂且客流短期内的客流变化较大，一些突发的大客流还存在严重的安全隐患，精准高效的节假日短时客流预测能够反映客流短时间段内的变化规律，是轨道交通服务水平、系统运行状态评价的重要决策指标，也是站台拥挤管理、应急响应的重要依据，准确、可靠地预测短时间段客流，对于轨道交通运营资源的配置和调度至关重要。
目前常运用人工神经网络进行短时客流预测，但是存在样本训练集数量要求高、过度训练、局部最优化和高计算负担的问题，并且数据样本的增大必然会导致神经网络模型训练时间变长，收敛速度变慢。相比于平常的工作日与周末，节假日较为特殊，其周期时间跨度过大，导致客流变化会受到站点周边城市基础建设发展带来的影响，因此常规的机器学习或者神经网络自学习方法无法减弱外部因素的干扰。
发明内容
本发明的目的在于提供一种能够考虑节假日因素并兼顾训练样本数量和精度的城市轨道交通车站节假日短时客流预测方法。
实现本发明目的的技术解决方案为：一种城市轨道交通车站节假日短时客流预测方法，包括如下步骤：
步骤1、将节假日前一天和节假日期间分为两种不同的预测日期类型，根据目标车站天气情况对预测日期对应的相关历史日期进行标记，剔除恶劣天气对应日期的数据，恶劣天气包括大雨、暴雨、台风天气；
步骤2、运用Spark并行计算框架，统计所标记相关历史日期的各时间段客流量；
步骤3、选择与目标时间段相关的时间段内客流量作为影响因子，采用Spearman相关系数法计算目标时间段的客流量与各影响因子的相关性，根据相关性结果在节假日前一天和节假日期间两个日期类型下选择相应的预测因子；
步骤4、基于神经网络建立目标车站的节假日短时客流预测模型，将选取的预测因子作为神经网络的输入，将目标时间段的客流量作为神经网络的输出，运用Spark并行计算框架训练目标车站的节假日短时客流预测模型；
步骤5、采用训练好的神经网络模型即节假日短时客流预测模型，预测目标车站在目标时间段内的客流量。
本发明与现有技术相比，其显著优点为：(1)结合可能影响节假日客流的因素，运用了Spark大数据平台对大量客流数据进行筛选和提取，提高了节假日进出站客流输入样本集的精准性，加快了处理大数据的效率；(2)针对城市轨道交通节假日客流不同日期类型的特性设计短时客流预测方案，并使用相关性分析对数据进行处理分析，保证了输入数据和输出数据的可靠性和合理性；(3)结合影响节假日客流预测因素，衡量了因站点周边土地利用带来的客流规模变化、降雨以及训练模型样本集行数等因素，确定了不同预测日期类型下训练模型的样本；(4)在确保一定精度的情况下，对网络及激活函数、评价函数及其他参数进行调整，有效缩短了神经网络的训练时间，解决了节假日随机性及非线性强特点带来的预测难的问题。
附图说明
图1为本发明城市轨道交通车站节假日短时客流预测方法的流程图。
图2为Adam-LSTM神经网络遗忘门结构图。
图3为Adam-LSTM神经网络输入门(a)结构图。
图4为Adam-LSTM神经网络输入门(b)结构图。
图5为Adam-LSTM神经网络输出门结构图。
图6为东山口元旦前一天进站客流向量组织形式的示意图。
图7为东山口元旦节假日期间第一天进站客流向量组织形式的示意图。
图8为东山口站元旦前一天进站客流预测结果图。
图9为东山口站元旦节假日期间第一天进站客流预测结果图。
图10为东山口站劳动节前一天进站客流预测结果图。
图11为东山口站劳动节节假日期间第一天进站客流预测结果图。
图12为东山口站国庆节前一天进站客流预测结果图。
图13为东山口站国庆节节假日期间第一天进站客流预测结果图。
具体实施方式
下面结合附图和具体实施例，进一步说明本发明方案。
本发明城市轨道交通车站节假日短时客流预测方法，根据影响节假日客流预测的主要因素，结合Spark并行计算框架平台和基于时间序列的循环神经网络模型，调整激活函数及相关参数，降低模型陷入局部最优的概率及样本集数量的要求，最终实现对车站不同节假日类型的短时客流高精度预测，为节假日期间的行车运营组织及制定安全疏散方案提供参考，提高轨道交通的运营效率。如图1所示，具体步骤如下：
步骤1、将节假日前一天和节假日期间分为两种不同的预测日期类型，根据目标车站天气情况对预测日期对应的相关历史日期进行标记，剔除恶劣天气对应日期的数据，恶劣天气包括大雨、暴雨、台风天气。
步骤2、运用Spark并行计算框架，统计所标记相关历史日期的各时间段客流量，具体如下：
以15min为时间粒度，统计所标记相关历史日期的各时间段客流量，由于城市轨道交通每天运营时间段一般为6:00-23:00，因此每天的客流数据整理成如表1所示。
表1XX站X年X月X日客流量统计表
步骤3、选择与目标时间段相关的时间段内客流量作为影响因子，采用Spearman相关系数法计算目标时间段的客流量与各影响因子的相关性，根据相关性结果在节假日前一天和节假日期间两个日期类型下选择相应的预测因子。
a、所述选择与目标时间段相关的时间段内客流量作为影响因子，具体如下：
节假日前一天：
节假日前一天预测日期类型下，影响因子包括：与目标时间段相比，最近一个周五的前三时间段、最近一个周五的前二时间段、最近一个周五的前一时间段、最近一个周五的同一时间段、最近一个周五的后一时间段、最近一个周五的后二时间段、最近一个周五的后三时间段、去年前一天的前三时间段、去年前一天的前二时间段、去年前一天的前一时间段、去年前一天的同一时间段、去年前一天的后一时间段、去年前一天的后二时间段、去年前一天的后三时间段。这十四个时间段的客流量作为影响预测时间段客流量的候选因子，进行相关度的计算。
节假日期间预测日期类型下，影响因子包括：与目标时间段相比，去年同一天的前三时间段、去年同一天的前二时间段、去年同一天的前一时间段、去年同一天的同一时间段、去年同一天的后一时间段、去年同一天的后二时间段、去年同一天的后三时间段、去年前一天的前三时间段、去年前一天的前二时间段、去年前一天的前一时间段、去年前一天的同一时间段、去年前一天的后一时间段、去年前一天的后二时间段、去年前一天的后三时间段。这十四个时间段的客流量作为影响预测时间段客流量的候选因子，进行相关度的计算。
b、采用Spearman相关系数法计算目标时间段的客流量与各影响因子的相关性，Spearman相关性系数公式如式(1)所示：
其中，ρ表示目标时间段的客流向量与各影响因子向量的Spearman相关性系数；两者向量的元素个数均为N；i表示两个向量的第i个元素；di表示两个向量中第i个元素在本向量所有元素中的排行差值。
结合相关性分析选择的预测因子，将客流数据组织成预测所需的向量形式。
c、根据Spearman相关系数结果，在节假日前一天和节假日期间两个日期类型下分别选择相关性系数大于0.85的影响因子作为预测因子，若相关性系数大于0.85的影响因子不足八个，则选取相关性系数排在前八位的影响因子作为预测因子。
步骤4、基于神经网络建立目标车站的节假日短时客流预测模型，将选取的预测因子作为神经网络的输入，将目标时间段的客流量作为神经网络的输出，运用Spark并行计算框架训练目标车站的节假日短时客流预测模型。
基于LSTM神经网络建立目标车站的节假日短时客流预测模型，LSTM神经网络的结构分为输入门、遗忘门以及输出门，模型设计具体内容如下：
a、网络结构设计
采用Adam-LSTM神经网络作为城市轨道交通车站节假日短时客流预测模型，结构分为输入门、遗忘门以及输出门，各个门结构如图2～图5所示。
1)遗忘门
如图2所示，长短记忆网络中的遗忘门主要是解决了在训练模型的过程中让哪些信息继续通过神经元。其主要决定前一时刻的St-1和Ct-1中的哪些信息继续保留到Ct，该过程主要是通过一个sigmoid神经层和一个逐点相乘来完成的。前一时刻的St-1和Xt经过sigmoid函数变换得到内部当前时刻的输出ft，具体变换方法如式(2)所示。其中，Wf表示遗忘门的权值矩阵，[St-1，Xt]为两个向量矩阵之间的纵向操作，bf为输入的偏置项。
ft＝σ(Wf[St-1，Xt]+bf) (2)
2)输入门
如图3所示，输入门(a)的功能是决定单元状态Ct有多少来自于当前时刻的Xt，此部分主要有由一个是sigmoid神经层和一个tanh神经层决定，它们的功能分别决定哪些信息会被更新以及生成备选信息。关键环节是，将这两个输出进行逐点相乘，从而对单元状态Ct进行更新，具体过程如式(3)和(4)所示。其中，it为输入门的输出，C't为当前时刻输入单元状态的信息，bi为输入门的偏置项，bc为单元状态的偏置项。
it＝σ(Wi[St-1,Xt]+bi) (3)
C't＝tanh(Wc[St-1，Xt]+bc) (4)
如图4所示，输入门(b)的功能是为了把不想保留的信息进行过滤，最终有选择性地将信息输入到当前状态中，该过程通过元素相加完成，其中ft为遗忘门的输出，具体计算过程如式(5)所示：
3)输出门
如图5所示，输出门的作用是完成信息的选择性记忆和更新，考虑如何将当前的信息进行输出，该门最核心的步骤就是决定单元状态Ct中输出到长短时记忆神经网络St中的部分。在输出St的过程中，主要是依赖于当前神经状态Ct和sigmoid神经层，具体过程如式(6)和(7)所示。其中，St为输出层的输出，bo为输出门的偏置项，ot为未过滤前的输出值。
ot＝σ(Wo[St-1，Xt]+bo) (6)
b、网络算法设计
1)前向梯度算法设计
考虑到网络及特征维度的复杂性和非线性强等特点，选择sigmoid和tanh两种激活函数。具体如公式(8)和(9)所示：
在模型构建中，激活函数的导数由上述公式中的原函数进行代替，从而在模型训练中减少了计算时间。
2)反向传播算法设计
在方向传播过程中，采用Adam梯度优化算法对网络的权值及阈值调整。Adam方法利用梯度的一阶矩阵和二阶矩阵估计为各个参数寻找合适的学习速率，并且通过梯度的矩阵动态估计对学习效率进行调整，同时会将学习速率限制在明确的范围内，使参数变化相对平稳。具体如式(10)所示：
式(10)中，m't表示期望E|gt|值的无偏估计，n't表示期望的无偏估计，gt表示当前时刻t的梯度，η是默认的学习速率，ε为非零常数。m't和n't可通过公式(11)和(12)得到：
式(11)和(12)中，mt、nt分别为gt的一阶矩阵估计和二阶矩阵估计，v和μ均为0到1之间的实数。mt和nt计算方法如式(13)和(14)所示：
mt＝μ×mt-1+(1-μ)×gt (13)
nt＝v×nt-1+(1-v)×gt 2 (14)
步骤5、采用训练好的神经网络模型即节假日短时客流预测模型，预测目标车站在目标时间段内的客流量。
实施例
为了验证本发明方案的有效性，以广州地铁1号线东山口站2013年、2014年、2015年及2016年中元旦、劳动节、国庆节的前后半个月进站客流数据作为实验数据，用来预测2015年12月31日、2016年1月1日、2016年4月30日、2016年5月1日、2016年9月30日、2016年10月1日的进站客流量。进站短时客流预测，具体包括以下五大步骤：
步骤1、将节假日前一天和节假日期间分为两种不同的预测日期类型，根据天气情况对相关历史日期进行标记，剔除大雨、暴雨、台风等恶劣天气对应日期的数据。
步骤2、运用Spark并行计算框架，统计东山口站2013年、2014年、2015年及2016年中元旦、劳动节、国庆节的前后半个月进站客流数据，部分数据如表2所示。
表2东山口站2016年1月1日进站客流量统计表
步骤3、采用Spearman相关系数方法，计算预测目标点与各影响因子的相关性，根据相关性结果在节假日前一天和节假日期间两个日期类型下选择相应的预测因子。相关性系数结果如表3和表4所示。
表3东山口站元旦前一天进站客流量相关性系数
| 影响因子 | 2012.12.31 | 2013.12.31 | 2014.12.31 | 2015.12.31 | 平均值 |
| 周五前三 | 0.806 | 0.826 | 0.815 | 0.823 | 0.818 |
| 周五前二 | 0.853 | 0.857 | 0.866 | 0.852 | 0.857 |
| 周五前一 | 0.912 | 0.902 | 0.922 | 0.928 | 0.916 |
| 周五同一 | 0.920 | 0.918 | 0.933 | 0.926 | 0.924 |
| 周五后一 | 0.911 | 0.917 | 0.910 | 0.901 | 0.910 |
| 周五后二 | 0.841 | 0.827 | 0.832 | 0.849 | 0.837 |
| 周五后三 | 0.782 | 0.796 | 0.769 | 0.748 | 0.774 |
| 去年前三 | 0.821 | 0.832 | 0.833 | 0.812 | 0.825 |
| 去年前二 | 0.883 | 0.892 | 0.876 | 0.862 | 0.878 |
| 去年前一 | 0.898 | 0.903 | 0.911 | 0.875 | 0.897 |
| 去年同一 | 0.905 | 0.915 | 0.925 | 0.913 | 0.915 |
| 去年后一 | 0.909 | 0.901 | 0.912 | 0.911 | 0.908 |
| 去年后二 | 0.844 | 0.813 | 0.860 | 0.843 | 0.840 |
| 去年后三 | 0.801 | 0.821 | 0.821 | 0.795 | 0.810 |
根相关性系数的平均值，选取东山口站元旦前一天的进站客流预测因子，即去年元旦前一天前二时间段、去年元旦前一天前一时间段、去年元旦前一天同一时间段、去年元旦前一天后一时间段、最近一个周五的前二时间段、最近一个周五的前一时间段、最近一个周五的同一时间段、最近一个周五的后一时间段的客流数据，组成预测所需的向量形式，如图6所示。
表4东山口站元旦期间第一天进站客流量相关性系数
| 变量 | 2012.12.31 | 2013.12.31 | 2014.12.31 | 2015.12.31 | 平均值 |
| 去年前一天前三 | 0.826 | 0.806 | 0.816 | 0.822 | 0.818 |
| 去年前一天前二 | 0.896 | 0.899 | 0.888 | 0.878 | 0.890 |
| 去年前一天前一 | 0.922 | 0.909 | 0.925 | 0.933 | 0.922 |
| 去年前一天当前 | 0.965 | 0.953 | 0.951 | 0.947 | 0.954 |
| 去年前一天后一 | 0.904 | 0.911 | 0.921 | 0.913 | 0.912 |
| 去年前一天后二 | 0.846 | 0.821 | 0.838 | 0.844 | 0.837 |
| 去年前一天后三 | 0.803 | 0.793 | 0.801 | 0.823 | 0.805 |
| 去年前三 | 0.811 | 0.789 | 0.788 | 0.812 | 0.800 |
| 去年前二 | 0.896 | 0.926 | 0.916 | 0.923 | 0.915 |
| 去年前一 | 0.943 | 0.932 | 0.936 | 0.949 | 0.940 |
| 去年当前 | 0.955 | 0.964 | 0.966 | 0.973 | 0.965 |
| 去年后一 | 0.919 | 0.921 | 0.904 | 0.900 | 0.911 |
| 去年后二 | 0.863 | 0.873 | 0.889 | 0.892 | 0.879 |
| 去年后三 | 0.831 | 0.821 | 0.806 | 0.819 | 0.819 |
根相关性系数的平均值，选取东山口站元旦期间第一天的进站客流预测因子，即去年元旦前一天前二时间段、去年元旦前一天前一时间段、去年元旦前一天同一时间段、去年元旦前一天后一时间段、去年元旦第一天前二时间段、去年元旦第一天前一时间段、去年元旦第一天同一时间段、去年元旦第一天后一时间段、去年元旦第一天后一时间段的客流数据，组成预测所需的向量形式如图7所示。
步骤4、将选取的预测因子作为神经网络的输入，将预测时间段的客流量作为神经网络的输出，运用Spark并行计算框架训练车站节假日短时客流预测模型。
步骤5、采用训练好的神经网络模型，预测东山口站元旦前一天(2015.12.31)和元旦期间第一天(2016.01.01)的进站客流数据，预测结果如图8和图9所示。客流预测结果图中，横坐标表示预测时刻，每个预测时刻代表一个15min预测时间段，纵坐标表示进站客流量，预测时间段为每天的6:00-23:00。
采用同样的方法对劳动节和国庆节的前一天及节假日期间第一天进行进站客流预测，结果如图10～图13所示。
采用赋权绝对百分误差来计算节假日站点客流的预测误差。赋权绝对百分误差公式如式(15)所示。
E1表示赋权绝对百分误差，N代表预测时间段个数，yi表示第i时间段的实际进站客流量，
则表示第i时间段的模型预测进站客流量。赋权绝对百分误差下的预测精度如式(16)所示。
A1＝1-E1 (16)
利用公式(15)和公式(16)计算客流预测的误差和精度，得到2016年元旦节假日前一天的预测误差为11.6％，2016年元旦节假日期间第一天的预测误差为11.4％，2016年劳动节前一天的预测误差为9.9％，2016年劳动节假日第一天的预测误差为9.6％，2016年国庆节前一天的预测误差为11.9％，2016年国庆节当天的预测误差为9.2％，精度在90％左右，本发明方法是提高城市轨道交通车站节假日短时客流预测的有效方法。
Claims (7)
1.一种城市轨道交通车站节假日短时客流预测方法，其特征在于，包括如下步骤：
步骤1、将节假日前一天和节假日期间分为两种不同的预测日期类型，根据目标车站天气情况对预测日期对应的相关历史日期进行标记，剔除恶劣天气对应日期的数据，恶劣天气包括大雨、暴雨、台风天气；
步骤2、运用Spark并行计算框架，统计所标记相关历史日期的各时间段客流量；
步骤3、选择与目标时间段相关的时间段内客流量作为影响因子，采用Spearman相关系数法计算目标时间段的客流量与各影响因子的相关性，根据相关性结果在节假日前一天和节假日期间两个日期类型下选择相应的预测因子；
步骤4、基于神经网络建立目标车站的节假日短时客流预测模型，将选取的预测因子作为神经网络的输入，将目标时间段的客流量作为神经网络的输出，运用Spark并行计算框架训练目标车站的节假日短时客流预测模型；
步骤5、采用训练好的神经网络模型即节假日短时客流预测模型，预测目标车站在目标时间段内的客流量。
2.根据权利要求1所述的城市轨道交通车站节假日短时客流预测方法，其特征在于，步骤2所述运用Spark并行计算框架，统计所标记相关历史日期的各时间段客流量，具体如下：
以15min为时间粒度，统计所标记相关历史日期的各时间段客流量，如表1所示：
表1 XX站X年X月X日客流量统计表
3.根据权利要求2所述的城市轨道交通车站节假日短时客流预测方法，其特征在于，步骤3中所述选择与目标时间段相关的时间段内客流量作为影响因子，具体如下：
节假日前一天预测日期类型下，影响因子包括：与目标时间段相比，最近一个周五的前三时间段、最近一个周五的前二时间段、最近一个周五的前一时间段、最近一个周五的同一时间段、最近一个周五的后一时间段、最近一个周五的后二时间段、最近一个周五的后三时间段、去年前一天的前三时间段、去年前一天的前二时间段、去年前一天的前一时间段、去年前一天的同一时间段、去年前一天的后一时间段、去年前一天的后二时间段、去年前一天的后三时间段；
节假日期间预测日期类型下，影响因子包括：与目标时间段相比，去年同一天的前三时间段、去年同一天的前二时间段、去年同一天的前一时间段、去年同一天的同一时间段、去年同一天的后一时间段、去年同一天的后二时间段、去年同一天的后三时间段、去年前一天的前三时间段、去年前一天的前二时间段、去年前一天的前一时间段、去年前一天的同一时间段、去年前一天的后一时间段、去年前一天的后二时间段、去年前一天的后三时间段。
4.根据权利要求3所述的城市轨道交通车站节假日短时客流预测方法，其特征在于，步骤3中所述采用Spearman相关系数法计算目标时间段的客流量与各影响因子的相关性，Spearman相关性系数公式：
其中，ρ表示目标时间段的客流向量与各影响因子向量的Spearman相关性系数；两者向量的元素个数均为N；i表示两个向量的第i个元素；di表示两个向量中第i个元素在本向量所有元素中的排行差值。
5.根据权利要求1、2、3或4所述的城市轨道交通车站节假日短时客流预测方法，其特征在于，步骤3中所述根据相关性结果在节假日前一天和节假日期间两个日期类型下选择相应的预测因子，具体为：
根据Spearman相关系数结果，在节假日前一天和节假日期间两个日期类型下分别选择相关性系数大于0.85的影响因子作为预测因子，若相关性系数大于0.85的影响因子不足八个，则选取相关性系数排在前八位的影响因子作为预测因子。
6.根据权利要求5所述的城市轨道交通车站节假日短时客流预测方法，其特征在于，步骤4中所述基于神经网络建立目标车站的节假日短时客流预测模型，具体为：
基于LSTM神经网络建立目标车站的节假日短时客流预测模型，LSTM神经网络的结构分为输入门、遗忘门以及输出门。
7.根据权利要求6所述的城市轨道交通车站节假日短时客流预测方法，其特征在于，所述LSTM神经网络在前向计算过程中，采用sigmoid和tanh两种激活函数作为网络隐含层的激活函数；在方向传播过程中，采用Adam梯度优化算法对网络的权值及阈值调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401723.8A CN111695722A (zh) | 2020-05-13 | 2020-05-13 | 一种城市轨道交通车站节假日短时客流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401723.8A CN111695722A (zh) | 2020-05-13 | 2020-05-13 | 一种城市轨道交通车站节假日短时客流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111695722A true CN111695722A (zh) | 2020-09-22 |
Family
ID=72477653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401723.8A Withdrawn CN111695722A (zh) | 2020-05-13 | 2020-05-13 | 一种城市轨道交通车站节假日短时客流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695722A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112954726A (zh) * | 2021-02-22 | 2021-06-11 | 山东大学 | 一种基于相关性聚类混合算法模型的节假日无线流量预测方法、系统、设备及介质 |
| CN113240197A (zh) * | 2020-12-31 | 2021-08-10 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
| CN113269364A (zh) * | 2021-06-01 | 2021-08-17 | 上海汽车集团股份有限公司 | 一种共享车辆的调度方法及装置 |
| CN113762578A (zh) * | 2020-12-28 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
| CN114757447A (zh) * | 2022-06-08 | 2022-07-15 | 广东工业大学 | 一种多模型混合的客运枢纽站客流量预测方法及系统 |
| CN115358491A (zh) * | 2022-10-19 | 2022-11-18 | 南瑞轨道交通技术有限公司 | 一种基于ceemdan-lstm的地铁客流预测方法及系统 |
| CN115578861A (zh) * | 2022-10-14 | 2023-01-06 | 东南大学 | 一种基于嵌入式特征选择策略的高速公路交通流预测方法 |
| WO2023232416A1 (de) * | 2022-05-30 | 2023-12-07 | Siemens Mobility GmbH | Ki-trainingsverfahren, trainingsdatenerzeugung sowie prädiktionsverfahren und -system |
-
2020
- 2020-05-13 CN CN202010401723.8A patent/CN111695722A/zh not_active Withdrawn
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762578A (zh) * | 2020-12-28 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
| CN113240197A (zh) * | 2020-12-31 | 2021-08-10 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
| CN112954726A (zh) * | 2021-02-22 | 2021-06-11 | 山东大学 | 一种基于相关性聚类混合算法模型的节假日无线流量预测方法、系统、设备及介质 |
| CN112954726B (zh) * | 2021-02-22 | 2022-06-07 | 山东大学 | 一种基于相关性聚类混合算法模型的节假日无线流量预测方法、系统、设备及介质 |
| CN113269364A (zh) * | 2021-06-01 | 2021-08-17 | 上海汽车集团股份有限公司 | 一种共享车辆的调度方法及装置 |
| WO2023232416A1 (de) * | 2022-05-30 | 2023-12-07 | Siemens Mobility GmbH | Ki-trainingsverfahren, trainingsdatenerzeugung sowie prädiktionsverfahren und -system |
| CN114757447A (zh) * | 2022-06-08 | 2022-07-15 | 广东工业大学 | 一种多模型混合的客运枢纽站客流量预测方法及系统 |
| CN114757447B (zh) * | 2022-06-08 | 2022-10-11 | 广东工业大学 | 一种多模型混合的客运枢纽站客流量预测方法及系统 |
| CN115578861A (zh) * | 2022-10-14 | 2023-01-06 | 东南大学 | 一种基于嵌入式特征选择策略的高速公路交通流预测方法 |
| CN115578861B (zh) * | 2022-10-14 | 2023-10-10 | 东南大学 | 一种基于嵌入式特征选择策略的高速公路交通流预测方法 |
| CN115358491A (zh) * | 2022-10-19 | 2022-11-18 | 南瑞轨道交通技术有限公司 | 一种基于ceemdan-lstm的地铁客流预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695722A (zh) | 一种城市轨道交通车站节假日短时客流预测方法 | |
| CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| 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 | |
| CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
| CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
| CN111612281B (zh) | 一种地铁站人流量峰值的预测方法、装置和计算机设备 | |
| CN106485359A (zh) | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 | |
| Peeta et al. | Adaptability of a hybrid route choice model to incorporating driver behavior dynamics under information provision | |
| CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
| CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
| CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
| CN105930670A (zh) | 基于模型参数不确定性的河流突发污染事故动态预测方法 | |
| CN111027673A (zh) | 一种地铁客流量预测方法 | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN111401743A (zh) | 一种城市道路施工期的动态交通影响评价方法 | |
| CN114399099A (zh) | 一种城市轨道交通断面客流的预测方法及装置 | |
| CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
| 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 | |
| Hennayake et al. | Machine learning based weather prediction model for short term weather prediction in Sri Lanka | |
| Yu et al. | An adaptive bus arrival time prediction model | |
| CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
| CN111275073A (zh) | 一种基于手机信令数据的区域人流分析方法 | |
| CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200922 |