CN112215408A - 轨道交通客流量预测方法及装置 - Google Patents
轨道交通客流量预测方法及装置 Download PDFInfo
- Publication number
- CN112215408A CN112215408A CN202011015310.2A CN202011015310A CN112215408A CN 112215408 A CN112215408 A CN 112215408A CN 202011015310 A CN202011015310 A CN 202011015310A CN 112215408 A CN112215408 A CN 112215408A
- Authority
- CN
- China
- Prior art keywords
- data
- rail transit
- passenger flow
- training
- flow volume
- 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
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种轨道交通客流量预测方法及装置。所述方法包括:对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;根据所述训练数据集对深度时空网络模型进行训练;将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据所述目标OD数据确定待预测的轨道交通客流量。本发明实施例提供的轨道交通客流量预测方法及装置,实现了OD数据的充分利用,可以准确预测轨道交通客流量信息。
Description
技术领域
本发明涉及轨道交通技术领域,具体涉及一种轨道交通客流量预测方法及装置。
背景技术
随着城市化进程的快速推进,轨道交通技术呈现出日新月异的发展趋势。为了响应绿色出行,越来越多的人选择乘坐地铁出行,由此也带来了例如地铁站内客流量密度极大、人流拥堵等一系列问题。
针对这一系列问题,有效的解决方法即通过准确地预测地铁站内客流量信息,以辅助地铁运营部门制定合理的人流管制方案并合理地分配交通资源,从而提高人们的出行效率。
目前,常用的客流量预测方法主要有统计分析方法等。
统计分析方法需要人为设计与任务相关的特征,通常要求设计特征的人员需要具备丰富的专业领域知识。由于轨道交通系统产生的OD(origin destination,交通起止点)数据本身带有时间信息和空间信息,通过人工提取的特征往往不能充分利用这些信息,无法有效的表达OD数据的时空信息,导致轨道交通客流量预测不准确。
因此,如何提出一种方法,能够充分利用OD数据,从而准确预测轨道交通客流量信息,具有十分重要的意义。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种轨道交通客流量预测方法,包括:
对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
根据所述训练数据集对深度时空网络模型进行训练;
将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据所述目标OD数据确定待预测的轨道交通客流量。
在一个实施例中,所述对轨道交通线路的历史交通起止点OD数据进行预处理包括:
去除预设时间段内的历史OD数据,并对剩余的历史OD数据进行归一化,以获取所述预处理后的历史OD数据。
在一个实施例中,所述根据预处理后的历史OD数据构建训练数据集包括:
根据第一时间间隔选取所述预处理后的历史OD数据,以构建邻近性时间序列;
根据第二时间间隔选取所述预处理后的历史OD数据,以构建周期性时间序列;
根据第三时间间隔选取所述预处理后的历史OD数据,以构建趋势性时间序列;以及
根据以天为单位记录的星期、工作日或节假日、以及天气信息,构建独热编码集合。
在一个实施例中,所述根据所述训练数据集对深度时空网络模型进行训练包括:
分别使用多个SE-Resnet模块对所述邻近性时间序列、周期性时间序列以及趋势性时间序列进行训练,以获取时间序列训练结果,并对所述时间序列训练结果进行加权融合;
使用两层全连接网络对所述独热编码集合进行训练,以获取独热编码集合训练结果;
将加权融合后的时间序列训练结果以及所述独热编码集合训练结果进行聚合,以输出预测结果。
在一个实施例中,所述根据所述目标OD数据确定待预测的轨道交通客流量包括:
对所述目标OD数据进行反归一化,以获取待预测的OD数据;
根据所述待预测的OD数据,确定所述待预测的轨道交通客流量。
在一个实施例中,所述预设时间段为每日的00:00至05:00。
在一个实施例中,所述第一时间间隔大于所述第二时间间隔,并且所述第二时间间隔大于所述第三时间间隔。
另一方面,本发明实施例还提供一种轨道交通客流量预测装置,包括:
预处理模块,用于对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
训练模块,用于根据所述训练数据集对深度时空网络模型进行训练;
预测模块,用于将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据所述目标OD数据确定待预测的轨道交通客流量。
另一方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种的轨道交通客流量预测方法的步骤。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种的轨道交通客流量预测方法的步骤。
本发明实施例提供的轨道交通客流量预测方法及装置,通过对OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集对预测模型进行训练,进而通过训练好的预测模型预测轨道交通客流量,实现了OD数据的充分利用,因此可以准确预测轨道交通客流量信息。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的轨道交通客流量预测方法的流程示意图;
图2为根据本发明实施例的某一时间段的地铁网格图;
图3A-3C为特征提取骨架的结构示意图;
图4为根据本发明实施例的四路径深度时空网络模型的结构示意图;
图5为本发明实施例提供的轨道交通客流量预测装置的结构示意图;
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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。
图1是本发明实施例提供的轨道交通客流量预测方法的流程示意图,参照图1,本发明实施例提供一种轨道交通客流量预测方法,包括:
S110、对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
S120、根据训练数据集对深度时空网络模型进行训练;
S130、将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据目标OD数据确定待预测的轨道交通客流量。
需要说明的是,本发明实施例提供的轨道交通客流量预测方法的执行主体可以是计算机,例如智能手机、便携式计算机、平板计算机、个人计算机、可穿戴装置等。
本发明实施例提供的轨道交通客流量预测方法,通过对OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集对预测模型进行训练,进而通过训练好的预测模型预测轨道交通客流量,实现了OD数据的充分利用,因此可以准确预测轨道交通客流量信息。
进一步地,在一个实施例中,对轨道交通线路的历史交通起止点OD数据进行预处理可以包括:
去除预设时间段内的历史OD数据,并对剩余的历史OD数据进行归一化,以获取预处理后的历史OD数据。
对于历史OD数据的获取,可以将各个地铁站入站口及出站口的闸机刷卡数据进行分析,以得到某一时间的各个地铁站的OD数据。进一步地,可以将各个闸机设置为每小时统计一次OD数据,则经过一段时间后,即可以获取轨道交通线路的历史OD数据。
在对轨道交通线路的OD数据进行预处理时,可以首先对获取的历史OD数据根据预设时间段去除不合理的数据,例如,该预设时间段可以是每日的00:00至05:00,因为在该时间段内,通过闸机进出站的主要是地铁维护人员或工作人员,他们会在该时间段内对地铁线路进行维护和保养。
当然,预设时间段还可以根据实际需要或者实际地铁线路的营运/维护时间进行调整,本发明实施例对此不做限定。
经过预处理后的OD数据可以根据时间段的不同绘制成不同的地铁网格图。如图2所示,图中,A1、A2、A3、…、AN为不同的地铁站,N为地铁站的个数。图中每一个小方格内的数字表示从一个地铁站到另一个地铁站的人数,可见,用地铁网格图表示OD数据既能反映出OD数据的时间属性还能反映出OD数据的空间属性。
之后,可以对剩余的历史OD数据采用最大最小归一化方法将其归一化到[-1,1]之间。因某个时间段,有的地铁站OD值非常大,而有的地铁站OD值为0,故在该实施例中,先对所有的历史OD数据进行加1取对数操作,然后再采用最大最小归一化方法将其归一化到[-1,1]之间,具体计算公式如下所示:
其中,ODold和ODnew分别为未经最大最小归一化的OD值和经最大最小归一化的OD值,ODmax和ODmin分别为原始OD数据进行加1操作后的最大值和最小值。
通过对OD数据进行预处理,一方面可以剔除没有参考意义的数据,提高了训练预测模型的效率以及最终得到的预测模型的预测准确率;另一方面还可以使OD数据变为便于计算的形式,提高了训练预测模型的可行性。
进一步地,在一个实施例中,根据预处理后的历史OD数据构建训练数据集包括:
根据第一时间间隔选取预处理后的历史OD数据,以构建邻近性时间序列;
根据第二时间间隔选取预处理后的历史OD数据,以构建周期性时间序列;
根据第三时间间隔选取预处理后的历史OD数据,以构建趋势性时间序列;以及
根据以天为单位记录的星期、工作日或节假日、以及天气信息,构建独热编码集合。
其中,在一个实施例中,第一时间间隔大于第二时间间隔,并且第二时间间隔大于第三时间间隔。例如,第一时间间隔可以为1小时,第二时间间隔可以为1天,而第三时间间隔可以为1周。
具体地,设预处理后的历史OD数据可用{x0,x1,x2,...,xn}进行表示,其中n表示数据的个数;设邻近性时间序列、周期性时间序列、趋势性时间序列的长度分别为lr、lp和lt;设第一时间间隔为小时(hour)、根据第二时间间隔为天(day)、根据第三时间间隔为周(week)。
设预测的时间段为xt,则邻近性时间序列Sr可表示为:
周期性时间序列Sp可表示为:
趋势性时间序列St可表示为:
此外,该实施例将星期属性、工作日/节假日属性、以及天气属性作为外部因素引入到模型中。其中,天气属性包括晴天、阴天、雨水、雾、雾霾等。
用one-hot-encoder将外部因素转换为独热编码,比如某一天为星期三,工作日,不是节假日,天气阴天,则用独热编码可表示为[00100001001000]。
将({Sr,Sp,St,Sone-hot-encoder},xt)作为一个训练样本放入训练数据集中,遍历所有可作为预测的时间段,依次放入训练数据集中,最终构成网络模型可输入的训练数据集。
进一步地,在一个实施例中,根据训练数据集对深度时空网络模型进行训练包括:
分别使用多个SE-Resnet模块对邻近性时间序列、周期性时间序列以及趋势性时间序列进行训练,以获取时间序列训练结果,并对时间序列训练结果进行加权融合;
使用两层全连接网络对独热编码集合进行训练,以获取独热编码集合训练结果;
将加权融合后的时间序列训练结果以及独热编码集合训练结果进行聚合,以输出预测结果。
需要说明的是,若要使模型能够从数据中学习到更抽象、更准确的特征,就必须选择一个特征提取能力较好的骨架。虽然随着网络层数的加深,模型的表征能力越来越强,但一昧地堆叠网络的层数而不采取一定的规则进行限制,就会出现适得其反的结果。
如图3A-3C所示,如果以图3A的结构堆叠网络,极有可能在模型训练过程中出现梯度消失的现象,模型预测的准确率也会随之下降。
图3B结构的提出很好的解决了这个问题,通过跳远连接,即使构建较深层次的网络,依然不会出现梯度消失的现象,但该通过该骨架提取到的特征都占有同样的权重,对于不同的任务来讲,不同的特征应该占有不同的权重。
图3C的结构恰好解决了上述问题,通过图3C的旁路可以学习到对当前任务更加重要的特征,同时提高该特征所占的比重且降低对当前任务不重要的特征所占的比重,本实施例特征提取模块采用的即图3C结构块的堆叠。
本实施例具体采用了四路径深度时空网络模型,其结构如图4所示。
该四路径深度时空网络模型共分为四部分:时间上的邻近性因素(邻近性时间序列)路径、周期性因素(周期性时间序列)路径、趋势性因素(趋势性时间序列)路径和外部因素(独热编码集合)路径,最后对这四部分路径的输出结果进行聚合作为模型的最终输出结果。
因OD数据转换为地铁网格图后已将时间属性和空间属性以显式的方式展示出来,再经邻近性因素路径、周期性因素路径和趋势性因素路径的多层网络可较好的捕捉到不同时间维度之间的依赖关系。
输入的数据经邻近性因素路径、周期性因素路径和趋势性因素路径中的L个SE-Resnet模块可以得到对当前预测任务相对重要的特征通道,并对这部分特征通道进行增强同时抑制对当前预测任务相对不重要的特征通道,然后对三个路径得到的结果送入网络中的融合(Fusion)模块进行加权融合以再次衡量每个路径对当前预测任务所占的权重。
外部因素路径主要包括两层全连接网络,第一个全连接层主要综合考量外部因素对当前任务的影响,将输入的数据从高维映射到低维。第二个全连接层主要将提取的特征从低维映射到高维以和从三路径输出的结果维度上保持一致,然后将三路径融合后的结果与经过外部因素路径得到的结果进行聚合,最后通过tanh函数输出预测结果。
通过将加权融合后的时间序列训练结果以及独热编码集合训练结果进行聚合作为输出结果,即可以体现出外部因素(星期、工作日或节假日、以及天气)与轨道交通客流量之间的紧密联系,从而最终进一步提高了预测轨道交通客流量的准确度。
进一步地,在一个实施例中,根据目标OD数据确定待预测的轨道交通客流量包括:
对目标OD数据进行反归一化,以获取待预测的OD数据;
根据待预测的OD数据,确定待预测的轨道交通客流量。
具体地,当模型训练完成后,可以针对待预测的时间段,构建待预测数据集,例如:
({Sr,Sp,St,Sone-hot-encoder},xt)。
将待预测数据集输入到训练后的深度时空网络模型中,即可得到目标OD数据。由于训练后的深度时空网络模型输出的结果是经过归一化后的OD数据,因此还需要对目标OD数据进行反归一化,具体转换公式如下所示:
对目标OD数据进行反归一化后即可以获取待预测的OD数据,该OD数据的形式可以如图2所示。因此,根据该待预测的OD数据,即可以确定待预测的轨道交通客流量。
由以上可知,本发明实施例提供的轨道交通客流量预测方法针对OD数据的特性,在训练时加入了SE-Resnet模块、融合模块并加入了星期属性、工作日/节假日属性、以及天气属性等外部因素,因此可以显著提高深度时空网络模型对于轨道交通人流量预测的准确度。
参照图5,本发明实施例还提供一种轨道交通客流量预测装置,包括:
预处理模块510,用于对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
训练模块520,用于根据训练数据集对深度时空网络模型进行训练;
预测模块530,用于将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据目标OD数据确定待预测的轨道交通客流量。
本发明实施例提供的轨道交通客流量预测装置,通过对OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集对预测模型进行训练,进而通过训练好的预测模型预测轨道交通客流量,实现了OD数据的充分利用,因此可以准确预测轨道交通客流量信息。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(communication interface)520、存储器(memory)530和总线(bus)540,其中,处理器510,通信接口520,存储器530通过总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行如下方法:
对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
根据训练数据集对深度时空网络模型进行训练;
将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据目标OD数据确定待预测的轨道交通客流量。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例提供的方法,例如包括:
对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
根据训练数据集对深度时空网络模型进行训练;
将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据目标OD数据确定待预测的轨道交通客流量。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以执行上述各方法实施例提供的方法,例如包括:
对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
根据训练数据集对深度时空网络模型进行训练;
将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据目标OD数据确定待预测的轨道交通客流量。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种轨道交通客流量预测方法,其特征在于,包括:
对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
根据所述训练数据集对深度时空网络模型进行训练;
将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据所述目标OD数据确定待预测的轨道交通客流量。
2.根据权利要求1所述的轨道交通客流量预测方法,其特征在于,所述对轨道交通线路的历史交通起止点OD数据进行预处理包括:
去除预设时间段内的历史OD数据,并对剩余的历史OD数据进行归一化,以获取所述预处理后的历史OD数据。
3.根据权利要求1所述的轨道交通客流量预测方法,其特征在于,所述根据预处理后的历史OD数据构建训练数据集包括:
根据第一时间间隔选取所述预处理后的历史OD数据,以构建邻近性时间序列;
根据第二时间间隔选取所述预处理后的历史OD数据,以构建周期性时间序列;
根据第三时间间隔选取所述预处理后的历史OD数据,以构建趋势性时间序列;以及
根据以天为单位记录的星期、工作日或节假日、以及天气信息,构建独热编码集合。
4.根据权利要求3所述的轨道交通客流量预测方法,其特征在于,所述根据所述训练数据集对深度时空网络模型进行训练包括:
分别使用多个SE-Resnet模块对所述邻近性时间序列、周期性时间序列以及趋势性时间序列进行训练,以获取时间序列训练结果,并对所述时间序列训练结果进行加权融合;
使用两层全连接网络对所述独热编码集合进行训练,以获取独热编码集合训练结果;
将加权融合后的时间序列训练结果以及所述独热编码集合训练结果进行聚合,以输出预测结果。
5.根据权利要求2所述的轨道交通客流量预测方法,其特征在于,所述根据所述目标OD数据确定待预测的轨道交通客流量包括:
对所述目标OD数据进行反归一化,以获取待预测的OD数据;
根据所述待预测的OD数据,确定所述待预测的轨道交通客流量。
6.根据权利要求2所述的轨道交通客流量预测方法,其特征在于,所述预设时间段为每日的00:00至05:00。
7.根据权利要求3所述的轨道交通客流量预测方法,其特征在于,所述第一时间间隔大于所述第二时间间隔,并且所述第二时间间隔大于所述第三时间间隔。
8.一种轨道交通客流量预测装置,其特征在于,包括:
预处理模块,用于对轨道交通线路的历史交通起止点OD数据进行预处理,并根据预处理后的历史OD数据构建训练数据集;
训练模块,用于根据所述训练数据集对深度时空网络模型进行训练;
预测模块,用于将待预测数据集输入到训练后的深度时空网络模型,以获取目标OD数据,并根据所述目标OD数据确定待预测的轨道交通客流量。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的轨道交通客流量预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的轨道交通客流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015310.2A CN112215408A (zh) | 2020-09-24 | 2020-09-24 | 轨道交通客流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015310.2A CN112215408A (zh) | 2020-09-24 | 2020-09-24 | 轨道交通客流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215408A true CN112215408A (zh) | 2021-01-12 |
Family
ID=74052325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011015310.2A Pending CN112215408A (zh) | 2020-09-24 | 2020-09-24 | 轨道交通客流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215408A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
CN113689026A (zh) * | 2021-07-13 | 2021-11-23 | 上海眼控科技股份有限公司 | 一种气象数据预测方法、设备及存储介质 |
CN114819366A (zh) * | 2022-05-06 | 2022-07-29 | 华侨大学 | 一种od客流短时预测方法、装置、设备及其存储介质 |
CN116092577A (zh) * | 2023-01-09 | 2023-05-09 | 中国海洋大学 | 一种基于多源异质信息聚合的蛋白质功能预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
CN109598939A (zh) * | 2018-12-24 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于多任务多视图学习模型的短时交通预测方法 |
CN110298486A (zh) * | 2019-05-29 | 2019-10-01 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
CN111242292A (zh) * | 2020-04-26 | 2020-06-05 | 北京全路通信信号研究设计院集团有限公司 | 基于深度时空网络的od数据预测方法及系统 |
CN111429185A (zh) * | 2020-03-27 | 2020-07-17 | 京东城市(北京)数字科技有限公司 | 人群画像预测方法、装置、设备及存储介质 |
CN111612281A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
-
2020
- 2020-09-24 CN CN202011015310.2A patent/CN112215408A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108288109A (zh) * | 2018-01-11 | 2018-07-17 | 安徽优思天成智能科技有限公司 | 基于lstm深度时空残差网络的机动车尾气浓度预测方法 |
CN109598939A (zh) * | 2018-12-24 | 2019-04-09 | 中国科学院地理科学与资源研究所 | 一种基于多任务多视图学习模型的短时交通预测方法 |
CN110298486A (zh) * | 2019-05-29 | 2019-10-01 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
CN111429185A (zh) * | 2020-03-27 | 2020-07-17 | 京东城市(北京)数字科技有限公司 | 人群画像预测方法、装置、设备及存储介质 |
CN111242292A (zh) * | 2020-04-26 | 2020-06-05 | 北京全路通信信号研究设计院集团有限公司 | 基于深度时空网络的od数据预测方法及系统 |
CN111612281A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
CN113689026A (zh) * | 2021-07-13 | 2021-11-23 | 上海眼控科技股份有限公司 | 一种气象数据预测方法、设备及存储介质 |
CN114819366A (zh) * | 2022-05-06 | 2022-07-29 | 华侨大学 | 一种od客流短时预测方法、装置、设备及其存储介质 |
CN116092577A (zh) * | 2023-01-09 | 2023-05-09 | 中国海洋大学 | 一种基于多源异质信息聚合的蛋白质功能预测方法 |
CN116092577B (zh) * | 2023-01-09 | 2024-01-05 | 中国海洋大学 | 一种基于多源异质信息聚合的蛋白质功能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215408A (zh) | 轨道交通客流量预测方法及装置 | |
CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN109872535B (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
CN107169580B (zh) | 基于窗口受理动态容量的排队预约方法及系统 | |
CN111667092A (zh) | 基于图卷积神经网络的轨道交通短时客流预测方法和系统 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN110363252A (zh) | 趋向于端到端的场景文字检测与识别方法以及系统 | |
CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN111260156B (zh) | 现金流预测模型的构建方法及现金流预测方法及装置 | |
CN113077090A (zh) | 客流预测方法、系统及计算机可读存储介质 | |
CN110175690A (zh) | 一种景区客流量预测的方法、装置、服务器和存储介质 | |
CN111210094A (zh) | 一种基于实时客流预测的机场出租车自动调度方法及装置 | |
CN106844636A (zh) | 一种基于深度学习的非结构化数据处理方法 | |
CN113380043B (zh) | 一种基于深度神经网络计算的公交到站时间预测方法 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN115345355A (zh) | 能耗预测模型构建方法、短期能耗预测方法及相关装置 | |
CN114240495A (zh) | 商机转化概率的预测方法、装置及计算机可读存储介质 | |
CN107798024A (zh) | 一种出行目的地推荐处理方法及装置 | |
CN111626497A (zh) | 人流量预测方法、装置、设备和存储介质 | |
CN114565149A (zh) | 一种基于cga融合模型的时间序列数据预测方法、装置及计算机设备 | |
CN107798411A (zh) | 一种班车路线的评测处理方法及服务器 | |
CN116629460B (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
CN111310995A (zh) | 基于卷积神经网络的业务预测方法以及装置 |
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 |