CN112070324A - 站点客流量预测方法、装置、可读存储介质及计算机设备 - Google Patents
站点客流量预测方法、装置、可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN112070324A CN112070324A CN202011249937.4A CN202011249937A CN112070324A CN 112070324 A CN112070324 A CN 112070324A CN 202011249937 A CN202011249937 A CN 202011249937A CN 112070324 A CN112070324 A CN 112070324A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- current
- station
- sliding window
- training
- 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 38
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 230000015654 memory Effects 0.000 claims description 24
- 238000011161 development Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer 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
- G06N3/049—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种站点客流量预测方法、装置、可读存储介质及计算机设备，该方法包括：获取历史时间段内当前站点每一测量时刻的客流特征和关联特征；以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测。本发明综合考虑了外界因素对客流量的影响，使训练后的预测模型具有较高的预测效率和准确性。
Description
技术领域
本发明涉及电子技术领域，特别是涉及一种站点客流量预测方法、装置、可读存储介质及计算机设备。
背景技术
随着公共交通行业的发展，轨道交通、地面公交等交通工具为大家的出行带来了极大的便利。尤其是地铁，因其具备良好的便利性同时拥有快速的运输速度受到大家的青睐。
但是，随着越来越多的乘客选择地铁作为他们的主要通勤工具，也加剧了地铁高峰期的拥堵程度，甚至高峰期时各个站点的乘客数量超过了地铁站的容量造成乘客拥挤，轨道交通运营方不得已采取了站点限流和预约进站等非常规手段。乘客拥挤已经严重影响到了人们的日常生活和城市交通的发展，特别是针对上班族常常需要赶时间，因此能及时了解每个地铁站点的拥挤情况可以使大家合理的选择交通工具和乘车路线，避免因拥挤而耽误乘车，带来不必要的麻烦。
发明内容
鉴于上述状况，有必要提供一种站点客流量预测方法、装置、可读存储介质及计算机设备，以便于用户了解各个站点的拥挤情况。
一种站点客流量预测方法，包括：
获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测，所述客流量等级设置有多种，不同所述客流量等级对应不同的客流量取值范围。
进一步的，上述站点客流量预测方法，其中，所述以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集的步骤之前还包括：
计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
进一步的，上述站点客流量预测方法，其中，所述获取历史时间段内当前站点每一测量时刻的客流特征的步骤包括：
获取历史时间段内当前站点每一测量时刻的摄像图像，并对所述摄像图像进行识别以确定所述当前站点的人数，以得到各个所述测量时刻的客流量。
进一步的，上述站点客流量预测方法，其中，所述利用所述训练样本对预测模型进行训练的步骤包括：
利用变分自编码器和长短期记忆网络模型构建预测模型；
将所述训练样本作为所述变分自编码器的输入，并对所述预测模型中的变分自编码器进行训练；
提取所述变分自编码器中间层的隐变量特征，并作为所述长短期记忆网络模型的输入，并将客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。
进一步的，上述站点客流量预测方法，其中，所述利用训练好的预测模型对所述当前站点的客流量等级进行预测的步骤之后还包括：
将所述预测模型预测的所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。
进一步的，上述站点客流量预测方法，其中，所述天气特征包括天气类型、温度、降水概率、风向风速等级和空气质量中的至少一种
本发明实施例还提供了一种站点客流量预测装置，包括：
特征信息获取模块，用于获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
训练样本获取模块，用于以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
训练模块，用于利用所述训练样本对预测模型进行训练；
预测模块，用于利用训练好的预测模型对所述当前站点的客流量等级进行预测。
进一步的，上述站点客流量预测装置，还包括：
计算模块，用于计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定模块，用于确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
本发明实施例还提供了一种可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的站点客流量预测方法。
本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现上述任意一项所述的站点客流量预测方法。
本发明根据历史时刻的客流特征，以及天气特征、节假日特征、星期名称和特殊事件标志来构建训练样本，并根据该训练样本对预测模型进行训练。综合考虑了外界因素对客流量的影响，使训练后的预测模型具有较高的预测效率和准确性。
附图说明
图1为本发明第一实施例提供的站点客流量预测方法的流程图；
图2为本发明第二实施例提供的站点客流量预测方法的流程图；
图3为本发明第三实施例提供的站点客流量预测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1，为本发明实施例中的站点客流量预测方法，包括步骤S11~S13。
步骤S11，获取历史时间段内当前站点每一测量时刻的客流特征和关联特征。
所述客流特征包括客流量和当前对应的时间。所述关联特征包括天气特征、节假日特征、星期名称、特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度。所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件。
具体的，该天气特征包括天气类型（如晴、雨、阴天等）、温度、降水概率、风向风速等级和空气质量中的至少一种。该节假日特征为距离节假日的天数，例如节假日特征为1、2、3即分别为距离节假日一天、两天和三天，节假日特征为-1、-2和-3，即分别为假期过去一天、两天和三天，节假日特征为0，即表示处于节假日当中。该星期名称即为星期几，如星期一、星期二等。
可以理解的，由于不同节假日对站点客流量的影响不同，在本发明的其他实施例中，还可针对每个节假日设置对应的节假日特征。
站点沿线特殊事件例如为商场活动、露天表演等人流聚集的活动。轨道交通自身特殊事件包括但不限于票价政策波动、增加运力投放、新开可换乘线路、突发事件应急等。可以理解的，不同类型的特殊事件可以采用的特殊事件标志，例如可以用不同的数字符号作为标志。一般节假日期间各大商场周围的地铁站点都很拥挤，或者在地铁站附近有重大活动（如演唱会）时该地铁站客流量较大、比较拥挤，并且不同的特殊事件客流量有所差异。
所述周边地块开发投产状况用于表示站点周边地块开发和投产的情况，该投产状况可通过“良好”、“一般”和“差”等符号表示。大量数据表示站点周边地块开发投产状况与其站点客流量有一定的影响，一般来说周边地块开发投产状况良好的，对应的站点客流量较大。
所述地面交通管制状况包括但不限于小汽车限行政策、马拉松交通管制。具体实施时，不同的地面交通管制状况可以用不同的符号来标识。一般来说小汽车限行政策、马拉松交通管制等情况下站点客流量有增大的趋势。
所述交通一体化实施程度包括但不限于地面公交、共享单车、P+R衔接改善等情况，其实施程度可用“优”、“良”、“一般”和“差”等符号表示，也可以通过数字量化。数据显示站点交通一体化实施程度越好其客流量越大。
本实施例中的客流量预测方法可用于地铁、车站等站点的客流量的预测，便于大家了解各个站点的客流量情况。本实施例通过构建预测模型对客流量进行预测，具体实施时，获取历史时间段的多个历史数据并从中获取训练样本，该历史数据包括每一测量时刻的客流特征、关联特征和客流量等级。
获取各个历史时间段内各个测量时刻的客流特征、关联特征和客流量等级作为模型训练样本的数据源。该测量时刻间隔根据实际需要进行设置，例如发车间隔时间，如5min。
进一步的，为了保障模型预测的准确性，该历史时间段的历史数据的选择基于以下几点因素进行考虑：
一、一天当中不同时间段对站点客流量的影响。例如以地铁站来说，早上7点至9点期间，以及下午17点至21点期间，站点一般很拥挤，其他时间段较为宽松。
二、一星期中的不同星期数对地铁客流量影响。一般而言，一线城市中站点通勤客流为主，周一和周五最为拥挤，非一线城市通勤比重不高而其他出行目的更多故周六、周日拥挤，其他天数较为宽松。
三、节假日、特殊事件、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度对客流量的影响。
因此，基于以上几点因素，该历史时间段包括多个节假日时间段和多个非节假日时间段，且该历史时间段内的客流数据涉及所有的周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，以及当站点沿线发生过的特殊事件应当涵盖上述提到的所有类型的特殊事件。
可以理解的，为了快速获取所需要的数据，还可通过模型模拟不同的特殊事件、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，并记录其对应的客流量。
站点的客流量可根据站点内的图像分析得到。一般站点各处会安装摄像头，通过获取摄像头采集的图像，并进行图像识别，提取该图像中的人体特征，根据提取的人体特征确定当前站点的人数。该对应的时间即为采集数据的时间，其以24h为周期进行计量。
具体实施时，可以获取站台、候车厅和出入口的摄像图像，并进行分析以统计站点的进站的客流量、出站的客流量和站台等候的客流量。
需要说明的是，在本发明的其他实施例中，站点当前的客流量还可通过分贝仪、红外探测仪、微波探测等接近传感器、压力感应器传导计量、热成像、气体（氧气和二氧化碳）传感器、生物雷达检测仪等可用于传感器附近物体的非接触式检测方式进行检测。
除此之外，考虑到现在人们都会携带手机出门，还需综合分析WIFI热点连接数量、通讯基站接收到的手机信令、移动终端主动定位信息（包括但不限于GPS和北斗）、NFC近场通讯和蓝牙Ibeacon，以及通过扫码过闸的移动支付软件被启动数量的分布、电子围栏技术等侦测手机的技术手段来辅助判定客流量生成情况。
该客流量等级数可根据实际需要进行设置，例如可以设置五个等级，分别为S、A++、A+、A和B，该五个等级拥挤程度依次递增。具体实施时，根据客流量的数据来确定等级数。
步骤S12，以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本。
测量时刻t的历史数据如
，其中N为t时刻的客流量、T为t时刻的时间（如17:00）、a为节假日特征、b为星期名称，c为天气特征，m为特殊事件标志，n为周边地块开发（TOD）投产状况，o为地面交通管制状况，p为交通一体化实施程度。
针对历史时间段的客流特征，以预设尺寸的滑动窗口进行截取得到多个客流特征子集。具体的，历史时间段内的客流特征为
，通过该滑动窗口进行截取得到的客流特征子集为
。其中，Y为一个滑动窗口长度L的客流特征。将窗口尺寸为L个时刻的客流特征子集和L+1时刻（下一测量时刻）的关联特征作为训练样本。
该历史数据的总量和滑动窗口的大小决定模型训练样本的生成数量，从而影响模型的拟合能力。本发明的一实施例中，可根据各个时刻的历史数据间的时刻皮尔逊相关系数来确定滑动窗口的尺寸，具体步骤如下：
计算当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定滑动窗口的尺寸。
滑动窗口的大小可根据设定的皮尔逊相关系数阈值进行确定，即将计算得到的皮尔逊相关系数中大于阈值的相应时刻的长度作为滑动窗口的尺寸。通过该方式可降低运算量，提高模型预测效率。
步骤S13，利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测。
现有的预测模型有多种，例如可选择长短期记忆网络(Long Short-Term Memory，LSTM)，LSTM网络组成结构上采用是与传统循环神经网络相同的链式结构，与之不同是一个LSTM神经元由三个“门限控制”（分别为遗忘门、输入门以及输出门）与神经元状态组成。
对预测模型进行训练时，将训练样本作为该预测模型的输入，将下一时刻的客流量等级作为该模型的输出，对该预测模型进行训练，使该预测模型可以充分识别客流量等级。
训练好的预测模型可以用来预测站点下一时刻的客流量等级，用户可根据预测的客流量等级选择合适的出行方案。
本实施例中根据历史时刻的客流特征，以及天气特征、节假日特征、星期名称、特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度来构建训练样本，根据该训练样本对预测模型进行训练。综合考虑了外界因素对客流量的影响，使训练后的预测模型具有较高的预测效率和准确性。
请参阅图2，为本发明第二实施例中的客流量预测方法，包括步骤S21~S28。
步骤S21，获取历史时间段内当前站点每一测量时刻的客流特征和关联特征。
所述客流特征包括客流量和当前的时间。所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度。所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件。
步骤S22，计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数。
步骤S23，确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定滑动窗口的尺寸。
皮尔逊相关系数表示当前测量时刻的客流特征与下一时刻的客流特征的相关性。时间窗口的大小可根据设定的皮尔逊相关系数阈值进行确定，即将计算得到的皮尔逊相关系数中大于阈值的相应时刻的长度作为时间窗口的尺寸。举例来说，该历史时间段内，当前时刻为t0，其之前的测量时刻依次为t-1，t-2，t-3，t-4，t-5，t-6……，其中第t-5时刻对应的皮尔逊相关系数大于阈值，第t-6时刻对应的皮尔逊相关系数小于阈值，则将该时间窗口的大小设置为5，即每次截取5个时刻的客流特征。
其中，计算所述历史时间段内当前测量时刻之前的客流特征与当前测量时刻的客流特征之间的皮尔逊相关系数，根据以下公式计算：
其中
是当前测量时刻之前的客流特征，
是当前测量时刻的客流特征，
是
和
之间的皮尔逊系数，
是
的平均值，
是
的平均值，m是特征数。
根据历史时间段内当前测量时刻之前的客流特征与当前测量时刻的客流特征之间的皮尔逊相关系数，并根据皮尔逊相关系数确定滑动窗口的尺寸。
步骤S24，以所述尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本。
以尺寸为L的滑动窗口截取各个历史时间段内的客流特征，得到对应的客流特征子集，并将该客流特征子集以及下一时刻的关联特征作为训练样本。例如截取的一客流特征子集Y为t-1，t-2，t-3，t-4，t-5时刻的客流特征，则将该客流特征子集和t0时刻的关联特征作为其中一个训练样本。
步骤S25，利用变分自编码器和长短期记忆网络模型构建预测模型。
步骤S26，将所述训练样本作为所述变分自编码器的输入，对所述预测模型中的变分自编码器进行训练。
步骤S27，提取所述变分自编码器中间层的隐变量特征，并作为长短期记忆网络模型的输入，并将所述客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。
变分自编码器（Variational Auto-Encoders，VAE）作为深度生成模型的一种形式。变分自编码器主要由两个部分组成，第一个是推断网络，用于原始输入数据的变分推断，生成隐变量的变分概率分布；第二个生成网络，它是根据生成的隐变量变分概率分布还原为原始数据的近似概率分布。
针对构建好的预测模型，利用从历史数据中获得的训练样本和客流量等级进行模型训练。其中，变分自编码器训练时，其输入数据为训练样本，输出为重构的训练样本数据，其推断网络生成的隐变量特征为训练样本的有效特征。长短期记忆网络训练时，其输入数据为从变分自编码器中提取的隐变量特征，输出数据为下一时刻的客流量等级。通过设置该变分自编码器，可以从训练样本的多个特征中提取有效特征，使输入至长短期记忆网络中的数据有效性更高，提高了预测模型的预测效率和准确性。
通过预测模型不断训练来使模型的网络参数不断地自我更新，以使该预测模型根据输入的数据可以充分识别到客流量等级。
步骤S28，利用训练好的预测模型对所述当前站点的客流量等级进行预测。
训练好的预测模型可用于实际场景中的客流量预测，根据前L个时刻的客流特征和L+1时刻的关联特征对该L+1时刻的客流量等级进行预测。
进一步的，在本发明的其他实施例中，该步骤S28之后还包括步骤：
将所述预测模型预测所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。
该移动终端例如为用户的手机、平板电脑等。具体实施时，移动终端可以在站点分布路线上以不同颜色的标记指示该当前站的客流量等级，例如紫色表示等级S、红色表示等级A++、黄色表示等级A+、蓝色表示等级A、绿色表示等级B。使用户可通过该移动终端了解各个站点的客流量情况，以合理选择交通工具和交通路线。
请参阅图3，为本发明第三实施例中的站点客流量预测装置，包括：
特征信息获取模块10，用于获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
训练样本获取模块20，用于以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
训练模块30，用于利用所述训练样本对预测模型进行训练；
预测模块40，用于利用训练好的预测模型对所述当前站点的客流量等级进行预测。
进一步的，上述站点客流量预测装置，还包括：
计算模块50，用于计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定模块60，用于确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
进一步的，上述站点客流量预测装置，还包括：
发送模块70，用于将所述预测模型预测的所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。
本发明实施例所提供的站点客流量预测装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的站点客流量预测方法。
本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现上述任意一项所述的站点客流量预测方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种站点客流量预测方法，其特征在于，包括：
获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测，所述客流量等级设置有多种，不同所述客流量等级对应不同的客流量取值范围。
2.如权利要求1所述的站点客流量预测方法，其特征在于，所述以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集的步骤之前还包括：
计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
3.如权利要求1所述的站点客流量预测方法，其特征在于，所述获取历史时间段内当前站点每一测量时刻的客流特征的步骤包括：
获取历史时间段内当前站点每一测量时刻的摄像图像，并对所述摄像图像进行识别以确定所述当前站点的人数，以得到各个所述测量时刻的客流量。
4.如权利要求1所述的站点客流量预测方法，其特征在于，所述利用所述训练样本对预测模型进行训练的步骤包括：
利用变分自编码器和长短期记忆网络模型构建预测模型；
将所述训练样本作为所述变分自编码器的输入，并对所述预测模型中的变分自编码器进行训练；
提取所述变分自编码器中间层的隐变量特征，并作为所述长短期记忆网络模型的输入，并将客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。
5.如权利要求1所述的站点客流量预测方法，其特征在于，所述利用训练好的预测模型对所述当前站点的客流量等级进行预测的步骤之后还包括：
将所述预测模型预测的所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。
6.如权利要求1所述的站点客流量预测方法，其特征在于，所述天气特征包括天气类型、温度、降水概率、风向风速等级和空气质量中的至少一种。
7.一种站点客流量预测装置，其特征在于，包括：
特征信息获取模块，用于获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
训练样本获取模块，用于以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
训练模块，用于利用所述训练样本对预测模型进行训练；
预测模块，用于利用训练好的预测模型对所述当前站点的客流量等级进行预测。
8.如权利要求7所述的站点客流量预测装置，其特征在于，还包括：
计算模块，用于计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定模块，用于确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
9.一种可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1－6任一所述的站点客流量预测方法。
10.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1－6任意一项所述的站点客流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011249937.4A CN112070324A (zh) | 2020-11-11 | 2020-11-11 | 站点客流量预测方法、装置、可读存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011249937.4A CN112070324A (zh) | 2020-11-11 | 2020-11-11 | 站点客流量预测方法、装置、可读存储介质及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112070324A true CN112070324A (zh) | 2020-12-11 |
Family
ID=73655092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011249937.4A Pending CN112070324A (zh) | 2020-11-11 | 2020-11-11 | 站点客流量预测方法、装置、可读存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070324A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966853A (zh) * | 2021-02-04 | 2021-06-15 | 南通大学 | 基于时空残差混合模型的城市路网短时交通流预测方法 |
| CN113361810A (zh) * | 2021-06-30 | 2021-09-07 | 佳都科技集团股份有限公司 | 一种客流量预测方法、装置、设备和存储介质 |
| CN113743684A (zh) * | 2021-11-05 | 2021-12-03 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
| CN113822462A (zh) * | 2021-08-06 | 2021-12-21 | 上海申铁信息工程有限公司 | 一种车站应急指挥方法及装置 |
| CN114066038A (zh) * | 2021-11-10 | 2022-02-18 | 上海市大数据股份有限公司 | 一种地铁客流的预测方法及系统 |
| CN114217761A (zh) * | 2021-12-16 | 2022-03-22 | 深圳市点创科技有限公司 | 基于客流数量的屏幕节能调节方法以及相关装置 |
| CN115017990A (zh) * | 2022-06-01 | 2022-09-06 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种交通流量预测方法、装置、设备及存储介质 |
| CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793761A (zh) * | 2014-01-24 | 2014-05-14 | 同济大学 | 一种枢纽异常客流量产生因素的识别方法 |
| CN105513337A (zh) * | 2015-11-12 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 一种客流量的预测方法及装置 |
| US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
| CN107274009A (zh) * | 2017-05-27 | 2017-10-20 | 中国科学院计算技术研究所 | 一种基于相关性的时间序列数据多步预测方法和系统 |
| CN111144648A (zh) * | 2019-12-25 | 2020-05-12 | 中国联合网络通信集团有限公司 | 人流量预测设备及方法 |
-
2020
- 2020-11-11 CN CN202011249937.4A patent/CN112070324A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793761A (zh) * | 2014-01-24 | 2014-05-14 | 同济大学 | 一种枢纽异常客流量产生因素的识别方法 |
| CN105513337A (zh) * | 2015-11-12 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 一种客流量的预测方法及装置 |
| US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
| CN107274009A (zh) * | 2017-05-27 | 2017-10-20 | 中国科学院计算技术研究所 | 一种基于相关性的时间序列数据多步预测方法和系统 |
| CN111144648A (zh) * | 2019-12-25 | 2020-05-12 | 中国联合网络通信集团有限公司 | 人流量预测设备及方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966853A (zh) * | 2021-02-04 | 2021-06-15 | 南通大学 | 基于时空残差混合模型的城市路网短时交通流预测方法 |
| CN112966853B (zh) * | 2021-02-04 | 2023-12-22 | 南通大学 | 基于时空残差混合模型的城市路网短时交通流预测方法 |
| CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
| CN113361810A (zh) * | 2021-06-30 | 2021-09-07 | 佳都科技集团股份有限公司 | 一种客流量预测方法、装置、设备和存储介质 |
| CN113361810B (zh) * | 2021-06-30 | 2024-04-26 | 佳都科技集团股份有限公司 | 一种客流量预测方法、装置、设备和存储介质 |
| CN113822462A (zh) * | 2021-08-06 | 2021-12-21 | 上海申铁信息工程有限公司 | 一种车站应急指挥方法及装置 |
| CN113822462B (zh) * | 2021-08-06 | 2023-10-13 | 上海申铁信息工程有限公司 | 一种车站应急指挥方法及装置 |
| CN113743684B (zh) * | 2021-11-05 | 2022-03-15 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
| CN113743684A (zh) * | 2021-11-05 | 2021-12-03 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
| CN114066038A (zh) * | 2021-11-10 | 2022-02-18 | 上海市大数据股份有限公司 | 一种地铁客流的预测方法及系统 |
| CN114066038B (zh) * | 2021-11-10 | 2024-07-09 | 上海市大数据股份有限公司 | 一种地铁客流的预测方法及系统 |
| CN114217761A (zh) * | 2021-12-16 | 2022-03-22 | 深圳市点创科技有限公司 | 基于客流数量的屏幕节能调节方法以及相关装置 |
| CN115017990A (zh) * | 2022-06-01 | 2022-09-06 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种交通流量预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070324A (zh) | 站点客流量预测方法、装置、可读存储介质及计算机设备 | |
| CN112489433B (zh) | 交通拥堵分析方法及装置 | |
| CN111310994A (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
| CN108346288B (zh) | 路段运行状态预警方法、装置及电子设备 | |
| CN111724595B (zh) | 一种基于收费数据的高速公路断面流量估计方法 | |
| CN108428341A (zh) | 一种基于人机融合的交通应急管理调度方法及系统 | |
| CN110493816A (zh) | 一种用于轨交地铁车站客流量的实时预测方法 | |
| JP2006188150A (ja) | 乗車率予測システム | |
| US10157509B2 (en) | System for public transit incident rate analysis and display | |
| CN114693495B (zh) | 智慧城市公共交通管理方法、物联网系统、装置及介质 | |
| CN110796857B (zh) | 一种基于智慧城市的大数据分析系统及其方法 | |
| CN108062857A (zh) | 用于出租车乘客出行目的的预测方法 | |
| CN113781813A (zh) | 一种预警方法、系统、装置和电子设备 | |
| CN110321982A (zh) | 一种轨道交通断面客流量实时计算方法 | |
| CN113361825A (zh) | 一种踩踏事故早期预警方法及系统 | |
| CN111126835B (zh) | 一种北斗卫星定位的公用汽车管理方法 | |
| CN113077084A (zh) | 一种旅游景点游客流量预警装置 | |
| CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网系统 | |
| Toppen et al. | Travel time data collection for measurement of advanced traveler information systems accuracy | |
| JP2007249277A (ja) | 車両混雑状況予測システム及び方法、プログラム | |
| White et al. | The use of mobile phone location data for traffic information | |
| CN117172461A (zh) | 自动驾驶公交调度系统及基于客流预测的公交调度方法 | |
| JP5524741B2 (ja) | 曝露量推定システム及び曝露量推定方法 | |
| Li et al. | Travel patterns analysis of urban residents using automated fare collection system | |
| CN112101677B (zh) | 一种公共交通出行路径规划方法、装置、设备及存储介质 |
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: 20201211 |
|
| RJ01 | Rejection of invention patent application after publication |