CN112686428B - 基于地铁线网站点相似性的地铁客流预测方法及装置 - Google Patents
基于地铁线网站点相似性的地铁客流预测方法及装置 Download PDFInfo
- Publication number
- CN112686428B CN112686428B CN202011483049.9A CN202011483049A CN112686428B CN 112686428 B CN112686428 B CN 112686428B CN 202011483049 A CN202011483049 A CN 202011483049A CN 112686428 B CN112686428 B CN 112686428B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- subway
- station
- matrix
- predicted
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于地铁线网站点相似性的地铁客流预测方法及装置，该方法包括：生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。
Description
技术领域
本申请实施例涉及地铁客流预测技术领域，尤其涉及一种基于地铁线网站点相似性的地铁客流预测方法及装置。
背景技术
地铁作为城市交通的主要组成部分，在居民日常出行中发挥着越来越重要的作用。随着乘坐地铁的客流持续增长，对未来一段时间内的客流量预测成为地铁运营中的一个重要问题，客流预测的准确性对乘客出行路线选择、地铁运营限流提前部署、站点安保等问题尤为重要。
当前，对于交通行业的客流量预测的技术主要有以下几类：1.时间序列方法预测：利用节点的AR、MA、ARMA等时间序列进行预测；2.机器学习和深度学习算法预测：利用常用的线性回归、XGBOOST回归、神经网络算法，通过构造一堆建模的特征，通过训练拟合出一个好的模型。上述方法存在以下缺点：没有考虑到线网站点之间的相似关系，如工作区域站点，本身存在着峰值与谷值的波动相似性，当前模型都是通过站点本身的历史数据进行建模，没有加入相似站点的约束。
发明内容
本申请实施例提供一种基于地铁线网站点相似性的地铁客流预测方法及装置，加入相似站点的约束条件，能够排除不稳定数据，提高地铁站点客流预测的准确度。
在第一方面，本申请实施例提供了一种基于地铁线网站点相似性的地铁客流预测方法，包括：
生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；
基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；
基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。
进一步的，所述生成地铁线网站点历史客流训练矩阵的步骤包括：
根据所述待预测地铁站点的当前时间节点，以所述当前时间节点为截止时间节点，以预设的时间长度为间隔，确定历史客流训练矩阵对应的开始时间节点，得到历史时间节点，所述历史时间节点包括截止时间节点和开始时间节点，以及该两个时间节点之间的任一时间节点；
获取每个地铁站点在所述历史时间节点中每个时间节点下的客流量，生成所述历史客流训练矩阵。
进一步的，所述基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点的步骤，包括：
根据所述训练矩阵和预设的相似性计算公式，生成相关系数矩阵，所述相关系数矩阵的元素表征任意两个地铁站点之间的相似性；
根据所述相关系数矩阵，将所述相关系数矩阵中N-1个与待预测地铁站点对应的相关系数最大的地铁站点，作为相似站点。
进一步的，所述根据所述训练矩阵和预设的相似性计算公式，生成相关系数矩阵的步骤，包括：
依次将所述训练矩阵中每两个地铁站点的客流量代入所述相似性计算公式，求得每两个地铁站点的相关系数，基于所有每两个地铁站点的相关系数，得到所述相关系数矩阵；
其中，所述相似性计算公式为
其中，T为所述训练矩阵的时间长度，i为所述训练矩阵的每个时间节点，Xi和Yi分别为两个地铁站点在第i时间节点下的客流量，
和
分别为两个地铁站点在训练矩阵中所有时间节点下的客流均值，r为两个地铁站点的相关系数。
进一步的，所述基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量的步骤，包括：
根据所述训练矩阵，获取N-1个相似站点在历史时间节点下的客流量；
基于所述N-1个相似站点在历史时间节点下的客流量和所述待预测地铁站点在历史时间节点下的客流量，得到相似站点客流矩阵，所述相似站点客流矩阵为
所述相似站点客流矩阵包括待预测地铁站点和相似站点；
基于所述相似站点客流矩阵，确定客流量预测模型；
将所述待预测地铁站点在历史时间节点下的客流量代入所述客流量预测模型中，得到所述待预测地铁站点在下一时间节点的客流量。
进一步的，所述基于所述相似站点客流矩阵，确定客流量预测模型的步骤，包括：
根据所述相似站点客流矩阵，获取任意第t个时间节点下的相似站点客流观测值，所述相似站点客流观测值为
相似站点客流观测值包括N-1个相似站点和待预测地铁站点；
获取所述相似站点客流观测值的线性表达式，所述线性表达式为
其中，d为向量自回归模型的阶数，∈t为高斯噪音，Ak∈R(N)×N，k＝1,2,...,d为向量自回归模型的系数矩阵；
获取向量自回归模型，所述向量自回归模型为Z≈QA，其中，
A＝[A1,A2,...,Ad]T∈R(Nd)×N；
根据最小二乘法和所述向量自回归模型，确定所述系数矩阵；
将所述系数矩阵代入所述线性表达式，得到所述客流量预测模型，所述客流量预测模型为y′t＝ATv′t，其中，y′t为待预测地铁站点及相似站点在下一时间节点的客流量，v′t为待预测地铁站点以及N-1个相似站点在前d个时间节点下的客流量。
进一步的，所述根据最小二乘法和所述向量自回归模型，确定所述系数矩阵的步骤包括：
基于最小二乘法，得到所述系数矩阵的最优解方程；其中，所述最优解方程为
将所述向量自回归模型中的Q矩阵和Z矩阵代入所述最优解方程，求得所述系数矩阵，其中X为系数矩阵在
中的自变量。
在第二方面，本申请实施例提供了一种基于地铁线网站点相似性的地铁客流预测装置，包括：
训练数据生成模块，被配置为生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；
相似站点确定模块，被配置为基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；
客流量预测模块，被配置为基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。
进一步的，所述训练数据生成模块包括：
历史时间节点确定子模块，被配置为根据所述待预测地铁站点的当前时间节点，以所述当前时间节点为截止时间节点，以预设的时间长度为间隔，确定历史客流训练矩阵对应的开始时间节点，得到历史时间节点，所述历史时间节点包括截止时间节点和开始时间节点，以及该两个时间节点之间的任一时间节点；
训练数据生成子模块，被配置为获取每个地铁站点在所述历史时间节点中每个时间节点下的客流量，生成所述历史客流训练矩阵。
进一步的，所述相似站点确定模块包括：
相关系数矩阵生成子模块，被配置为根据所述训练矩阵和预设的相似性计算公式，生成相关系数矩阵，所述相关系数矩阵的元素表征任意两个地铁站点之间的相似性；
相似站点确定子模块，被配置为根据所述相关系数矩阵，将所述相关系数矩阵中N-1个与待预测地铁站点对应的相关系数最大的地铁站点，作为相似站点。
进一步的，所述相关系数矩阵生成子模块包括：
相关系数矩阵生成单元，依次将所述训练矩阵中每两个地铁站点的客流量代入所述相似性计算公式，求得每两个地铁站点的相关系数，基于所有每两个地铁站点的相关系数，得到所述相关系数矩阵；
其中，所述相似性计算公式为
其中，T为所述训练矩阵的时间长度，i为所述训练矩阵的每个时间节点，Xi和Yi分别为两个地铁站点在第i时间节点下的客流量，
和
分别为两个地铁站点在训练矩阵中所有时间节点下的客流均值，r为两个地铁站点的相关系数。
进一步的，所述客流量预测模块包括：
相似站点客流量获取子模块，被配置为根据所述训练矩阵，获取所述N-1个相似站点在历史时间节点下的客流量；
相似站点客流矩阵生成子模块，被配置为基于N-1个相似站点在历史时间节点下的客流量和所述待预测地铁站点在历史时间节点下的客流量，得到相似站点客流矩阵，所述相似站点客流矩阵为
所述相似站点客流矩阵包括待预测地铁站点和相似站点；
客流量预测模型确定子模块，被配置为基于所述相似站点客流矩阵，确定客流量预测模型；
客流量预测模块子模块，被配置为将所述待预测地铁站点在历史时间节点下的客流量代入所述客流量预测模型中，得到所述待预测地铁站点在下一时间节点的客流量。
进一步的，所述客流量预测模型确定子模块包括：
相似站点客流观测值获取单元，被配置为根据所述相似站点客流矩阵，获取任意第t个时间节点下的相似站点客流观测值，所述相似站点客流观测值为
相似站点客流观测值包括N-1个相似站点和待预测地铁站点；
线性表达式获取单元，被配置为获取所述相似站点客流观测值的线性表达式，所述线性表达式为
其中，d为向量自回归模型的阶数，∈t为高斯噪音，Ak∈R(N)×N，k＝1,2,...,d为向量自回归模型的系数矩阵；
向量自回归模型获取单元，被配置为获取向量自回归模型，所述向量自回归模型为Z≈QA，其中，
A＝[A1,A2,...,Ad]T∈R(Nd)×N；
系数矩阵确定单元，被配置为根据最小二乘法和所述向量自回归模型，确定所述系数矩阵；
客流量预测模型确定单元，被配置为将所述系数矩阵代入所述线性表达式，得到所述客流量预测模型，所述客流量预测模型为y′t＝ATv′t，其中，y′t为待预测地铁站点及相似站点在下一时间节点的客流量，v′t为待预测地铁站点以及N-1个相似站点在前d个时间节点下的客流量。
进一步的，系数矩阵确定单元包括：
最优解计算子单元，被配置为基于最小二乘法，得到所述系数矩阵的最优解方程；其中，所述最优解方程为
系数矩阵确定子单元，被配置为将所述向量自回归模型中的Q矩阵和Z矩阵代入所述最优解方程，求得所述系数矩阵，其中X为系数矩阵在
中的自变量。
在第三方面，本申请实施例提供了一种电子设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的地铁客流预测方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的地铁客流预测方法。
本申请实施例通过生成地铁线网站点历史客流训练矩阵，基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。通过上述技术手段，获取和待预测地铁站点从时间分布有一致性的相似站点，排除其他相关性较低的地铁站点的客流量波动对客流预测的影响，提高客流预测的准确性。对待预测地铁站点单独计算客流量预测模型，站点独立建模可以找到每个待预测站点的最优参数，提高了模型整体的健壮性与准确性。
附图说明
图1是本申请实施例一提供的一种基于地铁线网站点相似性的地铁客流预测方法的流程图；
图2是本申请实施例一中历史客流训练矩阵生成流程图；
图3是本申请实施例一中的相似站点确定流程图；
图4是本申请实施例一中的客流量预测计算流程图；
图5是本申请实施例一中的客流量预测模型计算流程图；
图6是本申请实施例二提供的一种基于地铁线网站点相似性的地铁客流预测装置的结构示意图；
图7是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的基于地铁线网站点相似性的地铁客流预测方法及装置，旨在通过生成地铁线网站点历史客流训练矩阵，基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。相对于传统的客流预测方法，其没有考虑线网站点之间的相似关系，比如工作区域站点本身存在峰值与谷值的波动相似性，在建模时基于线网站点的历史客流量去预测地铁站点的客流量，没有加入相似站点的约束，不排除不相似站点的干扰数据，预测结果准确率较低。基于此，提供本申请实施例的基于地铁线网站点相似性的地铁客流预测方法及装置，以解决现有客流预测方法准确率低的问题。
实施例一：
图1是本申请实施例一提供的一种基于地铁线网站点相似性的地铁客流预测方法的流程图。参考图1，该地铁客流预测方法包括：
S110、生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；
示例性的，基于地铁乘客历史刷卡信息，获取历史刷卡信息的有用数据。下面，以表1为例，对获取历史客流量进行说明。历史刷卡信息如下表1所示：
表1
表1中展示了历史刷卡信息包含的交通卡id，交通卡类型，交易类型，地铁站点id，刷卡设备以及交易时间这六种数据信息。获取地铁站点id和交易时间，根据交易时间和地铁站点id，确定该客流属于哪个地铁站点在哪个时间节点下的客流。并根据所有地铁乘客历史刷卡信息，统计每个地铁站点在每个时间节点下的客流量，得到所述训练矩阵每个元素的参数，从而生成所述训练矩阵。
在获取历史刷卡信息时，不必获取所有历史刷卡信息，只需要根据预设的时间长度，确定最早的时间节点，获取该时间节点到当前时间节点的历史刷卡数据。具体的，参考图2，图2是本申请实施例一中历史客流训练矩阵生成流程图。历史客流训练矩阵生成流程包括：
S1101、根据所述待预测地铁站点的当前时间节点，以所述当前时间节点为截止时间节点，以预设的时间长度为间隔，确定历史客流训练矩阵对应的开始时间节点，得到历史时间节点，所述历史时间节点包括截止时间节点和开始时间节点，以及该两个时间节点之间的任一时间节点；
S1102、获取每个地铁站点在所述历史时间节点中每个时间节点下的客流量，生成所述历史客流训练矩阵。
示例性的，设定时间长度为三个月，运营时间为每天6点到24点，并以15分钟为单位时间节点，则确定历史时间节点包括6480个单位时间节点，单位时间节点可根据预测的需求变化。在确定时间长度为三个月后，将当前时间节点作为截止时间节点，根据截止时间节点往后推算三个月，确定最早的时间节点，将其作为开始时间节点。从开始时间节点对应的具体时间推算，每15分钟为一个时间节点，则确定了历史时间节点中的每个时间节点所对应的具体时间。根据历史刷卡信息中的交易时间，确定每个客流所属的时间节点，以及根据地铁站点id，确定每个客流所属的地铁站点，统计每个地铁站点在每个时间节点下的客流量，得到所述训练矩阵每个元素的参数，从而生成所述训练矩阵。
S120、基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；
示例性的，训练矩阵表征所有地铁站点在历史时间节点下所有客流量信息，分析每个地铁站点的客流量在时间分布上的一致性，可确定在历史时间节点上与待预测地铁站点的客流量变化相似的相似站点。换句话说，相似站点的客流量变化影响着待预测地铁站点的客流量变化。具体的，参考图3，图3是本申请实施例一中的相似站点确定流程图。相似站点确定流程包括：
S1201、根据所述训练矩阵和预设的相似性计算公式，生成相关系数矩阵，所述相关系数矩阵的元素表征任意两个地铁站点之间的相似性；
S1202、根据所述相关系数矩阵，将所述相关系数矩阵中N-1个与待预测地铁站点对应的相关系数最大的地铁站点，作为相似站点。
示例性的，依次将所述训练矩阵中每两个地铁站点的客流量代入所述相似性计算公式，求得每两个地铁站点的相关系数，基于所有每两个地铁站点的相关系数，得到所述相关系数矩阵；
其中，所述相似性计算公式为
其中，T为所述训练矩阵的时间长度，i为所述训练矩阵的每个时间节点，Xi和Yi分别为两个地铁站点在第i时间节点下的客流量，
和
分别为两个地铁站点在训练矩阵中所有时间节点下的客流均值，r为两个地铁站点的相关系数。
S130、基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。
示例性的，在获取到与待预测地铁站点的客流量在时间分布上一致的相似站点后，可根据相似站点和自身站点在历史时间节点下的客流量，预测下一时间点的客流量。获取和待预测地铁站点从时间分布有一致性的相似站点，排除其他相关性较低的地铁站点的客流量波动对客流预测的影响，可提高客流预测的准确性。具体的，参考图4，图4是本申请实施例一中的客流量预测计算流程图。客流量预测计算流程包括：
S1301、根据所述训练矩阵，获取N-1个相似站点在历史时间节点下的客流量；
S1302、基于所述N-1个相似站点在历史时间节点下的客流量和所述待预测地铁站点在历史时间节点下的客流量，得到相似站点客流矩阵；
具体的，所述相似站点客流矩阵为
所述相似站点客流矩阵包括待预测地铁站点和相似站点，所述相似站点客流矩阵的每个矩阵元素表示在第t时间节点下，自身站点或N-1个相似站点的客流量。
S1303、基于所述相似站点客流矩阵，确定客流量预测模型；
示例性的，为获取待预测地铁站点在下一时间节点的客流量，可利用自身站点和相似站点的在历史时间节点下的客流量来训练向量自回归矩阵，获取待预测地铁站点对应的客流量预测模型。具体的，参考图5，图5是本申请实施例一中的客流量预测模型计算流程图。客流量预测模型计算流程包括：
S13031、根据所述相似站点客流矩阵，获取任意第t个时间节点下的相似站点客流观测值；
具体的，所述相似站点客流观测值为
相似站点客流观测值包括N-1个相似站点和待预测地铁站点。
S13032、获取所述相似站点客流观测值的线性表达式；
具体的，所述线性表达式为
其中，T为时间长度，d为向量自回归模型的阶数，∈t为高斯噪音，Ak∈R(N)×N，k＝1,2,...,d为向量自回归模型的系数矩阵，。
S13033、获取向量自回归模型；
具体的，所述向量自回归模型为Z≈QA，其中，
A＝[A1,A2,...,Ad]T∈R(Nd)×N。
示例性的，在所述相似站点客流矩阵Y中，任意第t个时间节点下，客流观测值为
客流观测值可看做是在第t个时间节点下，获取到的相似站点和自身站点的客流量。对于任意第t个时间节点，存在客流观测值存在以下线性表达式：
其中，d为所述自回归模型的阶数，可以理解为下一时间节点和过去d个时间节点相关。通过线性表达式，可以得出，对于任意第t个时间节点的客流观测值，可通过t-1,t-2一直到t-d的时间节点下的客流量计算得到。因此，可基于线性表达式，推算下一时间节点的客流观测值，即预测下一时间的客流量。Ak∈R(N)×N，k＝1,2,...,d为向量自回归模型的系数矩阵，令A＝[a1,A2,...,Ad]T∈R(Nd)×N。
为N-1个相似站点和自身站点在前d个时间节点下的实际客流量。令线性表达式为
对线性表达式进行改写，得到向量自回归模型Z≈QA，其中，
A＝[A1,A2,...,Ad]T∈R(Nd)×N。
S13034、根据最小二乘法和所述向量自回归模型，确定所述系数矩阵；
具体的，基于最小二乘法，得到所述系数矩阵的最优解方程；其中，所述最优解方程为
将所述向量自回归模型中的Q矩阵和Z矩阵代入所述最优解方程，求得所述系数矩阵，其中X为系数矩阵在
中的自变量。
S13035、将所述系数矩阵代入所述线性表达式，得到所述客流量预测模型；
具体的，所述客流量预测模型为y′t＝ATv′t，其中，y′t为待预测地铁站点及相似站点在下一时间节点的客流量，v′t为待预测地铁站点以及N-1个相似站点在前d个时间节点下的客流量。
示例性的，对于任意第t个时间节点，基于自身地铁站点和相似站点的t-1到t-d个时间节点下的客流量去训练向量自回归模型，确认向量自回归模型的系数矩阵。d为向量自回归模型的阶数，可根据预设需求进行设定，但是t+d≤T，因为从第t个时间节点的前d个时间节点不能超过历史时间节点。在确定待预测地铁站点的客流量预测模型后，由于是根据前d个时间节点去训练对应的下一时间节点的向量自回归模型，因此在获取待预测地铁站点的下一时间节点的客流量时，通过待预测地铁站点以及N-1个相似站点在前d个时间节点下的客流量，可得到待预测地铁站点在下一时间点的客流量。
S1304、将所述待预测地铁站点在历史时间节点下的客流量代入所述客流量预测模型中，得到所述待预测地铁站点在下一时间节点的客流量。
示例性的，在利用相似站点和待预测地铁站点在历史时间节点下的客流量确定客流量预测模型后，将相似站点和待预测地铁站点在前d个时间节点下的客流量代入所述客流量预测模型中，计算得到相似站点和待预测地铁站点在下一时间节点的客流量向量，将客流量向量中对应待预测地铁站点的客流量作为待预测地铁站点在下一时间节点的客流量。由于相似站点是基于待预测地铁站点获取的，其他地铁站点不一定是相似关系，因此客流量向量中其他地铁站点的客流量不能作为预测数据。本实施例只针对待预测地铁站点进行客流预测，对于其他地铁站点需计算其对应的相似站点。对待预测地铁站点单独计算客流量预测模型，站点独立建模可以找到每个待预测站点的最优参数，提高了模型整体的健壮性与准确性。
综上所述，通过生成地铁线网站点历史客流训练矩阵，基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。通过上述技术手段，获取和待预测地铁站点从时间分布有一致性的相似站点，排除其他相关性较低的地铁站点的客流量波动对客流预测的影响，提高客流预测的准确性。对待预测地铁站点单独计算客流量预测模型，站点独立建模可以找到每个待预测站点的最优参数，提高了模型整体的健壮性与准确性。
实施例二：
在上述实施例的基础上，图6是本申请实施例二提供的一种基于地铁线网站点相似性的地铁客流预测装置的结构示意图。参考图6，本实施例提供的地铁客流预测装置具体包括：训练数据生成模块21、相似站点确定模块22和客流量预测模块23。
其中，训练数据生成模块21，被配置为生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；
相似站点确定模块22，被配置为基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；
客流量预测模块23，被配置为基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。
综上，通过生成地铁线网站点历史客流训练矩阵，基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。通过上述技术手段，获取和待预测地铁站点从时间分布有一致性的相似站点，排除其他相关性较低的地铁站点的客流量波动对客流预测的影响，提高客流预测的准确性。对待预测地铁站点单独计算客流量预测模型，站点独立建模可以找到每个待预测站点的最优参数，提高了模型整体的健壮性与准确性。
本申请实施例二提供的地铁客流预测装置可以用于执行上述实施例一提供的地铁客流预测方法，具备相应的功能和有益效果。
实施例三：
本申请实施例三提供了一种电子设备，参照图7，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的地铁客流预测方法对应的程序指令/模块(例如，地铁客流预测装置中的训练数据生成模块、相似站点确定模块和客流量预测模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的地铁客流预测方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例一提供的地铁客流预测方法，具备相应的功能和有益效果。
实施例四：
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种地铁客流预测方法，该地铁客流预测方法包括：生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，确定所述待预测地铁站点在下一时间节点的客流量。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的地铁客流预测方法，还可以执行本申请任意实施例所提供的地铁客流预测方法中的相关操作。
上述实施例中提供的地铁客流预测装置、存储介质及电子设备可执行本申请任意实施例所提供的地铁客流预测方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的地铁客流预测方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种基于地铁线网站点相似性的地铁客流预测方法，其特征在于，包括：
生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；
基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；
基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，生成相似站点客流矩阵；
基于所述相似站点客流矩阵，确定客流量预测模型；其中，根据所述相似站点客流矩阵，获取任意时间节点下的相似站点客流观测值；获取所述相似站点客流观测值的线性表达式；获取向量自回归模型；根据最小二乘法和所述向量自回归模型，确定所述向量自回归模型的系数矩阵；将所述系数矩阵代入所述线性表达式，得到所述客流量预测模型；
将所述待预测地铁站点在历史时间节点下的客流量代入所述客流量预测模型中，得到所述待预测地铁站点在下一时间节点的客流量。
2.根据权利要求1所述的方法，其特征在于，所述生成地铁线网站点历史客流训练矩阵的步骤包括：
根据所述待预测地铁站点的当前时间节点，以所述当前时间节点为截止时间节点，以预设的时间长度为间隔，确定历史客流训练矩阵对应的开始时间节点，得到历史时间节点，所述历史时间节点包括截止时间节点和开始时间节点，以及该两个时间节点之间的任一时间节点；
获取每个地铁站点在所述历史时间节点中每个时间节点下的客流量，生成所述历史客流训练矩阵。
3.根据权利要求1所述的方法，其特征在于，所述基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点的步骤，包括：
根据所述训练矩阵和预设的相似性计算公式，生成相关系数矩阵，所述相关系数矩阵的元素表征任意两个地铁站点之间的相似性；
根据所述相关系数矩阵，将所述相关系数矩阵中N-1个与待预测地铁站点对应的相关系数最大的地铁站点，作为相似站点。
4.根据权利要求3所述的方法，其特征在于，所述根据所述训练矩阵和预设的相似性计算公式，生成相关系数矩阵的步骤，包括：
依次将所述训练矩阵中每两个地铁站点的客流量代入所述相似性计算公式，求得每两个地铁站点的相关系数，基于所有每两个地铁站点的相关系数，得到所述相关系数矩阵；
其中，所述相似性计算公式为
其中，T为所述训练矩阵的时间长度，i为所述训练矩阵的每个时间节点，Xi和Yi分别为两个地铁站点在第i时间节点下的客流量，
和
分别为两个地铁站点在训练矩阵中所有时间节点下的客流均值，r为两个地铁站点的相关系数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，生成相似站点客流矩阵的步骤，包括：
根据所述训练矩阵，获取N-1个相似站点在历史时间节点下的客流量；
基于所述N-1个相似站点在历史时间节点下的客流量和所述待预测地铁站点在历史时间节点下的客流量，得到相似站点客流矩阵，所述相似站点客流矩阵为
所述相似站点客流矩阵包括待预测地铁站点和相似站点。
6.根据权利要求5所述的方法，其特征在于，第t时间节点的相似站点客流观测值为
相似站点客流观测值包括N-1个相似站点和待预测地铁站点；
所述线性表达式为
其中，d为向量自回归模型的阶数，∈t为高斯噪音，Ak∈R(N)×N，k＝1,2,...,为向量自回归模型的系数矩阵；
所述向量自回归模型为Z≈QA，其中，
A＝[A1,A2,...,Ad]T∈R(Nd)×N；
所述客流量预测模型为y′t＝ATv′t，其中，y′t为待预测地铁站点及相似站点在下一时间节点的客流量，v′t为待预测地铁站点以及N-1个相似站点在前d个时间节点下的客流量。
7.根据权利要求6所述的方法，其特征在于，所述根据最小二乘法和所述向量自回归模型，确定所述系数矩阵的步骤包括：
基于最小二乘法，得到所述系数矩阵的最优解方程；其中，所述最优解方程为
将所述向量自回归模型中的Q矩阵和Z矩阵代入所述最优解方程，求得所述系数矩阵，其中X为系数矩阵在
中的自变量。
8.一种基于地铁线网站点相似性的地铁客流预测装置，其特征在于，包括：
训练数据生成模块，被配置为生成地铁线网站点历史客流训练矩阵，所述训练矩阵的行表征每个地铁站点，所述训练矩阵的列表征历史时间节点中的每个时间节点，所述训练矩阵的元素表征对应地铁站点在对应时间节点下的客流量；
相似站点确定模块，被配置为基于所述训练矩阵，确定待预测地铁站点与其他地铁站点的相关系数，并确定多个与所述待预测地铁站点相似性最高的地铁站点；
客流量预测模块，被配置为基于所述多个与所述待预测地铁站点相似性最高的地铁站点在历史时间节点下的客流量，以及所述待预测地铁站点在历史时间节点下的客流量，生成相似站点客流矩阵；基于所述相似站点客流矩阵，确定客流量预测模型；其中，根据所述相似站点客流矩阵，获取任意时间节点下的相似站点客流观测值；获取所述相似站点客流观测值的线性表达式；获取向量自回归模型；根据最小二乘法和所述向量自回归模型，确定所述向量自回归模型的系数矩阵；将所述系数矩阵代入所述线性表达式，得到所述客流量预测模型；将所述待预测地铁站点在历史时间节点下的客流量代入所述客流量预测模型中，得到所述待预测地铁站点在下一时间节点的客流量。
9.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的地铁客流预测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的地铁客流预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483049.9A CN112686428B (zh) | 2020-12-15 | 2020-12-15 | 基于地铁线网站点相似性的地铁客流预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483049.9A CN112686428B (zh) | 2020-12-15 | 2020-12-15 | 基于地铁线网站点相似性的地铁客流预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686428A CN112686428A (zh) | 2021-04-20 |
| CN112686428B true CN112686428B (zh) | 2022-07-19 |
Family
ID=75448044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011483049.9A Active CN112686428B (zh) | 2020-12-15 | 2020-12-15 | 基于地铁线网站点相似性的地铁客流预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686428B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239198B (zh) * | 2021-05-17 | 2023-10-31 | 中南大学 | 一种地铁客流预测方法、装置及计算机存储介质 |
| CN113657652B (zh) * | 2021-07-31 | 2023-06-20 | 腾讯科技（深圳）有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
| CN113723687B (zh) * | 2021-08-30 | 2024-02-06 | 深圳大学 | 一种基于时空特征的地铁短时客流预测方法 |
| CN113850439A (zh) * | 2021-09-29 | 2021-12-28 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
| CN115545996B (zh) * | 2022-12-02 | 2023-03-10 | 成都智元汇信息技术股份有限公司 | 一种基于相似度矩阵的地铁异常历史客流识别方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665191A (zh) * | 2018-06-05 | 2018-10-16 | 北方工业大学 | 基于聚集效应的地铁站外关联区域计算方法 |
| CN110109991A (zh) * | 2019-04-22 | 2019-08-09 | 中国科学院深圳先进技术研究院 | 一种地铁站内区域客流估计方法、系统及电子设备 |
| CN110889546A (zh) * | 2019-11-20 | 2020-03-17 | 浙江省交通规划设计研究院有限公司 | 一种基于注意力机制的交通流量模型训练方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217250B (zh) * | 2014-08-07 | 2017-05-31 | 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 |
| JP6933992B2 (ja) * | 2018-03-26 | 2021-09-08 | 株式会社日立ソリューションズ | 人流予測装置および人流予測プログラム |
| CN110570004A (zh) * | 2018-06-05 | 2019-12-13 | 上海申通地铁集团有限公司 | 地铁客流的预测方法及系统 |
| CN110222873B (zh) * | 2019-05-14 | 2023-10-31 | 北京城建智控科技股份有限公司 | 一种基于大数据的地铁站客流量预测方法 |
| CN111832841B (zh) * | 2020-07-27 | 2021-04-13 | 北京交通大学 | 一种封站条件下的轨道交通短时客流预测方法及系统 |
| CN111932429B (zh) * | 2020-10-14 | 2021-01-19 | 中国矿业大学(北京) | 基于od的轨道交通站点客流结构相似性分析方法及装置 |
-
2020
- 2020-12-15 CN CN202011483049.9A patent/CN112686428B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108665191A (zh) * | 2018-06-05 | 2018-10-16 | 北方工业大学 | 基于聚集效应的地铁站外关联区域计算方法 |
| CN110109991A (zh) * | 2019-04-22 | 2019-08-09 | 中国科学院深圳先进技术研究院 | 一种地铁站内区域客流估计方法、系统及电子设备 |
| CN110889546A (zh) * | 2019-11-20 | 2020-03-17 | 浙江省交通规划设计研究院有限公司 | 一种基于注意力机制的交通流量模型训练方法 |
Non-Patent Citations (3)
| Title |
|---|
| Research on Passenger Flow Prediction of Beijing Subway Based on Spatiotemporal Correlation Analysis;Zhuo Wang；Xinyuan Cai;《2019 IEEE 4th International Conference on Cloud Computing and Big Data Analysis (ICCCBDA)》;20190530;第279-283页 * |
| 基于SSA-ARMA的公交短时客流实时预测;王茜竹等;《计算机工程与设计》;20190515(第05期);第297-302页 * |
| 基于时间序列的轨道交通客流动态分配仿真;周楠等;《计算机仿真》;20200115(第01期);第105-108页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686428A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686428B (zh) | 基于地铁线网站点相似性的地铁客流预测方法及装置 | |
| US20220363259A1 (en) | Method for generating lane changing decision-making model, method for lane changing decision-making of unmanned vehicle and electronic device | |
| Uribe et al. | Optimal algorithms for distributed optimization | |
| Meuleau et al. | Exploration of multi-state environments: Local measures and back-propagation of uncertainty | |
| CN112180734A (zh) | 一种基于分布式自适应事件触发的多智能体一致性方法 | |
| Kroese et al. | Network reliability optimization via the cross-entropy method | |
| CN106850289B (zh) | 结合高斯过程与强化学习的服务组合方法 | |
| Simari et al. | On the relationship between MDPs and the BDI architecture | |
| CN115186821A (zh) | 面向芯粒的神经网络推理开销估计方法及装置、电子设备 | |
| CN114261400A (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
| EP3847583A1 (en) | Determining control policies by minimizing the impact of delusion | |
| Comanici et al. | On-the-fly algorithms for bisimulation metrics | |
| van Schuppen | Control of distributed stochastic systems–Introduction, problems, and approaches | |
| CN111783895A (zh) | 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质 | |
| Campbell et al. | Multiagent allocation of markov decision process tasks | |
| Ortner | Online regret bounds for Markov decision processes with deterministic transitions | |
| Verstraete et al. | Consistent iterative algorithm for stochastic dynamic traffic assignment with a stable route set | |
| CN112070534A (zh) | 一种消费预算生成方法、装置、计算机设备及存储介质 | |
| Ororbia et al. | Structural design synthesis through a sequential decision process | |
| Soeffker et al. | Adaptive state space partitioning for dynamic decision processes | |
| CN115200584A (zh) | 一种路径规划方法、装置、设备及可读存储介质 | |
| Feng et al. | Symbolic LAO* search for factored markov decision processes | |
| CN107544248A (zh) | 一种移动机器人中的任务优化方法及设备 | |
| Nielsen et al. | Finding the K shortest hyperpaths using reoptimization | |
| Xu et al. | Model predictive control for max-plus-linear systems via optimistic optimization |
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 |