CN112215409A - 一种轨道交通站点客流预测方法及系统 - Google Patents

一种轨道交通站点客流预测方法及系统 Download PDF

Info

Publication number
CN112215409A
CN112215409A CN202011017520.5A CN202011017520A CN112215409A CN 112215409 A CN112215409 A CN 112215409A CN 202011017520 A CN202011017520 A CN 202011017520A CN 112215409 A CN112215409 A CN 112215409A
Authority
CN
China
Prior art keywords
passenger flow
station
historical
data sequence
minimum
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.)
Granted
Application number
CN202011017520.5A
Other languages
English (en)
Other versions
CN112215409B (zh
Inventor
卢恺
罗铭
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.)
Traffic Control Technology TCT Co Ltd
Original Assignee
Traffic Control Technology TCT Co Ltd
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 Traffic Control Technology TCT Co Ltd filed Critical Traffic Control Technology TCT Co Ltd
Priority to CN202011017520.5A priority Critical patent/CN112215409B/zh
Publication of CN112215409A publication Critical patent/CN112215409A/zh
Application granted granted Critical
Publication of CN112215409B publication Critical patent/CN112215409B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (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站点客流预测方法及系统，该方法包括：获取历史AFC数据序列；基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。本发明实施例通过采用自编码器对车站AFC数据序列进行分析得到最小预测单元，可以确定短时客流预测时的最小时间粒度，并有效提取车站AFC序列中的核心元素，实现车站客流预测分析，为预测轨道交通站点客流、分析乘客出行行为提供一定的参考和理论基础。

Description

一种轨道交通站点客流预测方法及系统
技术领域
本发明涉及轨道交通运营管理与控制技术领域，尤其涉及一种轨道交通站点客流预测方法及系统。
背景技术
在日常的轨道交通管理中，客流预测是一个必不可少的环节，也是制定运行方案和进行调度决策等工作的基础数据。随着轨道交通网线的不断加密以及互联互通等网络化运营条件的实现，轨道交通的路网结构和客流分析变得更为复杂。
在现有的研究当中，轨道交通短时客流预测存在两方面的问题，一是预测时间粒度不明确。目前多以10min或15min作为预测时间粒度，但该时间粒度的有效性并未得到验证。另一方面，AFC(Automatic Fare Collection system，自动售检票系统)数据以秒为单位，数据量较大。
因此，需要提出一种新的针对轨道交通短时客流预测的方法。
发明内容
本发明实施例提供一种轨道交通站点客流预测方法及系统，用以解决现有技术中针对客流预测时的时间单元划分不明确，导致预测结果不准确的缺陷。
第一方面，本发明实施例提供一种轨道交通站点客流预测方法，包括：
获取历史AFC数据序列；
基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；
由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；
基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
进一步地，所述获取历史AFC数据序列，具体包括：
获取任一车站在预设时间段内的进站客流数据；
将所述进站客流数据转换为所述历史AFC数据序列。
进一步地，所述基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元，具体包括：
采用滑窗法对所述历史AFC数据序列进行切割，得到若干滑窗子数据序列；
将所述若干滑窗子数据序列输入至所述预设自编码器中，得到若干段压缩信号；
将所述若干段压缩信号进行加权处理，得到所述最小预测单元。
进一步地，所述预设自编码器包括连接处理上下段压缩信号。
进一步地，所述由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度，进一步包括：
通过所述关键点位和所述最小时间粒度，对所述历史AFC数据序列进行存储。
进一步地，所述基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果，具体包括：
采用动态时间规整方法对待预测车站进行聚类，提取所述关键点位和所述最小时间粒度，得到所述站点客流预测结果。
第二方面，本发明实施例还提供一种轨道交通站点客流预测系统，包括：
获取模块，用于获取历史AFC数据序列；
第一处理模块，用于基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；
第二处理模块，用于由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；
第三处理模块，用于基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
进一步地，所述获取模块具体包括：
获取子模块，用于获取任一车站在预设时间段内的进站客流数据；
转换子模块，用于将所述进站客流数据转换为所述历史AFC数据序列。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述轨道交通站点客流预测方法的步骤。
第四方面，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实现如上述任一种所述轨道交通站点客流预测方法的步骤。
本发明实施例提供的轨道交通站点客流预测方法及系统，通过采用自编码器对车站AFC数据序列进行分析得到最小预测单元，可以确定短时客流预测时的最小时间粒度，并有效提取车站AFC序列中的核心元素，实现车站客流预测分析，为预测轨道交通站点客流、分析乘客出行行为提供一定的参考和理论基础。
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是本发明实施例提供的一种轨道交通站点客流预测方法的流程示意图；
图2是本发明实施例提供的轨道交通站点客流预测流程示意图；
图3是本发明实施例提供的滑窗切分序列示意图；
图4是本发明实施例提供的自编码器压缩原理示意图；
图5是本发明实施例提供的自编码器进行上下段连接的示意图；
图6是本发明实施例提供的自编码器进行加权压缩信号的示意图；
图7是本发明实施例提供的一种轨道交通站点客流预测系统的结构示意图；
图8是本发明实施例提供的一种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。
为解决现有技术中存在的问题，本发明实施例提出一种轨道交通站点客流预测方法，图1是本发明实施例提供的一种轨道交通站点客流预测方法的流程示意图，如图1所示，包括：
S1，获取历史AFC数据序列；
S2，基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；
S3，由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；
S4，基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
具体地，基于历史客流数据，获取历史AFC数据序列，AFC数据即通过售检票系统反馈的数据，是能最为直观地体现客流多少的数据，再引入自编码器方法，对该历史AFC数据序列进行处理，得到站点客流的最小预测单元，进一步地，通过得到的最小预测单元，获取到AFC序列的关键点位，并识别站点客流在短时预测的最小时间粒度，最后采用预设算法在得到的关键点位和最小时间粒度上获取最终的站点客流预测结果。
本发明实施例通过采用自编码器对车站AFC数据序列进行分析得到最小预测单元，可以确定短时客流预测时的最小时间粒度，并有效提取车站AFC序列中的核心元素，实现车站客流预测分析，为预测轨道交通站点客流、分析乘客出行行为提供一定的参考和理论基础。
基于上述实施例，该方法中步骤S1具体包括：
获取任一车站在预设时间段内的进站客流数据；
将所述进站客流数据转换为所述历史AFC数据序列。
具体地，读取任意一个车站在一定时间段，例如30秒时间粒度下的进站客流数据，再将该进站客流数据转换为历史AFC数据序列，便于后续输入到自编码器中进行处理。
基于上述任一实施例，该方法中步骤S2具体包括：
采用滑窗法对所述历史AFC数据序列进行切割，得到若干滑窗子数据序列；
将所述若干滑窗子数据序列输入至所述预设自编码器中，得到若干段压缩信号；
将所述若干段压缩信号进行加权处理，得到所述最小预测单元。
其中，所述预设自编码器包括连接处理上下段压缩信号。
具体地，如图2的流程步骤所示，在上述实施例获取历史AFC数据序列之后，利用滑窗方法，对历史AFC数据序列，即原始客流序列进行切分，如图3所示。
再构建特殊的自编码器，自编码器整体的过程是输入一个信号序列，通过深度学习的方法，构建信号本身到信号本身的映射，完成压缩编码任务。这个方法可以有效降低信号的长度，如图4所示，其中Si是原始信号序列中的一个子序列，可视为客流的一个序列，Rl ×1表示原始客流数据，时间粒度可根据预测范围进行调整，Wencoding表示编码器中的一项自编码规则，可将原始序列编码为新序列
Figure BDA0002699564070000061
hi为压缩信号的向量表示，即为站点客流的最小预测单元。
此处，自编码器可充分考虑连接上下段的信息，如图5所示。
进一步地，加权各段压缩信号，得到原始客流序列的最小表达单元hn，如图6所示。
基于上述任一实施例，该方法中步骤S3，进一步包括：
通过所述关键点位和所述最小时间粒度，对所述历史AFC数据序列进行存储。
具体地，由于本发明实施例应用自编码器方法，提取站点客流的AFC序列的最小预测单元，进而实现最小预测时间粒度的确定，能进一步地减少预测过程中AFC数据序列的存储于冗余问题。
基于上述任一实施例，所述基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果，具体包括：
采用动态时间规整方法对待预测车站进行聚类，提取所述关键点位和所述最小时间粒度，得到所述站点客流预测结果。
具体地，本发明实施例采用动态时间规整方法(Dynamic Time Warping，DTW)对车站进行聚类，进而实现轨道交通站点客流预测
此处，DTW算法是时间序列数据存在多种相似或距离函数，其中最突出的是动态时间规整，作用是衡量两个时间序列的相似度。
下面对本发明实施例提供的轨道交通站点客流预测系统进行描述，下文描述的轨道交通站点客流预测系统与上文描述的轨道交通站点客流预测方法可相互对应参照。
图7是本发明实施例提供的一种轨道交通站点客流预测系统的结构示意图，如图7所示，包括：获取模块71、第一处理模块72、第二处理模块73和第三处理模块74；其中：
获取模块71用于获取历史AFC数据序列；第一处理模块72用于基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；第二处理模块73用于由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；第三处理模块74用于基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
本发明实施例通过采用自编码器对车站AFC数据序列进行分析得到最小预测单元，可以确定短时客流预测时的最小时间粒度，并有效提取车站AFC序列中的核心元素，实现车站客流预测分析，为预测轨道交通站点客流、分析乘客出行行为提供一定的参考和理论基础。
基于上述实施例，所述获取模块71具体包括：获取子模块711和转换子模块712；其中：
获取子模块711用于获取任一车站在预设时间段内的进站客流数据；
转换子模块712用于将所述进站客流数据转换为所述历史AFC数据序列。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communication interface)820、存储器(memory)830和通信总线(bus)840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行轨道交通站点客流预测方法，该方法包括：获取历史AFC数据序列；基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
此外，上述的存储器830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所提供的轨道交通站点客流预测方法，该方法包括：获取历史AFC数据序列；基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
又一方面，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实现以执行上述各实施例提供的轨道交通站点客流预测方法，该方法包括：获取历史AFC数据序列；基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
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)

1.一种轨道交通站点客流预测方法，其特征在于，包括：
获取历史AFC数据序列；
基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；
由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；
基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
2.根据权利要求1所述的轨道交通站点客流预测方法，其特征在于，所述获取历史AFC数据序列，具体包括：
获取任一车站在预设时间段内的进站客流数据；
将所述进站客流数据转换为所述历史AFC数据序列。
3.根据权利要求1或2所述的轨道交通站点客流预测方法，其特征在于，所述基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元，具体包括：
采用滑窗法对所述历史AFC数据序列进行切割，得到若干滑窗子数据序列；
将所述若干滑窗子数据序列输入至所述预设自编码器中，得到若干段压缩信号；
将所述若干段压缩信号进行加权处理，得到所述最小预测单元。
4.根据权利要求3所述的轨道交通站点客流预测方法，其特征在于，所述预设自编码器包括连接处理上下段压缩信号。
5.根据权利要求1所述的轨道交通站点客流预测方法，其特征在于，所述由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度，进一步包括：
通过所述关键点位和所述最小时间粒度，对所述历史AFC数据序列进行存储。
6.根据权利要求1所述的轨道交通站点客流预测方法，其特征在于，所述基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果，具体包括：
采用动态时间规整方法对待预测车站进行聚类，提取所述关键点位和所述最小时间粒度，得到所述站点客流预测结果。
7.一种轨道交通站点客流预测系统，其特征在于，包括：
获取模块，用于获取历史AFC数据序列；
第一处理模块，用于基于预设自编码器对所述历史AFC数据序列进行处理，得到站点客流的最小预测单元；
第二处理模块，用于由所述最小预测单元获取所述历史AFC数据序列的关键点位，以及站点客流预测的最小时间粒度；
第三处理模块，用于基于所述关键点位和所述最小时间粒度，采用预设算法得到站点客流预测结果。
8.根据权利要求7所述的轨道交通站点客流预测系统，其特征在于，所述获取模块具体包括：
获取子模块，用于获取任一车站在预设时间段内的进站客流数据；
转换子模块，用于将所述进站客流数据转换为所述历史AFC数据序列。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至6任一项所述轨道交通站点客流预测方法的步骤。
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，该计算机程序被处理器执行时实现如权利要求1至6任一项所述轨道交通站点客流预测方法的步骤。
CN202011017520.5A 2020-09-24 2020-09-24 一种轨道交通站点客流预测方法及系统 Active CN112215409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011017520.5A CN112215409B (zh) 2020-09-24 2020-09-24 一种轨道交通站点客流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011017520.5A CN112215409B (zh) 2020-09-24 2020-09-24 一种轨道交通站点客流预测方法及系统

Publications (2)

Publication Number Publication Date
CN112215409A true CN112215409A (zh) 2021-01-12
CN112215409B CN112215409B (zh) 2024-01-30

Family

ID=74051927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011017520.5A Active CN112215409B (zh) 2020-09-24 2020-09-24 一种轨道交通站点客流预测方法及系统

Country Status (1)

Country Link
CN (1) CN112215409B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906782A (zh) * 2021-02-07 2021-06-04 江西科技学院 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法
CN113159408A (zh) * 2021-04-14 2021-07-23 交控科技股份有限公司 轨道交通站点客流预测方法及装置
CN114368420A (zh) * 2021-12-23 2022-04-19 中国铁道科学研究院集团有限公司通信信号研究所 一种车站调车作业工作量的预测方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080050047A1 (en) * 2006-08-24 2008-02-28 Ocarina Networks Inc. Methods and Apparatus for Reducing Storage Size
CN101573983A (zh) * 2007-01-03 2009-11-04 三星电子株式会社 使用全局运动矢量预测运动矢量的方法和设备、编码器、解码器及解码方法
CN201974940U (zh) * 2011-03-11 2011-09-14 上海千年工程建设咨询有限公司 短时交通状态预测装置
US20140192904A1 (en) * 2013-01-04 2014-07-10 Canon Kabushiki Kaisha Method, apparatus and system for de-blocking video data
CN105205297A (zh) * 2014-06-12 2015-12-30 腾讯科技（深圳）有限公司 一种时间序列预测方法及系统
CN105684443A (zh) * 2013-09-04 2016-06-15 三星电子株式会社 屏幕图像编码方法及其装置和屏幕图像解码方法及其装置
CN106126896A (zh) * 2016-06-20 2016-11-16 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
CN107360204A (zh) * 2016-05-10 2017-11-17 北京信威通信技术股份有限公司 一种车联网协作预警消息生成时间的预测方法及装置
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
CN108491958A (zh) * 2018-02-11 2018-09-04 浙江工业大学 一种短时公交客流弦不变量预测方法
CN109086926A (zh) * 2018-07-25 2018-12-25 南京理工大学 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
CN109670648A (zh) * 2018-12-24 2019-04-23 新奥数能科技有限公司 能源数据预测模型的训练、能源数据的预测方法及装置
CN110222873A (zh) * 2019-05-14 2019-09-10 重庆邮电大学 一种基于大数据的地铁站客流量预测方法
CN110516866A (zh) * 2019-08-21 2019-11-29 上海工程技术大学 一种用于城市轨交地铁拥挤度的实时估计方法
CN110956341A (zh) * 2019-12-31 2020-04-03 京东城市(北京)数字科技有限公司 停车场流量预测方法、装置、电子设备及存储介质
CN110990462A (zh) * 2019-12-16 2020-04-10 国家无线电监测中心陕西监测站 一种用于提高电离层foF2机器学习精度的时间序列数据处理方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080050047A1 (en) * 2006-08-24 2008-02-28 Ocarina Networks Inc. Methods and Apparatus for Reducing Storage Size
CN101573983A (zh) * 2007-01-03 2009-11-04 三星电子株式会社 使用全局运动矢量预测运动矢量的方法和设备、编码器、解码器及解码方法
CN201974940U (zh) * 2011-03-11 2011-09-14 上海千年工程建设咨询有限公司 短时交通状态预测装置
US20140192904A1 (en) * 2013-01-04 2014-07-10 Canon Kabushiki Kaisha Method, apparatus and system for de-blocking video data
CN105684443A (zh) * 2013-09-04 2016-06-15 三星电子株式会社 屏幕图像编码方法及其装置和屏幕图像解码方法及其装置
CN105205297A (zh) * 2014-06-12 2015-12-30 腾讯科技（深圳）有限公司 一种时间序列预测方法及系统
CN107360204A (zh) * 2016-05-10 2017-11-17 北京信威通信技术股份有限公司 一种车联网协作预警消息生成时间的预测方法及装置
CN106126896A (zh) * 2016-06-20 2016-11-16 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
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
CN108491958A (zh) * 2018-02-11 2018-09-04 浙江工业大学 一种短时公交客流弦不变量预测方法
CN109086926A (zh) * 2018-07-25 2018-12-25 南京理工大学 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
CN109670648A (zh) * 2018-12-24 2019-04-23 新奥数能科技有限公司 能源数据预测模型的训练、能源数据的预测方法及装置
CN110222873A (zh) * 2019-05-14 2019-09-10 重庆邮电大学 一种基于大数据的地铁站客流量预测方法
CN110516866A (zh) * 2019-08-21 2019-11-29 上海工程技术大学 一种用于城市轨交地铁拥挤度的实时估计方法
CN110990462A (zh) * 2019-12-16 2020-04-10 国家无线电监测中心陕西监测站 一种用于提高电离层foF2机器学习精度的时间序列数据处理方法
CN110956341A (zh) * 2019-12-31 2020-04-03 京东城市(北京)数字科技有限公司 停车场流量预测方法、装置、电子设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906782A (zh) * 2021-02-07 2021-06-04 江西科技学院 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法
CN112906782B (zh) * 2021-02-07 2024-01-26 江西科技学院 基于dtw与最小二乘估计的轨道静态检查历史数据匹配方法
CN113159408A (zh) * 2021-04-14 2021-07-23 交控科技股份有限公司 轨道交通站点客流预测方法及装置
CN113159408B (zh) * 2021-04-14 2023-11-21 交控科技股份有限公司 轨道交通站点客流预测方法及装置
CN114368420A (zh) * 2021-12-23 2022-04-19 中国铁道科学研究院集团有限公司通信信号研究所 一种车站调车作业工作量的预测方法

Also Published As

Publication number Publication date
CN112215409B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
CN112215409A (zh) 一种轨道交通站点客流预测方法及系统
CN110443692B (zh) 企业信贷审核方法、装置、设备及计算机可读存储介质
CN111368980B (zh) 状态检测方法、装置、设备及存储介质
CN115828112B (zh) 一种故障事件的响应方法、装置、电子设备及存储介质
CN111489517B (zh) 螺丝锁附异常警报方法、装置、计算机装置及存储介质
CN109087667B (zh) 语音流利度识别方法、装置、计算机设备及可读存储介质
CN114760172B (zh) 射频基带综合特征信号识别方法与装置
CN116645624A (zh) 视频内容理解方法和系统、计算机设备、存储介质
CN107766498A (zh) 用于生成信息的方法和装置
CN115705413A (zh) 异常日志的确定方法及装置
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN111881950A (zh) 道岔转辙机电流时间序列的特征表示方法及装置
CN113010659A (zh) 一种问卷样本处理方法及装置
CN110796003B (zh) 车道线检测方法、装置及电子设备
CN117056728A (zh) 一种时间序列生成方法、装置、设备和存储介质
CN115294592A (zh) 理赔信息采集方法和采集装置、计算机设备、存储介质
CN114912854A (zh) 地铁列车运行调整方法、装置、电子设备及存储介质
CN115223157A (zh) 一种基于循环神经网络的电网设备铭牌光学字符识别方法
CN110083807B (zh) 合同的修改影响自动预测方法、装置、介质及电子设备
CN113221990A (zh) 信息录入方法、装置及相关设备
CN112417007A (zh) 一种数据分析方法、装置、电子设备及存储介质
CN111798237A (zh) 基于应用日志的异常交易诊断方法及系统
CN117172632B (zh) 一种企业异常行为检测方法、装置、设备及存储介质
CN114446039B (zh) 客流分析方法及相关设备
CN116911304B (zh) 一种文本推荐方法及装置

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
GR01 Patent grant
GR01 Patent grant