CN112036670A - 一种客流综合预测系统及预测方法 - Google Patents
一种客流综合预测系统及预测方法 Download PDFInfo
- Publication number
- CN112036670A CN112036670A CN202011210740.XA CN202011210740A CN112036670A CN 112036670 A CN112036670 A CN 112036670A CN 202011210740 A CN202011210740 A CN 202011210740A CN 112036670 A CN112036670 A CN 112036670A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- data
- time
- prediction
- 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 66
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000009499 grossing Methods 0.000 claims description 22
- 230000001360 synchronised effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 241000728173 Sarima Species 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种客流综合预测系统及方法，预测系统包括：短时客流预测子系统，用于生成短时客流量预测；常规短期客流预测子系统，用于预测日、周、月、年和节假日轨道交通线网站间OD量并快速实现预测OD量在全网的分布；可预知大客流预测子系统，用于预测大客流事件下轨道交通线网站间OD量并快速实现预测OD量在全网的分布。本发明的客流预测方法，通过预测短时客流分布、常规短期客流分布、节假日等特殊时段客流分布进行客流清分，避免出现供给与需求不匹配而造成过度拥挤、降低承运安全性、运能浪费情况的出现。
Description
技术领域
本发明涉及客流预测领域，尤其涉及一种客流综合预测系统及预测方法。
背景技术
当前城市轨道交通客运量不断增加，客流强度平稳增长，随着各大城市大量建成地铁线路并投入运行，线路管理和调度问题日益凸显。例如早晚高峰时段的线路车次供给与需求不匹配，导致车次载满率过高而过度拥挤，降低承运安全性；而平峰和低峰车辆载满率过低而导致运能浪费。因此需要一种能有效预测短时客流分布、常规短期客流分布、节假日等特殊时段客流分布的方法来满足乘客的出行需求，减少乘客的出行时间，为轨道交通资源进行合理调配，为安全措施部署等提供决策依据。
发明内容
本发明的目的在于，针对上述问题，提出一种客流综合预测系统及预测方法。
一种客流综合预测系统，包括：短时客流预测子系统，用于生成从开始时刻到运营结束时刻的轨道交通短时分时间粒度客流量、端面客流量、进出站量和换乘量等指标；常规短期客流预测子系统，用于预测日、周、月、年和节假日轨道交通线网站间OD量并快速实现预测OD量在全网的分布；可预知大客流预测子系统，用于预测大客流事件下轨道交通线网站间OD量并快速实现预测OD量在全网的分布。
进一步的，一种客流综合预测系统，还包括数据库服务器和后台参数管理PC；所述数据库服务器用于存储接入数据和计算结果数据；所述后台参数管理PC用于预置特殊时间段或算法模型参数；所述特殊时间段包括糖酒会、演唱会和法定节假日等。
进一步的，一种客流综合预测系统，所述算法模型参数的预置方法包括历史同比法和指数平滑法。算法模型参数包括一元线性回归法，利用已知历史同期客流量数据求得各阶段参数，并利用实时客流预测数据进行短时未来半小时至一小时客流预测。利用历史同期数据平均值预测未来一小时至运营结束时间段客流量。
进一步的，一种客流综合预测系统，所述短时客流预测子系统包括：时间鉴定模块，用于判断是否为特殊阶段；分时间粒度模块，用于设置预测时间粒度；数据接入模块，用于导入历史同期进站量数据；分形插值模型模块，用于根据历史同期客流量数据进行训练以预测未来一段时间分时进站客流量。
进一步的，一种客流综合预测系统，所述常规短期客流预测子系统包括日周月客流预测系统、年度客流指标达成度预测系统和节假日客流预测系统。
进一步的，一种客流综合预测系统，所述日周月客流预测系统包括：时间鉴定模块，用于判断是否为特殊阶段；数据接入模块，用于导入历史同期进站量、待预测时间天气数据、OD比例数据和车站进站量阈值参数；SARIMA模型模块，用于根据导入数据预测短期车站OD量及其分布和短期客流清分；数据存储模块，用于存储短期线网、线路、区间、车站客流指标。
进一步的，一种客流综合预测系统，所述年度客流指标达成度预测系统包括：数据接入模块，用于导入基础数据、调研数据、待预测时间天气数据、历史同期进站量、OD比例数据和车站进站量阈值；SARIMA模型模块，用于根据导入数据预测年客流清分；数据存储模块，用于存储年度线网、线路、区间、车站客流指标以提供给年度客流指标达成度分析数据支持。
进一步的，一种客流综合预测系统，所述节假日客流预测系统包括：节假日变更跟踪模块，用于切换节假日预测时间；数据接入模块，用于导入历史同期进站量、OD比例数据和车站进站量阈值；算法模型模块，所述算法模型模块采用历史同比法和指数平滑法，预测节假日车站OD量和客流清分。
进一步的，一种客流综合预测系统，所述可预知大客流预测子系统包括：短期时间段设置模块，用于设置可预知的大客流情况的时间段；数据接入模块，用于导入历史同期进站量、OD比例数据和车站进站量阈值；重力模型模块，用于预测可预知大客流情况下车站OD量及其分布和客流清分；数据存储模块，用于存储短期线网、线路、区间、车站客流指标；分析对比模块，用于与无大客流事件下的客流指标对比分析。
一种客流综合预测方法，包括以下步骤：
S1，根据预置特殊时间段判断是否为特殊阶段；
S2，设置预测时间粒度；
S3，导入历史同期进站量数据；
S4，根据历史同期客流量数据进行训练以实现短时客流预测、常规短期客流预测和大客流预测，其中，常规短期客流预测包括日周月客流预测、年度客流指标达成度预测和节假日客流预测。
其中，短时客流预测的过程包括如下步骤：
S1，通过时间鉴定模块判断预测时间是否为特殊阶段，若预测时间不是特殊阶段时间则进入S2；
S2，设置预测时间粒度，时间粒度分为15min/30min/1h；
S3，导入历史同期进站量数据；
S4，根据分形插值模型利用已知历史同期客流量数据进行训练，预测未来一段时间的分时进站客流量。
日周月客流预测的过程包括如下步骤：
S1，通过时间鉴定模块判断预测时间是否为特殊阶段，若预测时间不是特殊阶段时间则进入S2；
S2，导入历史同期进站量、待预测时间天气数据信息、OD比例数据和车站进站量阈值参数；
S3，根据SARIMA模型根据导入数据进行训练以预测短期车站OD量及其分布和短期客流清分；
S4，将线网、线路、区间、车站客流量指标存档。
年度客流指标达成度预测的过程包括如下步骤：
S1，导入基础数据、调研数据、待预测时间天气数据、历史同期进站量、OD比例数据和车站进站量阈值；
S2，根据SARIMA模型根据导入数据进行训练以预测年客流清分；
S3，将年线网、线路、区间、车站客流指标存档；
S4，分析年度客流指标。
节假日客流预测的过程包括如下步骤：
S1，通过节假日变更跟踪模块，将待预测时间在节前日、节假日第一天、节假日最后一天和节后日切换；
S2，导入历史同期进站量、OD比例数据和车站进站量阈值；
S3，通过算法模型利用历史同比法和指数平滑法预测节假日车站OD量和客流清分。
可预知大客流预测的过程包括如下步骤：
S1，设置可预知大客流时间段；
S2，导入历史同期进站量、OD比例数据和车站进站量阈值；
S3，根据重力模型利用导入数据进行训练，预测可预知大客流情况下车站OD量及其分布和客流清分；
S4，存入短期线网、线路、区间、车站客流指标；
S5，将预测OD量及客流清分客流指标与无大客流事件下的客流指标进行对比分析。
本发明达到的有益效果：本发明的基于一种客流综合预测系统的预警方法，通过预测短时客流分布、常规短期客流分布、节假日等特殊时段客流分布进行客流清分，避免出现供给与需求不匹配而造成过度拥挤、降低承运安全性、运能浪费情况的出现。
附图说明
图1是本发明的综合预测系统的原理框图。
图2是本发明的短时客流预测方法流程图。
图3是本发明的日周月客流预测方法流程图。
图4是本发明的年度客流指标达成度预测方法流程图。
图5是本发明的节假日客流预测方法流程图。
图6是本发明的可预知大客流预测方法流程图。
图7是本发明的指数平滑算法流程图。
具体实施方式
为了使本发明的目的、技巧方案及优点更加清楚明白，下面将结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述。显然，所描述的实例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作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。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本实施例中，如图1所示，一种客流综合预测系统，包括：短时客流预测子系统，用于生成从开始时刻到运营结束时刻的轨道交通短时分时间粒度客流量、端面客流量、进出站量和换乘量等指标；常规短期客流预测子系统，用于预测日、周、月、年和节假日轨道交通线网站间OD量并快速实现预测OD量在全网的分布；可预知大客流预测子系统，用于预测大客流事件下轨道交通线网站间OD量并快速实现预测OD量在全网的分布。
其中，历史OD数据是指以刷卡进站刷卡交易明细计算出来的历史同期的进出站数据。OD比例是指每个时间段各个站点的进出站和换乘的乘客比例。
预测OD量在全网的分布主要包括以下流程：
1、数据周期处理
S101，历史数据准备：MLC清分中心上传至NCCC系统刷卡数据，用于挖掘其客流规律，主要包括：
1)刷卡交易明细分为进站刷卡交易明细和出站刷卡交易明细（包含进站刷卡交易明细）。
2)刷卡进站刷卡交易明细包含AFC_ID、进站线路编号、进站时间、进站车站编码。
3)刷卡出站刷卡交易包含AFC_ID、进站线路编号、出站线路编号、刷卡进站时间、出站刷卡时间、进站车站编码以及出站车站编码。
S102，参数标定：节假日客流预测参数，作为线网短期客流预测基础重要组成部分。预测参数包含指标如下：
1)OD比例数据；
2)历史同期进站量数据；
3、预测数据范围
预测包括短时客流预测和常规客流预测，短时预测结果具体指标包括：生成相应客流指标包含未来15分钟时间段车站进站量、未来15分钟时间段车站出站量、未来15分钟时间段车站换乘量、未来15分钟时间段累积客运量。
常规客流预测结果具体指标包括：生成相应客流指标包含未来某天全天各个时间段车站进站量、未来某天全天各个时间段车站出站量、未来某天全天各个时间段车站换乘量、未来某天全天各个时间段累积客运量。
4、基于先进的算法模型计算
S401，预测包括短时客流预测和常规客流预测，主要方法有历史同比法和指数平滑法等。
S402，数据缓存与存储，对于预测结果的数据，存储在数据库，以便前端调用展示，定期删除过时数据。
5、客流预测展示
S501，按层次展示。以节假日预测结果生成相应客流指标作为预测数据。展示车站、线路、线网客流状态。
本实施例中，一种客流综合预测预警系统，监控数据获取单元的监控时间颗粒度为15min/次，避免出现出现某个断面拥挤度很高，但下一站进站客流量少、无滞留量的情况下产生预警现象。
本实施例中，一种客流综合预测系统，还包括数据库服务器和后台参数管理PC；数据库服务器用于存储接入数据和计算结果数据；后台参数管理PC用于预置特殊时间段或算法模型参数；特殊时间段包括糖酒会、演唱会和法定节假日等。
本实施例中，一种客流综合预测系统，算法模型参数的预置方法包括历史同比法和指数平滑法。算法模型参数包括一元线性回归法，利用已知历史同期客流量数据求得各阶段参数，并利用实时客流预测数据进行短时未来半小时至一小时客流预测。利用历史同期数据平均值预测未来一小时至运营结束时间段客流量。
本实施例中，一种客流综合预测系统，短时客流预测子系统包括：时间鉴定模块，用于判断是否为特殊阶段；分时间粒度模块，用于设置预测时间粒度；数据接入模块，用于导入历史同期进站量数据；分形插值模型模块，用于根据历史同期客流量数据进行训练以预测未来一段时间分时进站客流量。
本实施例中，一种客流综合预测系统，常规短期客流预测子系统包括日周月客流预测系统、年度客流指标达成度预测系统和节假日客流预测系统。
本实施例中，一种客流综合预测系统，日周月客流预测系统包括：时间鉴定模块，用于判断是否为特殊阶段；数据接入模块，用于导入历史同期进站量、待预测时间天气数据、OD比例数据和车站进站量阈值参数；SARIMA模型模块，用于根据导入数据预测短期车站OD量及其分布和短期客流清分；数据存储模块，用于存储短期线网、线路、区间、车站客流指标。
本实施例中，一种客流综合预测系统，年度客流指标达成度预测系统包括：数据接入模块，用于导入基础数据、调研数据、待预测时间天气数据、历史同期进站量、OD比例数据和车站进站量阈值；SARIMA模型模块，用于根据导入数据预测年客流清分；数据存储模块，用于存储年度线网、线路、区间、车站客流指标以提供给年度客流指标达成度分析数据支持。
本实施例中，一种客流综合预测系统，节假日客流预测系统包括：节假日变更跟踪模块，用于切换节假日预测时间；数据接入模块，用于导入历史同期进站量、OD比例数据和车站进站量阈值；算法模型模块，算法模型模块采用历史同比法和指数平滑法，预测节假日车站OD量和客流清分。
指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。
指数平滑法将反映历史变化情况的统计数据，加以大致修匀平滑，以便分析变量的演变趋势。此法可处理不规则数据，若数据点的分布呈线性趋势，用二次指数平滑法进行预测，若数据点的分布带有曲率，用三次指数平滑法预测出的结果更精确，分析城市轨道交通的客流数据时间序列，可以看到城市轨道交通短期带有以周为周期的曲线分布特征，长期趋势呈二次曲线逐渐上升形态，因此，利用三次指数平滑法来拟合是比较合适的。
三次指数平滑预测是二次平滑基础上的再平滑。它的基本思想是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权，指数平滑算法流程如图7所示。
本实施例中，一种客流综合预测系统，可预知大客流预测子系统包括：短期时间段设置模块，用于设置可预知的大客流情况的时间段；数据接入模块，用于导入历史同期进站量、OD比例数据和车站进站量阈值；重力模型模块，用于预测可预知大客流情况下车站OD量及其分布和客流清分；数据存储模块，用于存储短期线网、线路、区间、车站客流指标；分析对比模块，用于与无大客流事件下的客流指标对比分析。
本实施例中，一种客流综合预测方法，包括以下步骤：
S1，根据预置特殊时间段判断是否为特殊阶段；
S2，设置预测时间粒度；
S3，导入历史同期进站量数据；
S4，根据历史同期客流量数据进行训练以实现短时客流预测、常规短期客流预测和大客流预测，其中，常规短期客流预测包括日周月客流预测、年度客流指标达成度预测和节假日客流预测。
其中，如图2所示，一种短时客流预测方法，包括如下步骤：
S1，通过时间鉴定模块判断预测时间是否为特殊阶段，若预测时间不是特殊阶段时间则进入S2；
S2，设置预测时间粒度，时间粒度分为15min/30min/1h；
S3，导入历史同期进站量数据；
S4，根据分形插值模型利用已知历史同期客流量数据进行训练，预测未来一段时间的分时进站客流量。
在本实施例中，如图3所示，一种日周月客流预测方法，包括如下步骤：
S1，通过时间鉴定模块判断预测时间是否为特殊阶段，若预测时间不是特殊阶段时间则进入S2；
S2，导入历史同期进站量、待预测时间天气数据信息、OD比例数据和车站进站量阈值参数；
S3，根据SARIMA模型根据导入数据进行训练以预测短期车站OD量及其分布和短期客流清分；
S4，将线网、线路、区间、车站客流量指标存档。
在本实施例中，如图4所示，一种年度客流指标达成度预测方法，包括如下步骤：
S1，导入基础数据、调研数据、待预测时间天气数据、历史同期进站量、OD比例数据和车站进站量阈值；
S2，根据SARIMA模型根据导入数据进行训练以预测年客流清分；
S3，将年线网、线路、区间、车站客流指标存档；
S4，分析年度客流指标。
在本实施例中，如图5所示，一种节假日客流预测方法，包括如下步骤：
S1，通过节假日变更跟踪模块，将待预测时间在节前日、节假日第一天、节假日最后一天和节后日切换；
S2，导入历史同期进站量、OD比例数据和车站进站量阈值；
S3，通过算法模型利用历史同比法和指数平滑法预测节假日车站OD量和客流清分。
在本实施例中，如图6所示，一种可预知大客流预测方法，包括如下步骤：
S1，设置可预知大客流时间段；
S2，导入历史同期进站量、OD比例数据和车站进站量阈值；
S3，根据重力模型利用导入数据进行训练，预测可预知大客流情况下车站OD量及其分布和客流清分；
S4，存入短期线网、线路、区间、车站客流指标；
S5，将预测OD量及客流清分客流指标与无大客流事件下的客流指标进行对比分析。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种客流综合预测系统，其特征在于，包括：
短时客流预测子系统，用于生成从开始时刻到运营结束时刻的轨道交通短时分时间粒度客流量、端面客流量、进出站量和换乘量；
常规短期客流预测子系统，用于预测日、周、月、年和节假日轨道交通线网站间OD量并快速实现预测OD量在全网的分布；
可预知大客流预测子系统，用于预测大客流事件下轨道交通线网站间OD量并快速实现预测OD量在全网的分布；
数据库服务器和后台参数管理PC；所述数据库服务器用于存储接入数据和计算结果数据；所述后台参数管理PC用于预置特殊时间段或算法模型参数；
所述特殊时间段包括糖酒会、演唱会和法定节假日；
所述算法模型参数的预置方法包括历史同比法和指数平滑法；
所述短时客流预测子系统包括：
时间鉴定模块，根据预置特殊时间段判断是否为特殊阶段；
分时间粒度模块，用于设置预测时间粒度；
数据接入模块，用于导入历史同期进站量数据；
分形插值模型模块，根据历史同期客流量数据进行训练以预测未来一段时间分时进站客流量；
所述常规短期客流预测子系统包括日周月客流预测系统、年度客流指标达成度预测系统和节假日客流预测系统。
2.根据权利要求1所述的一种客流综合预测系统，其特征在于，所述日周月客流预测系统包括：
时间鉴定模块，根据预置特殊时间段判断是否为特殊阶段；
数据接入模块，用于导入历史同期进站量、待预测时间天气数据、OD比例数据和车站进站量阈值参数；
SARIMA模型模块，根据导入数据预测短期车站OD量及其分布和短期客流清分；
数据存储模块，用于存储短期线网、线路、区间、车站客流指标。
3.根据权利要求1所述的一种客流综合预测系统，其特征在于，所述年度客流指标达成度预测系统包括：
数据接入模块，用于导入基础数据、调研数据、待预测时间天气数据、历史同期进站量、OD比例数据和车站进站量阈值；
SARIMA模型模块，根据导入数据预测年客流清分；
数据存储模块，用于存储年度线网、线路、区间、车站客流指标以提供给年度客流指标达成度分析数据支持。
4.根据权利要求1所述的一种客流综合预测系统，其特征在于，所述节假日客流预测系统包括：
节假日变更跟踪模块，用于切换节假日预测时间；
数据接入模块，用于导入历史同期进站量、OD比例数据和车站进站量阈值；
算法模型模块，所述算法模型模块采用历史同比法和指数平滑法，预测节假日车站OD量和客流清分。
5.根据权利要求1所述的一种客流综合预测系统，其特征在于，所述可预知大客流预测子系统包括：
短期时间段设置模块，用于设置可预知的大客流情况的时间段；
数据接入模块，用于导入历史同期进站量、OD比例数据和车站进站量阈值；
重力模型模块，用于预测可预知大客流情况下车站OD量及其分布和客流清分；
数据存储模块，用于存储短期线网、线路、区间、车站客流指标；
分析对比模块，用于与无大客流事件下的客流指标对比分析。
6.根据权利要求1所述的一种客流综合预测系统的客流综合预测方法，其特征在于，包括如下步骤：
S1，根据预置特殊时间段判断是否为特殊阶段；
S2，设置预测时间粒度；
S3，导入历史同期进站量数据；
S4，根据历史同期客流量数据进行训练以实现短时客流预测、常规短期客流预测和可预知大客流预测，其中，常规短期客流预测包括日周月客流预测、年度客流指标达成度预测和节假日客流预测；
所述短时客流预测包括以下步骤：
S101，通过时间鉴定模块判断预测时间是否为特殊阶段，若预测时间不是特殊阶段时间则进入S102；
S102，设置预测时间粒度，时间粒度分为15min/30min/1h；
S103，导入历史同期进站量数据、OD比例数据和车站进站量阈值；
S104，根据分形插值模型利用已知历史同期客流量数据进行训练，预测未来一段时间的分时进站客流量。
7.根据权利要求6所述的一种客流综合预测方法，其特征在于，所述日周月客流预测包括如下步骤：
S1，通过时间鉴定模块判断预测时间是否为特殊阶段，若预测时间不是特殊阶段时间则进入S2；
S2，导入历史同期进站量、待预测时间天气数据信息、OD比例数据和车站进站量阈值参数；
S3，根据SARIMA模型根据导入数据进行训练以预测短期车站OD量及其分布和短期客流清分；
S4，将线网、线路、区间、车站客流量指标存档。
8.根据权利要求6所述的一种客流综合预测方法，其特征在于，所述年度客流指标达成度预测包括如下步骤：
S1，导入基础数据、调研数据、待预测时间天气数据、历史同期进站量、OD比例数据和车站进站量阈值；
S2，根据SARIMA模型根据导入数据进行训练以预测年客流清分；
S3，将年线网、线路、区间、车站客流指标存档；
S4，分析年度客流指标。
9.根据权利要求6所述的一种客流综合预测方法，其特征在于，所述节假日客流预测包括如下步骤：
S1，通过节假日变更跟踪模块，将待预测时间在节前日、节假日第一天、节假日最后一天和节后日切换；
S2，导入历史同期进站量、OD比例数据和车站进站量阈值；
S3，通过算法模型利用历史同比法和指数平滑法预测节假日车站OD量和客流清分。
10.根据权利要求6所述的一种客流综合预测方法，其特征在于，所述可预知大客流预测包括如下步骤：
S1，设置可预知大客流时间段；
S2，导入历史同期进站量、OD比例数据和车站进站量阈值；
S3，根据重力模型利用导入数据进行训练，预测可预知大客流情况下车站OD量及其分布和客流清分；
S4，存入短期线网、线路、区间、车站客流指标；
S5，将预测OD量及客流清分客流指标与无大客流事件下的客流指标进行对比分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210740.XA CN112036670A (zh) | 2020-11-03 | 2020-11-03 | 一种客流综合预测系统及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011210740.XA CN112036670A (zh) | 2020-11-03 | 2020-11-03 | 一种客流综合预测系统及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112036670A true CN112036670A (zh) | 2020-12-04 |
Family
ID=73572719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011210740.XA Pending CN112036670A (zh) | 2020-11-03 | 2020-11-03 | 一种客流综合预测系统及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036670A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465396A (zh) * | 2020-12-15 | 2021-03-09 | 中北大学 | 一种基于沿线站点事件的公交调度方法及系统 |
| CN113255958A (zh) * | 2021-04-06 | 2021-08-13 | 北京城建设计发展集团股份有限公司 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
| 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 |
| CN113762590A (zh) * | 2021-07-20 | 2021-12-07 | 北京交通大学 | 一种城市轨道交通节假日客流预测系统 |
| CN113987944A (zh) * | 2021-10-29 | 2022-01-28 | 成都智元汇信息技术股份有限公司 | 基于Prophet模型的地铁进站客流预测方法及装置 |
| CN114091757A (zh) * | 2021-11-23 | 2022-02-25 | 成都智元汇信息技术股份有限公司 | 基于客流分析预测的公交、地铁智能调度方法 |
| CN115034524A (zh) * | 2022-08-11 | 2022-09-09 | 北京融信数联科技有限公司 | 基于手机信令的工作居住人口预测方法、系统和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
| 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 |
| CN111737314A (zh) * | 2020-06-13 | 2020-10-02 | 北京京投亿雅捷交通科技有限公司 | 一种运营日系统的客流信息检测方法 |
-
2020
- 2020-11-03 CN CN202011210740.XA patent/CN112036670A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
| 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 |
| CN111737314A (zh) * | 2020-06-13 | 2020-10-02 | 北京京投亿雅捷交通科技有限公司 | 一种运营日系统的客流信息检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 乐逸祥等: "基于分形插值方法的城市轨道交通车站客流拟合与仿真", 《铁道学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465396A (zh) * | 2020-12-15 | 2021-03-09 | 中北大学 | 一种基于沿线站点事件的公交调度方法及系统 |
| CN112465396B (zh) * | 2020-12-15 | 2023-04-18 | 中北大学 | 一种基于沿线站点事件的公交调度方法及系统 |
| CN113255958A (zh) * | 2021-04-06 | 2021-08-13 | 北京城建设计发展集团股份有限公司 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
| CN113255958B (zh) * | 2021-04-06 | 2024-03-12 | 北京城建设计发展集团股份有限公司 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
| 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 |
| CN113762590A (zh) * | 2021-07-20 | 2021-12-07 | 北京交通大学 | 一种城市轨道交通节假日客流预测系统 |
| CN113762590B (zh) * | 2021-07-20 | 2023-08-01 | 北京交通大学 | 一种城市轨道交通节假日客流预测系统 |
| CN113987944A (zh) * | 2021-10-29 | 2022-01-28 | 成都智元汇信息技术股份有限公司 | 基于Prophet模型的地铁进站客流预测方法及装置 |
| CN114091757A (zh) * | 2021-11-23 | 2022-02-25 | 成都智元汇信息技术股份有限公司 | 基于客流分析预测的公交、地铁智能调度方法 |
| CN114091757B (zh) * | 2021-11-23 | 2022-11-08 | 成都智元汇信息技术股份有限公司 | 基于客流分析预测的公交、地铁智能调度方法 |
| CN115034524A (zh) * | 2022-08-11 | 2022-09-09 | 北京融信数联科技有限公司 | 基于手机信令的工作居住人口预测方法、系统和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112036670A (zh) | 一种客流综合预测系统及预测方法 | |
| Mackowski et al. | Parking space management via dynamic performance-based pricing | |
| CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
| US20170059331A1 (en) | Route planner for transportation systems | |
| CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
| Perugia et al. | Designing a home-to-work bus service in a metropolitan area | |
| CN113723659B (zh) | 一种城市轨道交通全场景客流预测方法及系统 | |
| CN108922178B (zh) | 基于公交多源数据的公交车辆实时满载率计算方法 | |
| CN109961164A (zh) | 客流量预测方法及装置 | |
| CN106713677A (zh) | 一种电力客户服务中心呼入话务量的预测方法 | |
| WO2015177644A1 (en) | Method and system for balancing rental fleet of movable assets | |
| Cao et al. | Optimal synchronization and coordination of actual passenger-rail timetables | |
| Wu et al. | Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model | |
| CN115953186A (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
| Yang et al. | Last‐Train Timetabling under Transfer Demand Uncertainty: Mean‐Variance Model and Heuristic Solution | |
| CN114399099A (zh) | 一种城市轨道交通断面客流的预测方法及装置 | |
| CN112749842B (zh) | 一种押运路径的规划方法及装置 | |
| CN112686417A (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
| CN116205329A (zh) | 一种节假日客流量预测方法 | |
| CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
| Esfeh et al. | Waiting time and headway modeling considering unreliability in transit service | |
| Seo et al. | Predicting demand for a bike-sharing system with station activity based on random forest | |
| CN114463054B (zh) | 基于一卡通的园区门店客流量预测方法及系统 | |
| CN111738506A (zh) | 现金中心现金库存用量预测方法和装置、电子设备及介质 | |
| Liu et al. | Understanding urban bus travel time: Statistical analysis and a deep learning prediction |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
| RJ01 | Rejection of invention patent application after publication |