CN111832841B - 一种封站条件下的轨道交通短时客流预测方法及系统 - Google Patents

一种封站条件下的轨道交通短时客流预测方法及系统 Download PDF

Info

Publication number
CN111832841B
CN111832841B CN202010732199.2A CN202010732199A CN111832841B CN 111832841 B CN111832841 B CN 111832841B CN 202010732199 A CN202010732199 A CN 202010732199A CN 111832841 B CN111832841 B CN 111832841B
Authority
CN
China
Prior art keywords
station
passenger flow
time
under
representing
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.)
Active
Application number
CN202010732199.2A
Other languages
English (en)
Other versions
CN111832841A (zh
Inventor
许心越
刘军
李海鹰
吴宇航
张英男
糜子越
王雪琴
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 CN202010732199.2A priority Critical patent/CN111832841B/zh
Publication of CN111832841A publication Critical patent/CN111832841A/zh
Application granted granted Critical
Publication of CN111832841B publication Critical patent/CN111832841B/zh
Active 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了一种封站条件下的轨道交通短时客流预测方法及系统。本发明首先利用封站情况下的进站量客流序列训练后的动态因子模型，进行预测，避免了具有相似均值的序列差异性无法准确度量的技术缺陷，并进一步确定异常车站，对异常车站考虑其中的非线性信息，利用支持向量机方法对预测结果进行修正，避免了因忽略客流序列中的非线性信息而导致的预测精度低的技术缺陷，提高了预测的精度。

Description

一种封站条件下的轨道交通短时客流预测方法及系统
技术领域
本发明涉及轨道交通短时客流预测技术领域，特别涉及一种封站条件下的轨道交通短时客流预测方法及系统。
背景技术
随着大型活动等特殊事件的增多，轨道交通封站事件也逐渐增多。轨道交通局部车站的关闭将使周边车站甚至更多线路车站受到影响，使得客流的时空分布发生突变，可能导致大客流等现象发生，为地铁运营和管理部门带来了更多的挑战。因此，精准识别客流异常车站并封站下的车站短时客流已成为相关部门关注的重点，该工作也能对轨道站点客流应急处置决策及轨道交通运营组织迈向智能化起到支撑作用。
但是既有方法存在以下问题：
传统方法对客流异常车站进行识别，对具有相似均值但不同趋势序列无法准确度量，度量序列差异性的效果较差，判断受影响时空范围不够精准。传统方法进行客流预测忽略了客流序列中的非线性信息，预测精度较低。传统方法对客流时空关联性考虑较少，解释性较差。
发明内容
本发明的目的是提供一种封站条件下的轨道交通短时客流预测方法及系统，以克服传统方法存在的技术缺陷，提高封站情况下客流预测的精度。
为实现上述目的，本发明提供了如下方案：
一种封站条件下的轨道交通短时客流预测方法，所述预测方法包括如下步骤：
获取封站前的正常情况的轨道交通线路的各个车站的地铁刷卡记录，建立正常情况下的进站量客流序列；获取封站情况下的轨道交通线路的各个车站的地铁刷卡记录，建立封站情况下的进站量客流序列；
根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型；
利用训练后的动态因子模型，预测未来时刻的封站情况下的轨道交通线路的各个车站的进站量客流，获得轨道交通线路的各个车站的进站量客流预测数据；
根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站；
采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
可选的，所述根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型，具体包括：
建立用于进行短时客流预测的初始的动态因子模型为：
Figure BDA0002603591470000021
其中，
Figure BDA0002603591470000022
为轨道交通线路的第t时刻的进站量客流预测数据，
Figure BDA0002603591470000023
和
Figure BDA0002603591470000024
分别表示第1个、第2个和第N个车站的第t时刻的进站量客流预测值；Λ表示因子载荷矩阵，Ft表示第t时刻的公共因子，Ft-1、Ft-2、Ft-p分别表示第t-1时刻、第t-2时刻和第t-p时刻的公共因子，A1,A2和Ap分别表示第1个、第2个和第p个r阶的系数方阵，ηt表示残差矩阵，ξt＝(ξ1t,ξ2t,…,ξNt)'表示轨道交通线路的第t时刻的特殊分量，ξ1t，ξ2t、ξNt分别表示第1个、第2个、第N个车站的第t时刻的特殊分量；ξit、ξit-1和
Figure BDA0002603591470000025
分别表示第i个车站的第t时刻、第t-1时刻、t-2时刻和第t-Qi时刻的特殊分量，Bi1,Bi2和BiQ分别表示第i个车站的第1个、第2个和第Q个回归系数，eit表示第i个车站的第t时刻的白噪声；
设置第0时刻的公共因子F、系数方阵A和因子载荷矩阵Λ的初始值，使用卡尔曼滤波递归计算对数似然函数中的所有变量，将封站情况下的进站量客流序列带入对数似然函数，计算对数似然函数值，不断迭代至对数似然函数收敛，进而得到最优的公共因子、系数方阵和因子载荷矩阵，将最优的公共因子、系数方阵和因子载荷矩阵带入初始的动态因子模型，得到训练后的动态因子模型。
可选的，所述根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站，具体包括
利用公式
Figure BDA0002603591470000031
计算各个车站的正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离；
其中，
Figure BDA0002603591470000032
为基于SAX的符号化距离，
Figure BDA0002603591470000033
Figure BDA0002603591470000034
表示第i个车站的正常情况下的客流符号化序列的第h个分段字符，
Figure BDA0002603591470000035
表示第i个车站的封站情况客流符号化序列的第h个分段字符；k表示
Figure BDA0002603591470000036
对应的符号集中的符号的序号，f表示
Figure BDA0002603591470000037
对应的符号集中的符号的序号，βmax(k，f)-1表示第max(k，f)-1个区间函数的左分界限值，βmin(k，f)表示第min(k，f)个区间函数的左分界限值；
Figure BDA0002603591470000038
为基于DTW的趋势距离，
Figure BDA0002603591470000039
cu表示规整路径的第u步的欧式距离，U表示规整路径的步数，
Figure BDA00026035914700000310
和
Figure BDA00026035914700000311
分别表示第i个车站的正常情况下和封站情况下的标准化客流序列的第h个分段序列；
将差异距离大于预设阈值的车站设置为客流异常的车站。
可选的，所述采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正，具体包括：
使用支持向量机对客流异常的车站的各个时段的残差部分进行拟合；
根据拟合函数提取时间序列中的非线性的成分，确定非线性模型决定的函数；
根据非线性模型决定的函数，利用公式εt+1＝ο(εt,εt-1,…)+τt+1，计算数据修正量；其中，εt+1表示数据修正量，ο(εt,εt-1,…)表示非线性模型决定的函数，εt和εt-1分别表示第t时刻和第t-1时刻的残差，τt+1表示根据时间序列的线性的成分的线性关系预测得到的第t+1时刻的线性残差；
利用数据修正量对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
一种封站条件下的轨道交通短时客流预测系统，所述预测系统包括：
进站量客流序列获取模块，用于获取封站前的正常情况的轨道交通线路的各个车站的地铁刷卡记录，建立正常情况下的进站量客流序列；获取封站情况下的轨道交通线路的各个车站的地铁刷卡记录，建立封站情况下的进站量客流序列；
动态因子模型建立及训练模块，用于根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型；
进站量客流预测数据预测模块，用于利用训练后的动态因子模型，预测未来时刻的封站情况下的轨道交通线路的各个车站的进站量客流，获得轨道交通线路的各个车站的进站量客流预测数据；
客流异常的车站确定模块，用于根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站；
预测结果修正模块，用于采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
可选的，所述动态因子模型建立及训练模块，具体包括：
初始的动态因子模型建立子模块，用于建立用于进行短时客流预测的初始的动态因子模型为：
Figure BDA0002603591470000041
其中，
Figure BDA0002603591470000042
为轨道交通线路的第t时刻的进站量客流预测数据，
Figure BDA0002603591470000043
和
Figure BDA0002603591470000044
分别表示第1个、第2个和第N个车站的第t时刻的进站量客流预测值；Λ表示因子载荷矩阵，Ft表示第t时刻的公共因子，Ft-1、Ft-2、Ft-p分别表示第t-1时刻、第t-2时刻和第t-p时刻的公共因子，A1,A2和Ap分别表示第1个、第2个和第p个r阶的系数方阵，ηt表示残差矩阵，ξt＝(ξ1t,ξ2t,…,ξNt)'表示轨道交通线路的第t时刻的特殊分量，ξ1t，ξ2t、ξNt分别表示第1个、第2个、第N个车站的第t时刻的特殊分量；ξit、ξit-1和
Figure BDA0002603591470000051
分别表示第i个车站的第t时刻、第t-1时刻、t-2时刻和第t-Qi时刻的特殊分量，Bi1,Bi2和BiQ分别表示第i个车站的第1个、第2个和第Q个回归系数，eit表示第i个车站的第t时刻的白噪声；
模型参数递归确定子模块，用于设置第0时刻的公共因子F、系数方阵A和因子载荷矩阵Λ的初始值，使用卡尔曼滤波递归计算对数似然函数中的所有变量，将封站情况下的进站量客流序列带入对数似然函数，计算对数似然函数值，不断迭代至对数似然函数收敛，进而得到最优的公共因子、系数方阵和因子载荷矩阵，将最优的公共因子、系数方阵和因子载荷矩阵带入初始的动态因子模型，得到训练后的动态因子模型。
可选的，所述客流异常的车站确定模块，具体包括
差异距离计算子模块，用于利用公式
Figure BDA0002603591470000052
计算各个车站的正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离；
其中，
Figure BDA0002603591470000053
为基于SAX的符号化距离，
Figure BDA0002603591470000054
Figure BDA0002603591470000055
表示第i个车站的正常情况下的客流符号化序列的第h个分段字符，
Figure BDA0002603591470000056
表示第i个车站的封站情况客流符号化序列的第h个分段字符；k表示
Figure BDA0002603591470000057
对应的符号集中的符号的序号，f表示
Figure BDA0002603591470000058
对应的符号集中的符号的序号，βmax(k，f)-1表示第max(k，f)-1个区间函数的左分界限值，βmin(k，f)表示第min(k，f)个区间函数的左分界限值；
Figure BDA0002603591470000061
为基于DTW的趋势距离，
Figure BDA0002603591470000062
cu表示规整路径的第u步的欧式距离，U表示规整路径的步数，
Figure BDA0002603591470000063
和
Figure BDA0002603591470000064
分别表示第i个车站的正常情况下和封站情况下的标准化客流序列的第h个分段序列；
客流异常的车站确定子模块，用于将差异距离大于预设阈值的车站设置为客流异常的车站。
可选的，所述预测结果修正模块，具体包括：
函数拟合子模块，用于使用支持向量机对客流异常的车站的各个时段的残差部分进行拟合，获得拟合函数；
非线性模型决定的函数确定子模块，用于根据拟合函数提取时间序列中的非线性的成分，确定非线性模型决定的函数；
修正量计算子模块，用于根据非线性模型决定的函数，利用公式εt+1＝ο(εt,εt-1,…)+τt+1，计算数据修正量；其中，εt+1表示数据修正量，ο(εt,εt-1,…)表示非线性模型决定的函数，εt和εt-1分别表示第t时刻和第t-1时刻的残差，τt+1表示根据时间序列的线性的成分的线性关系预测得到的第t+1时刻的线性残差；
修正子模块，用于利用数据修正量对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种封站条件下的轨道交通短时客流预测方法及系统，所述预测方法包括如下步骤：获取封站前的正常情况的轨道交通线路的各个车站的地铁刷卡记录，建立正常情况下的进站量客流序列；获取封站情况下的轨道交通线路的各个车站的地铁刷卡记录，建立封站情况下的进站量客流序列；根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型；利用训练后的动态因子模型，预测未来时刻的封站情况下的轨道交通线路的各个车站的进站量客流，获得轨道交通线路的各个车站的进站量客流预测数据；根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站；采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正。本发明首先利用封站情况下的进站量客流序列训练后的动态因子模型，进行预测，避免了具有相似均值的序列差异性无法准确度量的技术缺陷，并进一步确定异常车站，对异常车站考虑其中的非线性信息，利用支持向量机方法对预测结果进行修正，避免了因忽略客流序列中的非线性信息而导致的预测精度低的技术缺陷，提高了预测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种封站条件下的轨道交通短时客流预测方法的流程图；
图2为本发明提供的一种封站条件下的轨道交通短时客流预测方法的原理图；
图3为本发明具体实施方式提供的车站B第七时段客流量序列曲线图；
图4为本发明具体实施方式提供的车站A的客流预测结果示意图；
图5为本发明具体实施方式提供的车站B的客流预测结果示意图；
图6为本发明具体实施方式提供的车站C的客流预测结果示意图；
图7为本发明提供的种封站条件下的轨道交通短时客流预测装置的结构示意图。
具体实施方式
本发明的目的是提供一种封站条件下的轨道交通短时客流预测方法及系统，以克服传统方法存在的技术缺陷，提高封站情况下客流预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。
如图1和2所示，本发明提供一种封站条件下的轨道交通短时客流预测方法，所述预测方法包括如下步骤：
步骤101，获取封站前的正常情况的轨道交通线路的各个车站的地铁刷卡记录，建立正常情况下的进站量客流序列；获取封站情况下的轨道交通线路的各个车站的地铁刷卡记录，建立封站情况下的进站量客流序列。
获取正常和封站情况下的地铁刷卡记录，按5分钟粒度统计各车站进站量形成进站量客流序列，其中50％作为测试集，50％作为训练集。
将进站量客流序列进行标准化。将进站量客流序列转换为符合标准正态分布的数据，以便比较具有不同偏移量和振幅的时间序列。转换函数为：
Figure BDA0002603591470000081
其中Xi＝{xi1,xi2…xiT}为第i个车站的进站客流时间序列，T表示时间序列的长度；xit为t时刻第i个车站的进站量，μi为第i个车站的客流均值，σi为第i个车站的客流标准差，
Figure BDA0002603591470000086
表示第i个车站标准化的客流时间序列。
步骤102，根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型。
所述根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型，具体包括：
建立用于进行短时客流预测的初始的动态因子模型为：
Figure BDA0002603591470000082
其中，
Figure BDA0002603591470000083
为轨道交通线路的第t时刻的进站量客流预测数据，
Figure BDA0002603591470000084
和
Figure BDA0002603591470000085
分别表示第1个、第2个和第N个车站的第t时刻的进站量客流预测值；Λ表示因子载荷矩阵，Ft表示第t时刻的公共因子，Ft-1、Ft-2、Ft-p分别表示第t-1时刻、第t-2时刻和第t-p时刻的公共因子，A1,A2和Ap分别表示第1个、第2个和第p个r阶的系数方阵，ηt表示残差矩阵，ξt＝(ξ1t,ξ2t,…,ξNt)'表示轨道交通线路的第t时刻的特殊分量，ξ1t，ξ2t、ξNt分别表示第1个、第2个、第N个车站的第t时刻的特殊分量；ξit、ξit-1和
Figure BDA0002603591470000091
分别表示第i个车站的第t时刻、第t-1时刻、t-2时刻和第t-Qi时刻的特殊分量，Bi1,Bi2和BiQ分别表示第i个车站的第1个、第2个和第Q个回归系数，eit表示第i个车站的第t时刻的白噪声；设置第0时刻的公共因子F、系数方阵A和因子载荷矩阵Λ的初始值，使用卡尔曼滤波递归计算对数似然函数中的所有变量，将封站情况下的进站量客流序列带入对数似然函数，计算对数似然函数值，不断迭代至对数似然函数收敛，进而得到最优的公共因子、系数方阵和因子载荷矩阵，将最优的公共因子、系数方阵和因子载荷矩阵带入初始的动态因子模型，得到训练后的动态因子模型。
具体的，给定初始值F0|0＝μ0，初始的Ψ0|0、初始的Λ0，初始的A0、初始的R0，初始的Q0；通过卡尔曼滤波递归计算确定F1、F2到FT，ψ1、ψ2到ψT,其中，F1＝F1|1,ψ1＝ψ1|1
具体计算方法为：
Ft|t-1＝AFt-1|t-1
Ψt|t-1＝AΨt-1|t-1AT+Q
Figure BDA0002603591470000092
Ψt|t＝(Ι-KtΛ)Ψt|t-1
其中Kt表示卡尔曼滤波增益矩阵，Kt＝Ψt|t-1Λ′(ΛΨt|t-1Λ′+R)-1由卡尔曼滤波计算得到，Ft|t-1表示基于t-1时刻的公共因子预测t时刻的公共因子，I表示单位矩阵。
将F1、F2到FT，ψ1、ψ2到ψT，A0、Λ0和R0，及封站情况下的进站量客流带入对数似然函数，计算对数似然函数值；
对数似然函数为：
Figure BDA0002603591470000093
其中，Σt＝ΛΨtΛ'+R
利用下列公式，更新各个参数的数值
Figure BDA0002603591470000101
Figure BDA0002603591470000102
Figure BDA0002603591470000103
Figure BDA0002603591470000104
返回步骤“通过卡尔曼滤波递归计算确定F1、F2到FT，ψ1、ψ2到ψT”；重复上述步骤，直到对数似然函数值收敛。
步骤103，利用训练后的动态因子模型，预测未来时刻的封站情况下的轨道交通线路的各个车站的进站量客流，获得轨道交通线路的各个车站的进站量客流预测数据。
步骤103具体包括：
通过客流时间标准序列和公共因子的预测值之差获得特殊因子ξt的估计值
Figure BDA0002603591470000105
通过Ft的自回归模型预测下一时刻公共因子Ft+1，计算如下：
Ft+1＝A1Ft+A2Ft-1+…ApFt+1-p+ηt+1
通过ξt的自回归模型预测下一时刻特殊因子ξt+1，计算如下：
Figure BDA0002603591470000106
预测所有车站下一时刻的客流量，即
Figure BDA0002603591470000107
步骤104，根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站；
步骤104所述根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站，具体包括利用公式
Figure BDA0002603591470000108
计算各个车站的正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离；其中，
Figure BDA0002603591470000111
为基于SAX的符号化距离，
Figure BDA0002603591470000112
Figure BDA0002603591470000113
表示第i个车站的正常情况下的客流符号化序列的第h个分段字符，
Figure BDA0002603591470000114
表示第i个车站的封站情况客流符号化序列的第h个分段字符；k表示
Figure BDA0002603591470000115
对应的符号集中的符号的序号，f表示
Figure BDA0002603591470000116
对应的符号集中的符号的序号，βmax(k，f)-1表示第max(k，f)-1个区间函数的左分界限值，βmin(k，f)表示第min(k，f)个区间函数的左分界限值；
Figure BDA0002603591470000117
为基于DTW的趋势距离，
Figure BDA0002603591470000118
cu表示规整路径的第u步的欧式距离，U表示规整路径的步数，
Figure BDA0002603591470000119
和
Figure BDA00026035914700001110
分别表示第i个车站的正常情况下和封站情况下的标准化客流序列的第h个分段序列；将差异距离大于预设阈值的车站设置为客流异常的车站。
步骤104的具体步骤为：
步骤104-1，对标准化的客流时间序列进行分段聚集平均。将长度为N的客流时间序列均分为w组，并计算各组的平均值pxih。计算公式为：
Figure BDA00026035914700001111
步骤104-2，设符号集为Π＝{Π1,Π2,Π3,Π4,…}，且集合的元素个数为α，根据概率将标准正态分布的概率密度曲线均等划分为区间函数[βi,βi+1]，确保曲线下各区间面积等于1/α。
步骤104-3，将步骤104-2得到的各组平均值进行符号化离散处理：
pxsih＝Πk,ifβk≤pxih≤βk+1
其中，Πk表示符号集Π的第k个元素。此时，第i个车站客流符号化后序列pxsi可表达为符号{pxsi1,pxsi2,…,pxsiw}。
步骤104-4:利用符号累计近似法(SAX)计算各个车站正常情况和封站情况客流符号化序列的距离Ds。
Figure BDA00026035914700001112
表示正常情况表示车站i的客流符号化序列，
Figure BDA00026035914700001113
表示封站情况客流符号化序列，距离计算函数为：
Figure BDA0002603591470000121
设
Figure BDA0002603591470000122
与
Figure BDA0002603591470000123
的第h分段字符分别为Πk、Πf，其中k,f＝1,2...w，则
Figure BDA0002603591470000124
步骤104-5，利用动态时间规整算法(DTW)计算各个车站正常情况和封站情况客流的符号化序列的趋势距离Dd。
步骤104-5包括以下子步骤：
步骤104-5-1，定义规整路径C。设定第h分段车站i在正常情况和封站情况标准化客流序列分别为
Figure BDA0002603591470000125
Figure BDA0002603591470000126
其中，其中
Figure BDA0002603591470000127
为
Figure BDA00026035914700001217
中第m个数据点，
Figure BDA0002603591470000128
为
Figure BDA0002603591470000129
中第g个数据点，
Figure BDA00026035914700001210
为每个分段内序列长度，则规整路径为：
C＝(c1,c2,…,cu,…,cU)，l≤U≤2l-1
其中
Figure BDA00026035914700001211
表示规整路径的第u步为
Figure BDA00026035914700001212
的第m个点和
Figure BDA00026035914700001213
的第g个点之间的欧氏距离。
步骤104-5-2，规整路径C的约束条件。C需要满足边界性、单调连续性条件，即
①边界性：正常情况和封站情况标准化客流序列间所选的路径按时间序列进行搜索，必定是从第一个点出发，在最后一个点结束。
Figure BDA00026035914700001214
②单调连续性：路径C第u步为(m，g)时，第u+1步只可能是(m+1，g+1),(m+1,g)或(m，g+1)。
若
Figure BDA00026035914700001215
则
Figure BDA00026035914700001216
Figure BDA0002603591470000131
步骤104-5-3:趋势度量。趋势距离Dd为满足上述条件且对应点距离和最小的规整路径C，即
Figure BDA0002603591470000132
步骤104-6:加权步骤104-4计算所得的客流数量距离Ds和步骤104-5计算所得的趋势距离Dd获得新的距离Dsd，用来度量客流量和客流趋势的差异。算出各车站距离Dsd后，采用3σ准则去除部分极大值，确定阈值筛选异常客流的车站。计算公式如下：
Figure BDA0002603591470000133
其中，右侧表达式的的第一项
Figure BDA0002603591470000134
为基于SAX的符号化距离，度量了序列总量的差异，第二项
Figure BDA0002603591470000135
为基于DTW的趋势距离，度量了序列的趋势差异。新距离Dsd在既有的符号化距离的基础上与趋势距离Dd进行了动态加权，动态反映分段数量的大小。
步骤105，采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
步骤105所述采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正，具体包括：使用支持向量机对客流异常的车站的各个时段的残差部分进行拟合；根据拟合函数提取时间序列中的非线性的成分，确定非线性模型决定的函数；根据非线性模型决定的函数，利用公式εt+1＝ο(εt,εt-1,…)+τt+1，计算数据修正量；其中，εt+1表示数据修正量，ο(εt,εt-1,…)表示非线性模型决定的函数，εt和εt-1分别表示第t时刻和第t-1时刻的残差，τt+1表示根据时间序列的线性的成分的线性关系预测得到的第t+1时刻的线性残差；利用数据修正量对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
具体的，使用支持向量机对受影响车站对应时段的残差εt+1部分进行拟合，进一步提取时间序列中的非线性的成分，所建立的模型为：
εt+1＝ο(εt,εit-1,…)+τt+1
其中，o为非线性模型决定的函数，
Figure BDA0002603591470000141
表示模型残差，
Figure BDA0002603591470000142
表示t+1时刻的客流量预测值。
本发明还提供一种封站条件下的轨道交通短时客流预测系统，所述预测系统包括：
进站量客流序列获取模块，用于获取封站前的正常情况的轨道交通线路的各个车站的地铁刷卡记录，建立正常情况下的进站量客流序列；获取封站情况下的轨道交通线路的各个车站的地铁刷卡记录，建立封站情况下的进站量客流序列；
动态因子模型建立及训练模块，用于根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型。
所述动态因子模型建立及训练模块，具体包括：初始的动态因子模型建立子模块，用于建立用于进行短时客流预测的初始的动态因子模型为：
Figure BDA0002603591470000143
其中，
Figure BDA0002603591470000144
为轨道交通线路的第t时刻的进站量客流预测数据，
Figure BDA0002603591470000145
和
Figure BDA0002603591470000146
分别表示第1个、第2个和第N个车站的第t时刻的进站量客流预测值；Λ表示因子载荷矩阵，Ft表示第t时刻的公共因子，Ft-1、Ft-2、Ft-p分别表示第t-1时刻、第t-2时刻和第t-p时刻的公共因子，A1,A2和Ap分别表示第1个、第2个和第p个r阶的系数方阵，ηt表示残差矩阵，ξt＝(ξ1t,ξ2t,…,ξNt)'表示轨道交通线路的第t时刻的特殊分量，ξ1t，ξ2t、ξNt分别表示第1个、第2个、第N个车站的第t时刻的特殊分量；ξit、ξit-1和
Figure BDA0002603591470000147
分别表示第i个车站的第t时刻、第t-1时刻、t-2时刻和第t-Qi时刻的特殊分量，Bi1,Bi2和BiQ分别表示第i个车站的第1个、第2个和第Q个回归系数，eit表示第i个车站的第t时刻的白噪声；模型参数递归确定子模块，用于设置第0时刻的公共因子F、系数方阵A和因子载荷矩阵Λ的初始值，使用卡尔曼滤波递归计算对数似然函数中的所有变量，将封站情况下的进站量客流序列带入对数似然函数，计算对数似然函数值，不断迭代至对数似然函数收敛，进而得到最优的公共因子、系数方阵和因子载荷矩阵，将最优的公共因子、系数方阵和因子载荷矩阵带入初始的动态因子模型，得到训练后的动态因子模型。
进站量客流预测数据模块，用于利用训练后的动态因子模型，预测未来时刻的封站情况下的轨道交通线路的各个车站的进站量客流，获得轨道交通线路的各个车站的进站量客流预测数据。
客流异常的车站确定模块，用于根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站。
所述客流异常的车站确定模块，具体包括
差异距离计算子模块，用于利用公式
Figure BDA0002603591470000151
计算各个车站的正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离；
其中，
Figure BDA0002603591470000152
为基于SAX的符号化距离，
Figure BDA0002603591470000153
Figure BDA0002603591470000154
表示第i个车站的正常情况下的客流符号化序列的第h个分段字符，
Figure BDA0002603591470000155
表示第i个车站的封站情况客流符号化序列的第h个分段字符；k表示
Figure BDA0002603591470000156
对应的符号集中的符号的序号，f表示
Figure BDA0002603591470000157
对应的符号集中的符号的序号，βmax(k，f)-1表示第max(k，f)-1个区间函数的左分界限值，βmin(k，f)表示第min(k，f)个区间函数的左分界限值；
Figure BDA0002603591470000158
为基于DTW的趋势距离，
Figure BDA0002603591470000159
cu表示规整路径的第u步的欧式距离，U表示规整路径的步数，
Figure BDA0002603591470000161
和
Figure BDA0002603591470000162
分别表示第i个车站的正常情况下和封站情况下的标准化客流序列的第h个分段序列；
客流异常的车站确定子模块，用于将差异距离大于预设阈值的车站设置为客流异常的车站。
预测结果修正模块，用于采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
所述预测结果修正模块，具体包括：函数拟合子模块，用于使用支持向量机对客流异常的车站的各个时段的残差部分进行拟合，获得拟合函数；非线性模型决定的函数确定子模块，用于根据拟合函数提取时间序列中的非线性的成分，确定非线性模型决定的函数；修正量计算子模块，用于根据非线性模型决定的函数，利用公式εt+1＝ο(εt,εt-1,…)+τt+1，计算数据修正量；其中，εt+1表示数据修正量，ο(εt,εt-1,…)表示非线性模型决定的函数，εt和εt-1分别表示第t时刻和第t-1时刻的残差，τt+1表示根据时间序列的线性的成分的线性关系预测得到的第t+1时刻的线性残差；修正子模块，用于利用数据修正量对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
如图7所示，本发明还提供一种封站条件下的轨道交通短时客流预测装置，包括：
数据输入单元，输入地铁刷卡数据，按5分钟粒度统计各车站进站量形成进站量客流序列并进行标准化处理。SAX-DTW模型，基于数据输入单元所输入的进站客流序列对异常客流车站进行识别，同时利用DFM模型进行对各车站进行进站客流量预测；并采用SVM方法对识别出的异常客流车站预测结果进行修正，并将最终的预测结果输出。将符号近似累计和动态时间规整方法结合应用于对封站情况下的轨道交通客流量和客流趋势异常识别。加权客流数量距离和趋势距离获得考虑客流数量与客流趋势的新距离，用来度量封站和正常情况下客流模式差异。引入一种后处理机制的SVM，充分提取异常客流中残留的封站影响的非线性信息，对预测客流量数据中的残差进行修正。
本发明还提供一个具体的实施例，以对本发明的技术方案的实施方式及效果进行说明。
步骤101中，本场景设定的2019年4月23日5:00至2019年4月26日23:00换乘站甲站封站事件研究5个同线车站的短时客流预测问题，分别获取车站A，车站B，车站C，车站D,车站E以5分钟为粒度统计进站量客流数据，并进行标准化处理，车站A的数据如表1所示。
表1为车站A进站数据
进站量 日期 时间 车站
1 2019/4/20 5:10-5:15 A
1 2019/4/20 5:20-5:25 A
1 2019/4/20 5:25-5:30 A
2 2019/4/20 5:30-5:35 A
1 2019/4/20 5:35-5:40 A
4 2019/4/20 5:40-5:45 A
步骤103中将各车站进站客流时间序列数据输入DFM模型，DFM模型提取到3个公共因子。
步骤104中对5个车站的进站量数据进行客流特征分析，将客流量按时间长度划分为8段。选定符号集为{a,b,c,d,e}，将各段序列分别进行映射，进站符号化结果如表2所示。为了对比本发明识别方法SAX-DTW算法的优势，将结果和既有的SAX算法分布对所有车站各时段封站情况下与正常情况下客流差异性进行距离度量，其中SAX阈值为0.22，SAX-DTW阈值为0.90，SAX结果和SAX-DTW结果如表3所示。
表2进站量符号化结果
Figure BDA0002603591470000171
Figure BDA0002603591470000181
表3进站量序列距离度量及封站影响范围识别结果
Figure BDA0002603591470000182
利用SAX算法识别出车站B的第七分段的客流数据不存在差异，但SAX-DTW算法识别出流存在差异，通过分析客流数据结果如图3所示，可以明显看出该时段后半部分封站客流存在明显降低且客流趋势存在显著变化，该分段客流存在明显差异。因此本发明提出的SAX-DTW算法的识别更准确。
步骤105中将结合SVM修正DFM与传统DFM的预测残差进行对比。进一步对封站时段的残差修正进行分析。
步骤105输出封站条件下A、B、C个车站的客流预测结果，结果如图4-6所示。为验证客流预测的优势，将本发明与另外种3基线模型进行对比分析，分别是霍尔特-温特方法(Holt-Winters)，支持向量机(SVM)，长短时记忆网络(LSTM)并采用均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均绝对误差(MAE)作为三项评价指标，结果分比如表4所示。
表4修正DFM模型与其他模型预测精度对比
Figure BDA0002603591470000191
本发明提出的基于SAX-DTW的修正DFM模型平均RMSE为14.26，MAPE为0.35，MAE为10.39。与仅适应于线性趋势的Holt-Winters以及与不具备时间信息捕捉能力的非线性模型SVR进行比较各项指标均较小，表明修正DFM比Holt-Winters具有更好的预测效果并且能够准确捕捉客流的非线性信息，且比SVM预测效果好；与不具备空间信息捕捉能力的LSTM模型进行对比，修正DFM模型RMSE、MAE、均较小，MAPE与LSTM相同，表明修正DFM能够挖掘客流间的时空关系。综上，本发明提出的基于SAX-DTW的修正DFM模型具有更高精度，与基线模型相比展现出更好的性能，能很好适用于封站情况下的客流预测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (6)

1.一种封站条件下的轨道交通短时客流预测方法，其特征在于，所述预测方法包括如下步骤：
获取封站前的正常情况下的轨道交通线路的各个车站的地铁刷卡记录，建立正常情况下的进站量客流序列；获取封站情况下的轨道交通线路的各个车站的地铁刷卡记录，建立封站情况下的进站量客流序列；
根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型；具体包括：建立用于进行短时客流预测的初始的动态因子模型为：
Figure FDA0002844426670000011
其中，
Figure FDA0002844426670000012
为轨道交通线路的第t时刻的进站量客流预测数据，
Figure FDA0002844426670000013
Figure FDA0002844426670000014
和
Figure FDA0002844426670000015
分别表示第1个、第2个和第N个车站的第t时刻的进站量客流预测值；Λ表示因子载荷矩阵，Ft表示第t时刻的公共因子，Ft-1、Ft-2、Ft-p分别表示第t-1时刻、第t-2时刻和第t-p时刻的公共因子，A1、A2和Ap分别表示第1个、第2个和第p个r阶的系数方阵，ηt表示残差矩阵，ξt＝(ξ1t,ξ2t,…,ξNt)'表示轨道交通线路的第t时刻的特殊分量，ξ1t、ξ2t和ξNt分别表示第1个、第2个、第N个车站的第t时刻的特殊分量；ξit、ξit-1、ξit-2和
Figure FDA0002844426670000016
分别表示第i个车站的第t时刻、第t-1时刻、第t-2时刻和第t-Qi时刻的特殊分量，Bi1,Bi2和
Figure FDA0002844426670000017
分别表示第i个车站的第1个、第2个和第Qi个回归系数，eit表示第i个车站的第t时刻的白噪声；设置第0时刻的公共因子F、系数方阵A和因子载荷矩阵Λ的初始值，使用卡尔曼滤波递归计算对数似然函数中的所有变量，将封站情况下的进站量客流序列带入对数似然函数，计算对数似然函数值，不断迭代至对数似然函数收敛，进而得到最优的公共因子、系数方阵和因子载荷矩阵，将最优的公共因子、系数方阵和因子载荷矩阵带入初始的动态因子模型，得到训练后的动态因子模型；
利用训练后的动态因子模型，预测未来时刻的封站情况下的轨道交通线路的各个车站的进站量客流，获得轨道交通线路的各个车站的进站量客流预测数据；
根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站；
采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
2.根据权利要求1所述的一种封站条件下的轨道交通短时客流预测方法，其特征在于，所述根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站，具体包括
利用公式
Figure FDA0002844426670000021
计算各个车站的正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离；
其中，Dsd表示差异距离，N表示进站量客流序列的长度，w表示进站量客流序列分段的段数，
Figure FDA0002844426670000022
为基于SAX的符号化距离，
Figure FDA0002844426670000023
Figure FDA0002844426670000024
表示第i个车站的正常情况下的客流符号化序列的第h个分段字符，
Figure FDA0002844426670000025
表示第i个车站的封站情况下的客流符号化序列的第h个分段字符；k表示
Figure FDA0002844426670000026
对应的符号集中的符号的序号，f表示
Figure FDA0002844426670000027
对应的符号集中的符号的序号，βmax(k，f)-1表示第max(k，f)-1个区间函数的左分界限值，βmin(k，f)表示第min(k，f)个区间函数的左分界限值；
Figure FDA0002844426670000028
为基于DTW的趋势距离，
Figure FDA0002844426670000029
cu表示规整路径的第u步的欧式距离，U表示规整路径的步数，
Figure FDA00028444266700000210
和
Figure FDA00028444266700000211
分别表示第i个车站的正常情况下和封站情况下的标准化客流序列的第h个分段序列；
将差异距离大于预设阈值的车站设置为客流异常的车站。
3.根据权利要求1所述的一种封站条件下的轨道交通短时客流预测方法，其特征在于，所述采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正，具体包括：
使用支持向量机对客流异常的车站的各个时段的残差部分进行拟合；
根据拟合函数提取时间序列中的非线性的成分，确定非线性模型决定的函数；
根据非线性模型决定的函数，利用公式εt+1＝ο(εt,εt-1,…)+τt+1，计算数据修正量；其中，εt+1表示数据修正量，ο(εt,εt-1,…)表示非线性模型决定的函数，εt和εt-1分别表示第t时刻和第t-1时刻的残差，τt+1表示根据时间序列的线性的成分的线性关系预测得到的第t+1时刻的线性残差；
利用数据修正量对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
4.一种封站条件下的轨道交通短时客流预测系统，其特征在于，所述预测系统包括：
进站量客流序列获取模块，用于获取封站前的正常情况的轨道交通线路的各个车站的地铁刷卡记录，建立正常情况下的进站量客流序列；获取封站情况下的轨道交通线路的各个车站的地铁刷卡记录，建立封站情况下的进站量客流序列；
动态因子模型建立及训练模块，用于根据封站情况下的进站量客流序列，建立并训练用于进行短时客流预测的动态因子模型，获得训练后的动态因子模型；所述动态因子模型建立及训练模块，具体包括：初始的动态因子模型建立子模块，用于建立用于进行短时客流预测的初始的动态因子模型为：
Figure FDA0002844426670000031
其中，
Figure FDA0002844426670000032
为轨道交通线路的第t时刻的进站量客流预测数据，
Figure FDA0002844426670000033
Figure FDA0002844426670000034
和
Figure FDA0002844426670000035
分别表示第1个、第2个和第N个车站的第t时刻的进站量客流预测值；Λ表示因子载荷矩阵，Ft表示第t时刻的公共因子，Ft-1、Ft-2、Ft-p分别表示第t-1时刻、第t-2时刻和第t-p时刻的公共因子，A1,A2和Ap分别表示第1个、第2个和第p个r阶的系数方阵，ηt表示残差矩阵，ξt＝(ξ1t,ξ2t,…,ξNt)'表示轨道交通线路的第t时刻的特殊分量，ξ1t，ξ2t、ξNt分别表示第1个、第2个、第N个车站的第t时刻的特殊分量；ξit、ξit-1和
Figure FDA0002844426670000041
分别表示第i个车站的第t时刻、第t-1时刻、t-2时刻和第t-Qi时刻的特殊分量，Bi1,Bi2和
Figure FDA0002844426670000042
分别表示第i个车站的第1个、第2个和第Qi个回归系数，eit表示第i个车站的第t时刻的白噪声；模型参数递归确定子模块，用于设置第0时刻的公共因子F、系数方阵A和因子载荷矩阵Λ的初始值，使用卡尔曼滤波递归计算对数似然函数中的所有变量，将封站情况下的进站量客流序列带入对数似然函数，计算对数似然函数值，不断迭代至对数似然函数收敛，进而得到最优的公共因子、系数方阵和因子载荷矩阵，将最优的公共因子、系数方阵和因子载荷矩阵带入初始的动态因子模型，得到训练后的动态因子模型；
进站量客流预测数据预测模块，用于利用训练后的动态因子模型，预测未来时刻的封站情况下的轨道交通线路的各个车站的进站量客流，获得轨道交通线路的各个车站的进站量客流预测数据；
客流异常的车站确定模块，用于根据正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离，确定封站情况下的客流异常的车站；
预测结果修正模块，用于采用支持向量机方法对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
5.根据权利要求4所述的一种封站条件下的轨道交通短时客流预测系统，其特征在于，所述客流异常的车站确定模块，具体包括
差异距离计算子模块，用于利用公式
Figure FDA0002844426670000043
计算各个车站的正常情况下的进站量客流序列和封站情况下的进站量客流序列的差异距离；
其中，Dsd表示差异距离，N表示进站量客流序列的长度，w表示进站量客流序列分段的段数，
Figure FDA0002844426670000051
为基于SAX的符号化距离，
Figure FDA0002844426670000052
Figure FDA0002844426670000053
表示第i个车站的正常情况下的客流符号化序列的第h个分段字符，
Figure FDA0002844426670000054
表示第i个车站的封站情况客流符号化序列的第h个分段字符；k表示
Figure FDA0002844426670000055
对应的符号集中的符号的序号，f表示
Figure FDA0002844426670000056
对应的符号集中的符号的序号，βmax(k，f)-1表示第max(k，f)-1个区间函数的左分界限值，βmin(k，f)表示第min(k，f)个区间函数的左分界限值；
Figure FDA0002844426670000057
为基于DTW的趋势距离，
Figure FDA0002844426670000058
cu表示规整路径的第u步的欧式距离，U表示规整路径的步数，
Figure FDA0002844426670000059
和
Figure FDA00028444266700000510
分别表示第i个车站的正常情况下和封站情况下的标准化客流序列的第h个分段序列；
客流异常的车站确定子模块，用于将差异距离大于预设阈值的车站设置为客流异常的车站。
6.根据权利要求4所述的一种封站条件下的轨道交通短时客流预测系统，其特征在于，所述预测结果修正模块，具体包括：
函数拟合子模块，用于使用支持向量机对客流异常的车站的各个时段的残差部分进行拟合，获得拟合函数；
非线性模型决定的函数确定子模块，用于根据拟合函数提取时间序列中的非线性的成分，确定非线性模型决定的函数；
修正量计算子模块，用于根据非线性模型决定的函数，利用公式εt+1＝ο(εt,εt-1,…)+τt+1，计算数据修正量；其中，εt+1表示数据修正量，ο(εt,εt-1,…)表示非线性模型决定的函数，εt和εt-1分别表示第t时刻和第t-1时刻的残差，τt+1表示根据时间序列的线性的成分的线性关系预测得到的第t+1时刻的线性残差；
修正子模块，用于利用数据修正量对封站情况下的客流异常的车站的进站量客流预测数据进行修正。
CN202010732199.2A 2020-07-27 2020-07-27 一种封站条件下的轨道交通短时客流预测方法及系统 Active CN111832841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010732199.2A CN111832841B (zh) 2020-07-27 2020-07-27 一种封站条件下的轨道交通短时客流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010732199.2A CN111832841B (zh) 2020-07-27 2020-07-27 一种封站条件下的轨道交通短时客流预测方法及系统

Publications (2)

Publication Number Publication Date
CN111832841A CN111832841A (zh) 2020-10-27
CN111832841B true CN111832841B (zh) 2021-04-13

Family

ID=72924944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010732199.2A Active CN111832841B (zh) 2020-07-27 2020-07-27 一种封站条件下的轨道交通短时客流预测方法及系统

Country Status (1)

Country Link
CN (1) CN111832841B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686428B (zh) * 2020-12-15 2022-07-19 广州新科佳都科技有限公司 基于地铁线网站点相似性的地铁客流预测方法及装置
CN112927501B (zh) * 2021-01-21 2022-05-27 南京理工大学 基于动态因子模型的城市路网时空交通状态协同预测方法
CN113358164B (zh) * 2021-06-07 2024-03-05 芯视界（北京）科技有限公司 流量检测方法及装置、电子设备和存储介质
CN113723716B (zh) * 2021-11-02 2022-03-18 深圳市城市交通规划设计研究中心股份有限公司 一种客流分级预警异常告警方法、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110901710A (zh) * 2019-12-02 2020-03-24 交控科技股份有限公司 基于动态客流的城市轨道交通行车调度方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310287B (zh) * 2013-07-02 2016-07-06 北京航空航天大学 基于svm预测乘客出行概率的轨道交通客流预测方法
CN103632212B (zh) * 2013-12-11 2017-01-25 北京交通大学 一种时变用户均衡动态网络演化客流预测系统和方法
CN103955744B (zh) * 2014-04-23 2017-01-04 同济大学 轨道交通客流分配模型参数自动标定方法及装置
CN105224999A (zh) * 2015-09-10 2016-01-06 北京市交通信息中心 基于afc数据的城市轨道交通实时客流预测方法及系统
JP2018081650A (ja) * 2016-11-18 2018-05-24 富士通株式会社 乗車案内装置、乗車案内プログラムおよび乗車案内方法
CN107273999B (zh) * 2017-04-27 2020-12-08 北京交通大学 一种突发事件下城市轨道交通客流预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110901710A (zh) * 2019-12-02 2020-03-24 交控科技股份有限公司 基于动态客流的城市轨道交通行车调度方法及装置

Also Published As

Publication number Publication date
CN111832841A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111832841B (zh) 一种封站条件下的轨道交通短时客流预测方法及系统
Soares et al. Application of the r largest-order statistics for long-term predictions of significant wave height
CN110610035A (zh) 一种基于gru神经网络的滚动轴承剩余寿命预测方法
CN110852476A (zh) 客流预测方法、装置、计算机设备和存储介质
CN105071983A (zh) 一种面向云计算在线业务的异常负载检测方法
CN109858503B (zh) 基于梯度提升决策树的牵引变流器故障诊断方法
CN108664603B (zh) 一种修复时序数据的异常聚合值的方法及装置
Hughes et al. Statistical analysis and time-series models for minimum/maximum temperatures in the Antarctic Peninsula
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN114819289A (zh) 预测方法、训练方法、装置、电子设备及存储介质
US20230401468A1 (en) Methods and systems for generating forecasts using an ensemble online demand generation forecaster
CN113948159B (zh) 一种变压器的故障检测方法、装置及设备
CN110059126B (zh) 基于lkj异常值数据的复杂关联网络分析方法及系统
CN113780986B (zh) 一种用于软件研发过程的度量方法、系统、设备和介质
Ciołek et al. Detection of impulsive disturbances in archive audio signals
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN113988415A (zh) 一种中长期电力负荷预测方法
CN116774986A (zh) 软件开发工作量自动评估方法、装置、存储介质及处理器
CN114819260A (zh) 一种水文时间序列预测模型动态生成方法
CN114638304A (zh) 图像识别模型的训练方法、图像识别方法及装置
CN114020905A (zh) 一种文本分类外分布样本检测方法、装置、介质及设备
CN113780356A (zh) 基于集成学习模型的水质预测方法及系统
CN113537577A (zh) 收入预测方法、系统、电子设备和计算机可读存储介质
CN113095608A (zh) 指标分析方法、装置、设备及存储介质
CN112561153A (zh) 一种基于模型集成的景区人群聚集预测方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201027

Assignee: Beijing Jiaotong University Siyuan Information Technology Co.,Ltd.

Assignor: Beijing Jiaotong University

Contract record no.: X2023980032489

Denomination of invention: A method and system for short-term passenger flow prediction of rail transit under the condition of station closure

Granted publication date: 20210413

License type: Common License

Record date: 20230222