CN111931978A - 一种基于时空特性的城市轨道交通客流状态预测方法 - Google Patents
一种基于时空特性的城市轨道交通客流状态预测方法 Download PDFInfo
- Publication number
- CN111931978A CN111931978A CN202010603626.7A CN202010603626A CN111931978A CN 111931978 A CN111931978 A CN 111931978A CN 202010603626 A CN202010603626 A CN 202010603626A CN 111931978 A CN111931978 A CN 111931978A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- urban rail
- data
- rail transit
- network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006403 short-term memory Effects 0.000 claims abstract description 5
- 230000007787 long-term memory Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000004083 survival effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000008520 organization Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06N3/045—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
- G06N3/04—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
- 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
- G06Q50/40—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)
- 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)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时空特性的城市轨道交通客流状态预测方法，首先对AFC数据预处理得到断面客流量；将城轨线网图转化为邻接拓扑图，使用图卷积神经网络提取空间特征；进而将数据输入到长短期记忆网络中，构建城轨客流预测模型，得到下个时间粒度的客流量；对此客流量进一步建立基于风险的持续时间全参数预测模型得到客流持续时间；根据所有数据构建客流量时间序列，使用Fisher有序样本聚类算法，形成线网客流状态序列，得到客流状态的预测值和持续时间。本发明通过基于时空特性的城市轨道交通客流状态预测方法，不仅给出了下一阶段客流状态的预测值，并给出了状态持续时间，为城轨的运营组织提供了更为准确的依据。
Description
技术领域
本发明涉及一种城市轨道交通客流状态预测方法，尤其涉及一种基于时空特性的城市轨道交通客流状态预测方法。
背景技术
是否具有城市轨道交通已成为衡量一个城市综合发展水平高低的重要因素，目前各国城市轨道交通网络化运营格局基本形成。未来的城市轨道交通发展将更趋向于多线路、大客流以及系统制式多元化特征。
为了提升整个轨道交通的运营效率和整体服务水平，城轨系统使用自动售检票系统(AFC)来统计客流的数据，利用AFC的历史客流数据来对车站未来的客流量进行实时预测具有十分重要的应用前景。城市轨道交通列车运行图是全日行车计划的具体表现，通过分析城市轨道交通客流转移规律变化趋势，为行车计划安排提供数据支撑。更重要的是通过对客流量的预测可以为城轨决策层提供实时动态的调整措施，制定合适的运行方案。由于客流状态转移是一种非线性的随机波动过程，采用简单的分时计算预测的方法往往得到的效果很差。
发明内容
发明目的：本发明的目的为提供一种保证了行车调度的可靠性、为城市轨道交通的安全管理和运营组织决策提供了更为准确的依据的基于时空特性的城市轨道交通客流状态预测方法。
技术方案：本发明的基于时空特性的城市轨道交通客流状态预测方法，包括如下步骤：
(1)获取AFC历史客流量作为输入数据，对城轨客流数据进行预处理操作，得到城轨线路OD分布概率矩阵和断面客流量；
(2)将城轨线网图进行节点连边信息提取得到线路邻接拓扑图，根据拓扑图得到节点邻接矩阵，结合城轨线网断面客流量作为图卷积神经网络GCN的输入，提取城轨线路客流数据空间特征；
(3)将GCN输出客流量作为长短期记忆网络LSTM的输入，构建基于时间和空间因素下的轨道交通OD客流预测模型，得到下个时间粒度的城轨线网客流量；
(4)根据预测得到的城轨线网客流量建立生存分析统计中的基于风险的持续时间全参数模型，挖掘预测客流数据接下来持续的时间分布规律；
(5)根据客流数据接下来持续的时间分布规律的预测结果和客流历史数据构建断面客流量时间序列，使用Fisher有序样本聚类算法，进行有序数据流的最优分割，形成城轨线网区间断面客流率的最佳分类；
(6)基于断面客流数据最优分割统计得到断面满载率，根据满载率阈值区间形成城轨线网客流状态序列，得到城轨线网的预测状态和持续时间。
进一步地，步骤(1)中，预处理包括如下步骤：对客流数据离群点、异常点进行数据清理，再进行噪声去噪。
步骤(1)中，城轨交通线网统计粒度为30-60分钟，通过OD分布概况矩阵表计算线网乘客上下车量，结合OD分布信息得出断面客流量。
步骤(2)中，图卷积神经网络GCN是带有信号节点的图结构，通过谱图方法卷积操作分析数据。具体的拓扑图拉普拉斯矩阵L规范形式为：
其中A∈RN*N表示节点之间的边关系用邻接矩阵，D表示度矩阵，IN为带有自连接的邻接矩阵与节点邻接矩阵的差；
对图信号进行Fourier变换，结果可以表示为
用卷积核gθ对图G卷积预测：
其中,
为x的图傅里叶变换，U为归一化图拉普拉斯的特征向量矩阵，x为节点信息值。
步骤(2)中，构建图卷积神经网络GCN具体过程如下：
(a)在谱域中将线网转换为图模型，线路相互关系为连接，站点为边缘；
(b)进行光谱滤波、快速过滤、卷积运算和快速近似；
(c)经过全连接层反向学习调节参数，多次迭代输出预测值。
步骤(2)中，使用图卷积神经网络GCN结构设计输入特征包含历史特征、时间特征、路段特征和流量特征，网络多项式参数为5层以上，添加Relu激活函数，使用交叉验证来正则化参数，构建多层图卷积神经网络。
步骤(3)中，LSTM在神经元内部分为输入门、忘记门和输出门，忘记门读取上一时刻隐含层状态ht-1、当前输入状态xt，输出结果后再为Ct赋值，Ct值表示神经单元信息保留或丢弃值，具体算法如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot·tanh(Ct)
其中：ft为忘记门输出值，it为输入值，ot为输出值，bi,bf,bo均为偏置常数量，ht为LSTM神经单元最终输出值，σ为sigmoid激活函数，Wf,Wi,Wo为权重矩阵。
步骤(3)中使用长短期记忆网络LSTM训练过程步骤如下：
(a)初始化所有神经元参数；
(b)前向计算得到LSTM神经元输出值；
(c)反向计算神经元误差值，进行反向迭代出权重参数梯度；
(d)用随机梯度下降法持续迭代更新参数至设定的误差范围。
构建LSTM输入数据划分为训练集和测试集进行归一化，构造输入层、隐含层和输出层，使用全连接形式，并添加Dropout层，训练完成轨道交通客流量的预测。
步骤(4)中，使用基于风险的持续时间模型，通过Logistic生存分析分布函数对数据进行回归分析，以赤池信息量最小为准则进行评估，Logistic加速失效模型的风险函数和生存函数表达式为：
其中，
为特征因素变量，
为参数，γ表示基准函数的形状参数,根据上式得到最终预测状态的持续时间值，t为持续时间值。
步骤(5)中，使用Fisher最优分割处理城轨客流数据的时间序列，将关联程度紧密的客流数据进归类统计，形成断面客流分类。
使用Fisher最优分割包括如下步骤：
(a)计算样本数据类直径矩阵，判断类内差异及相似度；
(b)最小分类损失函数，实现数据分割最优；
(c)引用动态递归优化，得到断面客流数据分类结果。
步骤(6)中，基于乘客满载率阈值区间将客流划分为六个交通流状态：特别拥挤、中度拥挤、轻微拥挤、基本通畅、通畅和完全通畅。
有益效果：与现有技术相比，本发明具有如下显著优点：通过对历史客流数据进行预处理后，使用图卷积神经网络GCN和长短期记忆网络LSTM结合提取客流空间和时间特征，进而对客流量建立基于风险的持续时间全参数预测模型，构建状态序列，获得城轨线网预测状态值和持续时间，提高了客流预测的精度，保证行车调度的可靠性，为城市轨道交通的安全管理和运营组织决策提供更为准确的依据。
附图说明
图1为图卷积神经网络GCN结构图；
图2为长短期记忆网络LSTM结构图；
图3为本发明操作流程图。
具体实施方式
下面结合实施例对本发明的技术方案作进一步说明。
基于时空特性的城市轨道交通客流状态预测方法，如图1-3所示。包括以下步骤：
步骤1：获取AFC历史客流量作为输入数据，对城轨线路客流数据进行预处理操作，主要对数据离群点、异常点进行数据清理，再进行噪声去噪；取30分钟为统计粒度，通过OD分布概况矩阵表计算线网乘客上下车量得到城轨线路OD分布概率矩阵和断面客流量
步骤2：将城轨线网图进行节点连边信息提取得到线路邻接拓扑图，根据拓扑图得到节点邻接矩阵，结合城轨线网断面客流量作为图卷积神经网络GCN的输入；
步骤2-1：在谱域中将线网转换为图模型，线路相互关系为连接，站点为边缘；
步骤2-2：进行光谱滤波、快速过滤、卷积运算和快速近似；
步骤2-3：经过全连接层反向学习调节参数，多次迭代输出预测值，得到空间特征。
步骤3：将已提取空间信息的历史客流量作为长短期记忆网络LSTM的输入，构建基于时间和空间多因素下的城市轨道交通OD客流预测模型；
步骤3-1：初始化所有神经元参数；
步骤3-2：前向计算得到LSTM神经元输出值；
步骤3-3：反向计算神经元误差值，进行反向迭代出权重参数梯度；
步骤3-4：用随机梯度下降法持续迭代更新参数至设定的误差范围,得到下个时间粒度的城轨线网客流量。
步骤4：根据预测得到的城市轨道交通客流进一步建立生存分析统计中的基于风险的持续时间全参数模型，通过Logistic生存分析分布函数对数据进行回归分析，以赤池信息量最小为准则进行评估，Logistic加速失效模型的风险函数和生存函数表达式为：
其中，
为特征因素变量，
为参数，γ表示基准函数的形状参数,根据上式得到最终预测状态的持续时间值。
步骤5:根据预测结果和历史数据构建断面客流量时间序列，使用Fisher有序样本聚类算法；
步骤5-1：计算样本数据类直径矩阵，判断类内差异及相似度；
步骤5-2：最小分类损失函数，实现数据分割最优；
步骤5-3：引用动态递归优化，得到断面客流数据分类结果，形成城轨线网区间断面客流率的最佳分类。
步骤6：基于断面客流数据最优分割统计得到断面满载率，根据满载率阈值区间形成城轨线网客流状态序列，主要划分为六个交通流状态：特别拥挤、中度拥挤、轻微拥挤、基本通畅、通畅和完全通畅。最终得到城轨线网的预测状态和持续时间。
Claims (10)
1.一种基于时空特性的城市轨道交通客流状态预测方法，其特征在于，包括如下步骤：
(1)获取AFC历史客流量作为输入数据，对城轨客流数据进行预处理操作，得到城轨线路OD分布概率矩阵和断面客流量；
(2)将城轨线网图进行节点连边信息提取得到线路邻接拓扑图，根据拓扑图得到节点邻接矩阵，结合城轨线网断面客流量作为图卷积神经网络GCN的输入，提取城轨线路客流数据空间特征；
(3)将GCN输出客流量作为长短期记忆网络LSTM的输入，构建基于时间和空间因素下的轨道交通OD客流预测模型，得到下个时间粒度的城轨线网客流量；
(4)根据预测得到的城轨线网客流量建立生存分析统计中的基于风险的持续时间全参数模型，挖掘预测客流数据接下来持续的时间分布规律；
(5)根据客流数据接下来持续的时间分布规律的预测结果和客流历史数据构建断面客流量时间序列，使用Fisher有序样本聚类算法，进行有序数据流的最优分割，形成城轨线网区间断面客流率的最佳分类；
(6)基于断面客流数据最优分割统计得到断面满载率，根据满载率阈值区间形成城轨线网客流状态序列，得到城轨线网的预测状态和持续时间。
2.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(1)中，所述预处理包括如下步骤：对客流数据离群点、异常点进行数据清理，再进行噪声去噪。
3.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于：步骤(1)中，所述城轨交通线网统计粒度为30-60分钟，通过OD分布概况矩阵表计算线网乘客上下车量，结合OD分布信息得出断面客流量。
4.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(2)中，构建图卷积神经网络GCN具体过程如下：
(a)在谱域中将线网转换为图模型，线路相互关系为连接，站点为边缘；
(b)进行光谱滤波、快速过滤、卷积运算和快速近似；
(c)经过全连接层反向学习调节参数，多次迭代输出预测值。
5.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于：步骤(2)中，使用图卷积神经网络GCN结构设计输入特征包含历史特征、时间特征、路段特征和流量特征，网络多项式参数为5层以上，添加Relu激活函数，使用交叉验证来正则化参数，构建多层图卷积神经网络。
6.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(3)中使用长短期记忆网络LSTM训练过程步骤如下：
(a)初始化所有神经元参数；
(b)前向计算得到LSTM神经元输出值；
(c)反向计算神经元误差值，进行反向迭代出权重参数梯度；
(d)用随机梯度下降法持续迭代更新参数至设定的误差范围。
7.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(4)中，使用基于风险的持续时间模型，通过Logistic生存分析分布函数对数据进行回归分析，以赤池信息量最小为准则进行评估，Logistic加速失效模型的风险函数和生存函数表达式为：
其中，
为特征因素变量，
为参数，γ表示基准函数的形状参数,根据上式得到最终预测状态的持续时间值，t为持续时间值。
8.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于：步骤(5)中，使用Fisher最优分割处理城轨客流数据的时间序列，将关联程度紧密的客流数据进归类统计，形成断面客流分类。
9.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(5)中，使用Fisher最优分割包括如下步骤：
(a)计算样本数据类直径矩阵，判断类内差异及相似度；
(b)最小分类损失函数，实现数据分割最优；
(c)引用动态递归优化，得到断面客流数据分类结果。
10.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(6)中，基于乘客满载率阈值区间将客流划分为六个交通流状态：特别拥挤、中度拥挤、轻微拥挤、基本通畅、通畅和完全通畅。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010603626.7A CN111931978A (zh) | 2020-06-29 | 2020-06-29 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010603626.7A CN111931978A (zh) | 2020-06-29 | 2020-06-29 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111931978A true CN111931978A (zh) | 2020-11-13 |
Family
ID=73316315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010603626.7A Pending CN111931978A (zh) | 2020-06-29 | 2020-06-29 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931978A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
| CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
| CN113095575A (zh) * | 2021-04-16 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
| CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
| CN113177657A (zh) * | 2021-04-20 | 2021-07-27 | 上海大学 | 轨道交通客流预测方法及装置 |
| CN114117903A (zh) * | 2021-11-22 | 2022-03-01 | 合肥工业大学 | 一种基于bp神经网络的轨道交通短时客流预测方法 |
| CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及系统 |
| CN115114331A (zh) * | 2022-06-15 | 2022-09-27 | 国电南瑞科技股份有限公司 | 基于深度学习及并行计算的电网数据流连接方法 |
| CN116052427A (zh) * | 2023-02-03 | 2023-05-02 | 湖南大学深圳研究院 | 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 |
| 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 |
| CN118278454A (zh) * | 2024-05-31 | 2024-07-02 | 湖南工商大学 | 一种考虑动静多因素的交通客流短期预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
| US20170068755A1 (en) * | 2015-09-07 | 2017-03-09 | Sap Se | Transportation schedule evaluation |
| 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 |
| CN110084505A (zh) * | 2019-04-22 | 2019-08-02 | 南京行者易智能交通科技有限公司 | 一种基于客流的智能排班方法及装置、移动端设备、服务器 |
| CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
-
2020
- 2020-06-29 CN CN202010603626.7A patent/CN111931978A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
| US20170068755A1 (en) * | 2015-09-07 | 2017-03-09 | Sap Se | Transportation schedule evaluation |
| 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 |
| CN110084505A (zh) * | 2019-04-22 | 2019-08-02 | 南京行者易智能交通科技有限公司 | 一种基于客流的智能排班方法及装置、移动端设备、服务器 |
| CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
| CN112418547B (zh) * | 2020-12-03 | 2024-04-09 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
| CN112907056B (zh) * | 2021-02-08 | 2022-07-12 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
| CN112907056A (zh) * | 2021-02-08 | 2021-06-04 | 之江实验室 | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
| CN113112819A (zh) * | 2021-03-26 | 2021-07-13 | 华南理工大学 | 一种基于改进lstm的图卷积交通速度预测方法 |
| CN113095575A (zh) * | 2021-04-16 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
| CN113095575B (zh) * | 2021-04-16 | 2022-04-29 | 清华大学深圳国际研究生院 | 一种基于迁移学习的车流量预测方法和系统 |
| CN113177657A (zh) * | 2021-04-20 | 2021-07-27 | 上海大学 | 轨道交通客流预测方法及装置 |
| CN114117903A (zh) * | 2021-11-22 | 2022-03-01 | 合肥工业大学 | 一种基于bp神经网络的轨道交通短时客流预测方法 |
| CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及系统 |
| CN115114331A (zh) * | 2022-06-15 | 2022-09-27 | 国电南瑞科技股份有限公司 | 基于深度学习及并行计算的电网数据流连接方法 |
| CN116052427A (zh) * | 2023-02-03 | 2023-05-02 | 湖南大学深圳研究院 | 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 |
| CN116052427B (zh) * | 2023-02-03 | 2024-05-31 | 湖南大学深圳研究院 | 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 |
| 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 |
| CN118278454A (zh) * | 2024-05-31 | 2024-07-02 | 湖南工商大学 | 一种考虑动静多因素的交通客流短期预测方法 |
| CN118278454B (zh) * | 2024-05-31 | 2024-08-20 | 湖南工商大学 | 一种考虑动静多因素的交通客流短期预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931978A (zh) | 一种基于时空特性的城市轨道交通客流状态预测方法 | |
| CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
| CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
| CN112270355B (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
| CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
| Ai et al. | Short-term road speed forecasting based on hybrid RBF neural network with the aid of fuzzy system-based techniques in urban traffic flow | |
| CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
| CN104298881A (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
| CN112819213B (zh) | 基于深度学习网络的高速公路货运量预测方法及系统 | |
| CN112241351B (zh) | 数据处理方法、装置、设备和介质 | |
| CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
| CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
| CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
| CN112765894B (zh) | 一种基于k-lstm的铝电解槽状态预测方法 | |
| CN114399099A (zh) | 一种城市轨道交通断面客流的预测方法及装置 | |
| CN108564228A (zh) | 一种基于时序特征预测轨道交通od客流量的方法 | |
| CN115907181A (zh) | 一种城市轨道交通乘客流量预测方法及系统 | |
| CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
| CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN116434531A (zh) | 一种基于Conv1D-LSTM模型的短时交通流预测方法 | |
| CN114117903B (zh) | 一种基于bp神经网络的轨道交通短时客流预测方法 | |
| CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
| CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 | |
| CN116128160B (zh) | 一种铁路车站高峰客流预测方法、系统及设备和介质 | |
| CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 |
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 |