CN113762590B - 一种城市轨道交通节假日客流预测系统 - Google Patents
一种城市轨道交通节假日客流预测系统 Download PDFInfo
- Publication number
- CN113762590B CN113762590B CN202110819401.XA CN202110819401A CN113762590B CN 113762590 B CN113762590 B CN 113762590B CN 202110819401 A CN202110819401 A CN 202110819401A CN 113762590 B CN113762590 B CN 113762590B
- Authority
- CN
- China
- Prior art keywords
- data
- passenger flow
- model
- prediction
- server
- 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
- 230000005484 gravity Effects 0.000 claims abstract description 48
- 238000013523 data management Methods 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 238000013500 data storage Methods 0.000 claims description 21
- 230000009193 crawling Effects 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000010006 flight Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 8
- 230000008520 organization Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种城市轨道交通节假日客流预测系统。包括：节假日客流预测服务器、基础模型服务器、数据管理服务器和数据获取服务器，数据获取服务器爬取城市轨道交通内部路网客流数据和长途交通数据、城市POI数据和事件数据，向数据管理服务器发送数据；基础模型服务器提供重力模型、OD分类模型、出行意愿分级模型和数据驱动模型；节假日客流预测服务器基于数据管理服务器中的数据调用OD分类模型、重力模型和出行意愿分级模型进行节假日短时客流预测；在短时客流预测的基础上，调用基础模型服务器中的基于高维特征编码的数据驱动模型进行实时节假日OD客流预测。本发明为节假日客运组织提供出行OD需求预测，提高客运组织的科学合理性。
Description
技术领域
本发明涉及城市轨道交通运营组织技术领域，尤其涉及一种城市轨道交通节假日客流预测系统。
背景技术
城市轨道交通发展迅速，吸引了大量的城市交通出行客流。节假日客流呈现出和日常通勤显著的不同，对城市轨道交通运力配置、车站客流组织、人员配置都提出了挑战。准确地预测客流可以为城市轨道交通运营组织提供科学决策。
目前，现有技术中的城市轨道交通节假日客流预测方法，在数据角度，以系统内部交通、历史节假日客流以及车站周边土地利用为主要依据开展研究；在模型角度，包括：以重力模型为代表的可解释模型，以及以深度学习为代表的数据驱动模型。
上述现有技术中的城市轨道交通节假日客流预测方法的缺点为：缺少对道路交通、长途接驳交通信息的综合利用，也缺少对天气、重大活动等外部事件信息的综合利用，还缺少对可解释模型与数据驱动模型的综合利用。
发明内容
本发明的实施例提供了一种城市轨道交通节假日客流预测系统，以实现对城市轨道交通节假日的客流进行有效预测。
为了实现上述目的，本发明采取了如下技术方案。
一种城市轨道交通节假日客流预测系统，包括：节假日客流预测服务器、基础模型服务器、数据管理服务器和数据获取服务器，所述的节假日客流预测服务器分别与基础模型服务器、数据管理服务器和数据获取服务器连接，所述数据获取服务器与所述数据管理服务器连接；
所述数据获取服务器，用于爬取、过滤并统计不同城市之间的长途交通数据、城市兴趣点POI数据和事件数据，向数据管理服务器发送所有的数据；
所述数据管理服务器，用于存储并管理数据获取服务器发送过来的外部交通数据与事件特征数据，城市轨道交通其他运营系统接入的内部数据，以及节假日预测服务器产生的预测数据；
所述基础模型服务器，用于提供重力模型、起点到终点OD分类模型和出行意愿分级模型和数据驱动模型；
所述节假日客流预测服务器，用于基于数据管理服务器中存储的数据调用基础模型服务器中的OD分类模型、重力模型和出行意愿分级模型进行节假日短时客流预测；在短时客流预测的基础上，调用基础模型服务器中的基于高维特征编码的数据驱动模型进行实时节假日OD客流预测。
优选地，所述的数据获取服务器包括数据爬取单元、数据过滤单元和数据统计单元；
所述的数据爬取单元，用于爬取铁路开行列车和售票信息、飞机开行航班和售票信息，以及道路交通路况信息和外部事件信息；
所述的数据过滤单元，用于对数据爬取单元爬取到的数据进行数据一致性检查，以及无效数据、缺失值、重复数据处理；
所述的数据统计单元，用于对数据过滤单元过滤后的数据进行分时间、分空间的统计，获得节假日期间分时的长途出发和到达需求信息，分时城市交通路况信息、天气、活动信息，获得出行意愿强度，将获取的信息发送给数据管理服务器。
优选地，所述的数据管理服务器包括外部交通数据存储单元、城市轨道交通数据存储单元、城市POI数据存储单元、事件特征存储单元、预测数据存储单元和数据管理单元；
所述外部交通数据存储单元，用于存储分时的铁路列车定员售票、航空航班定员售票、道路路况信息；
所述城市轨道交通数据存储单元，用于存储路网结构、列车计划和客流出行历史信息；
所述城市POI数据，用于存储地铁车站周边的POI数据现状以及POI的变化信息；
所述事件特征存储单元，用于存储天气、活动对应的出行意愿强度信息；
所述预测数据存储单元，用于存储历史预测和当前预测结果数据，及其对应的典型事件、交通信息，并存储预测精度的统计指标数据；
所述数据管理单元，用于实现数据的导入、查询、编辑、更新、同步与保护。
优选地，所述基础模型服务器包括OD分类模型单元、重力模型单元、出行意愿分级模型单元和数据驱动模型单元；
所述OD分类模型单元，用于根据车站类别和节日类别按照影响程度对城市轨道交通OD进行分类；
所述重力模型单元，用于根据POI数据、铁路列车信息、航空航班信息和城市轨道交通运行计划，构建城市轨道交通出行重力模型，拟合不同分类OD的重力模型参数，计算节假日城市轨道交通OD分布需求；
所述出行意愿分级模型单元，用于对节假日出行按照出行意愿进行分级，不同分级对应不同的出行强化影响系数，根据外部事件计算出不同种类OD的各分级发生概率；
所述数据驱动模型单元，用于构建重力模型预测的路网大流量OD、外部事件以及实时进出站客流信息与待预测的大流量车站的实时客流变化之间的关系模型。
优选地，所述节假日客流预测服务器包括短时客流预测、实时客流预测和预测可视化单元；
所述短时客流预测单元，用于利用基础模型服务器中的重力模型至少提前一天预测节假日出行的重点OD量、进出站量、换乘量和断面流量，再利用出行意愿分级模型中的不同种类OD的各分级发生概率，对重力模型计算出的出行量进行加权调节，作为路网OD客流分布预测结果；对DO客流分布进行常规的统计和仿真推演，获得车站进出站客流量、换乘客流量和断面客流量的预测；
所述实时客流预测单元，用于利用实时路况、航班、外部事件和客流数据信息更新重力模型参数和出行意愿分级系数，将更新后的重力模型、出行意愿分级和路网实时客流数据作为高维特征的数据驱动模型的输入，利用数据驱动模型进行实时客流预测，预测当天向后一段时间的进站、出站、换乘和断面；
所述预测可视化单元，用于通过可视化的形式接收用户需要，该用户需要包括待预测节假日时间和空间位置选择，提供预测结果的查看和历史预测的查询功能。
优选地，所述的OD包括热门景区、一般景区、长途接驳、居民、办公以及其他六个类别。
优选地，所述出行意愿分级包括m种分级，每种分级对应0-1的系数；将外部事件作用于各个类别的OD，每类OD对于所有的意愿分级使用历史数据拟合得到对应的概率P。
由上述本发明的实施例提供的技术方案可以看出，本发明可以为节假日客运组织提供出行OD需求预测，提高客运组织的科学合理性。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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一种城市轨道交通节假日客流预测系统的结构图；
图2为本发明实施例提供的一种预测可视化示意图；
图3为本发明实施例提供的一种OD分类示意图；
图4为本发明实施例提供的一种重力模型示意图；
图5为本发明实施例提供的一种出行意愿分级示意图；
图6为本发明实施例提供的一种短时客流预测流程图；
图7为本发明实施例提供的一种实时客流预测流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式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方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例针对节假日客流的短时和实时客流预测，搭建包含多源数据获取、管理、基础模型和预测模型的系统。
本发明实施例提供的一种城市轨道交通节假日客流预测系统的结构图如图1所示，包括数据获取服务器、数据管理服务器、基础模型服务器和节假日客流预测服务器。节假日客流预测服务器分别与基础模型服务器、数据管理服务器和数据获取服务器连接，数据获取服务器与所述数据管理服务器连接。
所述数据获取服务器，用于爬取、过滤并统计城市轨道交通内部路网客流数据和不同城市之间的长途交通数据、城市POI(Point of Information，兴趣点)数据和天气、活动等事件数据，并向数据管理服务器发送数据。
所述数据管理服务器，用于存储并管理数据获取服务器发送过来的外部交通数据与事件特征数据，城市轨道交通其他运营系统接入的内部数据，以及节假日预测服务器产生的预测数据。
所述基础模型服务器，用于提供可解释的重力模型、事件分类模型和基于高维特征编码的数据驱动模型。上述事件分类模型包括OD分类模型和出行意愿分级模型。
所述节假日客流预测服务器，用于实现短时客流预测、实时客流预测和预测可视化功能；通过可视化的形式接收用户需要，调用数据获取服务器实时获取数据，并将数据存储在数据管理服务器中，基于数据管理服务器中存储的数据调用基础模型服务器中适合的模型进行短时和实时节假日OD(Origin to Destination，起点到终点)客流预测；其中的短时客流预测利用OD分类模型、重力模型和出行意愿分级模型进行预测；其中的实时客流预测，在短时客流预测的基础上，利用基于高维特征编码的数据驱动模型进行实时预测。
优选地，所述的数据获取服务器包括数据爬取单元、数据过滤单元和数据统计单元。
其中，数据爬取单元，用于爬取铁路开行列车和售票信息、飞机开行航班和售票信息，以及道路交通路况信息，天气、重大活动等外部事件信息；数据过滤单元，用于对数据爬取单元爬取到的数据进行数据一致性检查，以及无效数据、缺失值、重复数据处理；数据统计单元，用于对数据过滤单元过滤后的数据进行分时间、分空间的统计，获得节假日期间分时的长途出发和到达需求信息，分时城市交通路况信息、天气、活动信息，获得出行意愿强度。
优选地，数据管理服务器包括外部交通数据存储单元、城市轨道交通数据存储单元、城市POI数据存储单元、事件特征存储单元、预测数据存储单元和数据管理单元，数据管理单元与其它各个单元连接。
所述外部交通数据存储单元，用于存储分时的铁路列车定员售票、航空航班定员售票、道路路况信息；
所述城市轨道交通数据存储单元，用于存储路网结构、列车计划、客流出行历史信息；
所述城市POI数据，用于存储地铁车站周边的POI数据现状以及POI的变化信息；
所述事件特征存储单元，用于存储天气、活动对应的出行意愿强度信息；
所述预测数据存储单元，用于存储历史预测和当前预测结果数据，及其对应的典型事件、交通信息，并存储预测精度的统计指标数据；
所述数据管理单元，用于实现数据的导入、查询、编辑、更新、同步与保护。
优选地，所述基础模型服务器包括OD分类模型单元，重力模型单元、出行意愿分级模型单元和数据驱动模型单元。
所述OD分类模型单元，用于根据车站类别和节日类别，按照影响程度对OD进行分类；
所述重力模型单元，用于根据POI数据、铁路列车和航空航班信息、城市轨道交通运行计划，构建城市轨道交通出行重力模型，拟合不同分类OD的重力模型参数，计算节假日城市轨道交通OD分布需求；
所述出行意愿分级模型单元，用于对节假日出行按照出行意愿进行分级，不同分级对应不同的出行强化影响系数，系数的大小体现外部事件对出行意愿影响的程度，分级模型还根据天气、活动等外部事件，计算得到不同种类OD的各分级发生概率；
所述数据驱动模型单元，用于构建重力模型预测的路网大流量OD、外部事件以及实时进出站客流信息与待预测的大流量车站的实时客流变化之间的关系模型，使用能够体现高维特征编码的深度神经网络模型，供实时客流预测单元调用。
优选地，所述节假日客流预测服务器包括短时客流预测、实时客流预测和预测可视化单元；
所述短时客流预测单元，用于至少提前一天预测节假日出行的重点OD量、进出站量、换乘量和断面流量，短时客流预测单元利用基础模型服务器中的重力模型进行第一步预测，再利用出行意愿分级模型中的结果，对重力模型计算出的出行量进行加权调节，作为路网OD客流分布预测结果，进一步对DO客流分布进行常规的统计和仿真推演，则可以获得车站进出站客流量、换乘客流量和断面客流量的预测；
所述实时客流预测单元，用于在预测当天向后一段时间的进站、出站、换乘和断面，实时客流预测单元利用实时路况、航班、外部事件和客流数据的获取，更新重力模型参数和出行意愿分级系数，将重力模型、出行意愿分级和路网实时客流数据作为高维特征模型输入，进行实时客流预测，此处的高维特征模型可以选取机器学习中的编码器模型；
所述预测可视化单元，用于通过可视化的形式接收的用户需要，包括待预测节假日时间和空间位置选择，以及预测结果的查看和历史预测的查询。
本发明实施例提供的一种预测可视化单元的结构如图2所示，包括四个模块，分别为预测参数设置、预测结果查看、预测历史查询和预测结果图形展示。各个模块显示的内容及具有的功能见下表。
表1预测可视化单元模块功能
图3为本发明实施例提供的一种OD分类示意图，根据车站周围环境，将OD划分为热门景区、一般景区、长途接驳、居民、办公以及其他六个类别。
图4为本发明实施例提供的一种重力模型示意图，根据车站周边POI数据和节假日的时段，计算得到交通产生量；根据火车和民航的售票信息，计算得到交通吸引量；据地铁开行列车信息和道路交通路况，计算得到交通阻抗；根据不同场景下的历史数据将上述交通产生量、交通吸引量和交通阻抗代入重力模型拟合参数。
图5为本发明实施例提供的一种出行意愿分级示意图，参照图5，假设分级为m种，每种分级对应0-1的系数；将天气、活动等外部事件作用于各个类别的OD，如类别为n种，每类OD，对于所有的意愿分级，使用历史数据拟合得到对应的概率P。
图6为本发明实施例提供的一种短时客流预测流程图，参照图6，遍历所有OD分类，参照OD分类，选取合适的参数利用重力模型进行预测，再利用出行意愿分级模型中的结果，对重力模型计算出的出行量进行加权调节，作为路网OD客流分布预测结果；遍历结束后，根据DO客流分布进行常规仿真推演，对仿真结果进行统计，获得车站进出站客流量、换乘客流量和断面客流量的预测。
图7为本发明实施例提供的一种实时客流预测流程图，参照图7，利用实时路况、航班和外部事件信息，更新重力模型参数和出行意愿分级，将重力模型的OD预测结果、出行意愿分级系数和路网实时客流数据作为数据驱动模型的高维特征输入，进行实时客流预测，得到进站、出站、换乘和关联的断面客流预测结果。
综上所述，本发明实施例的方法的有益效果主要体现在：
(1)综合考虑铁路开行列车和售票信息、飞机开行航班和售票信息，以及道路交通路况信息，以提高重力模型为核心的节假日客流预测准确度；
(2)基于天气、重大活动等外部事件信息因素，以及OD分类，进行出行意愿的分级概率计算，调节重力模型计算结果，提高节假日短时客流预测准确度；
(3)利用实时数据，组合重力模型和数据驱动模型，提高城市轨道交通实时客流预测准确度。可以为节假日客运组织提供出行OD需求预测，提高客运组织的科学合理性。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统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劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种城市轨道交通节假日客流预测系统，其特征在于，包括：节假日客流预测服务器、基础模型服务器、数据管理服务器和数据获取服务器，所述的节假日客流预测服务器分别与基础模型服务器、数据管理服务器和数据获取服务器连接，所述数据获取服务器与所述数据管理服务器连接；
所述数据获取服务器，用于爬取、过滤并统计不同城市之间的长途交通数据、城市兴趣点POI数据和事件数据，向数据管理服务器发送所有的数据；
所述数据管理服务器，用于存储并管理数据获取服务器发送过来的外部交通数据与事件特征数据，城市轨道交通其他运营系统接入的内部数据，以及节假日预测服务器产生的预测数据；
所述基础模型服务器，用于提供重力模型、起点到终点OD分类模型和出行意愿分级模型和数据驱动模型；
所述节假日客流预测服务器，用于基于数据管理服务器中存储的数据调用基础模型服务器中的OD分类模型、重力模型和出行意愿分级模型进行节假日短时客流预测；在短时客流预测的基础上，调用基础模型服务器中的基于高维特征编码的数据驱动模型进行实时节假日OD客流预测；
所述基础模型服务器包括OD分类模型单元、重力模型单元、出行意愿分级模型单元和数据驱动模型单元；
所述OD分类模型单元，用于根据车站类别和节日类别按照影响程度对城市轨道交通OD进行分类；将OD划分为热门景区、一般景区、长途接驳、居民、办公以及其他六个类别；
所述重力模型单元，用于根据POI数据、铁路列车信息、航空航班信息和城市轨道交通运行计划，构建城市轨道交通出行重力模型，拟合不同分类OD的重力模型参数，计算节假日城市轨道交通OD分布需求；
根据车站周围环境，根据车站周边POI数据和节假日的时段，计算得到交通产生量；根据火车和民航的售票信息，计算得到交通吸引量；据地铁开行列车信息和道路交通路况，计算得到交通阻抗；根据不同场景下的历史数据将上述交通产生量、交通吸引量和交通阻抗代入重力模型拟合参数；
所述出行意愿分级模型单元，用于对节假日出行按照出行意愿进行分级，不同分级对应不同的出行强化影响系数，根据外部事件计算出不同种类OD的各分级发生概率；
所述数据驱动模型单元，用于构建重力模型预测的路网大流量OD、外部事件以及实时进出站客流信息与待预测的大流量车站的实时客流变化之间的关系模型；
所述节假日客流预测服务器包括：
短时客流预测单元，用于利用基础模型服务器中的重力模型至少提前一天预测节假日出行的重点OD量、进出站量、换乘量和断面流量，遍历所有OD分类，参照OD分类，选取参数利用重力模型进行预测，再利用出行意愿分级模型中的不同种类OD的各分级发生概率，对重力模型计算出的出行量进行加权调节，作为路网OD客流分布预测结果；遍历结束后，根据DO客流分布进行常规仿真推演，对仿真结果进行统计，获得车站进出站客流量、换乘客流量和断面客流量的预测；
实时客流预测单元，用于利用实时路况、航班、外部事件和客流数据信息更新重力模型参数和出行意愿分级系数，将更新后的重力模型、出行意愿分级和路网实时客流数据作为高维特征的数据驱动模型的输入，利用数据驱动模型进行实时客流预测，预测当天向后一段时间的进站、出站、换乘和断面；
预测可视化单元，用于通过可视化的形式接收用户需要，该用户需要包括待预测节假日时间和空间位置选择，提供预测结果的查看和历史预测的查询功能。
2.根据权利要求1所述的系统，其特征在于，所述的数据获取服务器包括数据爬取单元、数据过滤单元和数据统计单元；
所述的数据爬取单元，用于爬取铁路开行列车和售票信息、飞机开行航班和售票信息，以及道路交通路况信息和外部事件信息；
所述的数据过滤单元，用于对数据爬取单元爬取到的数据进行数据一致性检查，以及无效数据、缺失值、重复数据处理；
所述的数据统计单元，用于对数据过滤单元过滤后的数据进行分时间、分空间的统计，获得节假日期间分时的长途出发和到达需求信息，分时城市交通路况信息、天气、活动信息，获得出行意愿强度，将获取的信息发送给数据管理服务器。
3.根据权利要求1所述的系统，其特征在于，所述的数据管理服务器包括外部交通数据存储单元、城市轨道交通数据存储单元、城市POI数据存储单元、事件特征存储单元、预测数据存储单元和数据管理单元；
所述外部交通数据存储单元，用于存储分时的铁路列车定员售票、航空航班定员售票、道路路况信息；
所述城市轨道交通数据存储单元，用于存储路网结构、列车计划和客流出行历史信息；
所述城市POI数据，用于存储地铁车站周边的POI数据现状以及POI的变化信息；
所述事件特征存储单元，用于存储天气、活动对应的出行意愿强度信息；
所述预测数据存储单元，用于存储历史预测和当前预测结果数据，及其对应的典型事件、交通信息，并存储预测精度的统计指标数据；
所述数据管理单元，用于实现数据的导入、查询、编辑、更新、同步与保护。
4.根据权利要求1所述的系统，其特征在于，所述出行意愿分级包括m种分级，每种分级对应0-1的系数；将外部事件作用于各个类别的OD，每类OD对于所有的意愿分级使用历史数据拟合得到对应的概率P。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110819401.XA CN113762590B (zh) | 2021-07-20 | 2021-07-20 | 一种城市轨道交通节假日客流预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110819401.XA CN113762590B (zh) | 2021-07-20 | 2021-07-20 | 一种城市轨道交通节假日客流预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762590A CN113762590A (zh) | 2021-12-07 |
| CN113762590B true CN113762590B (zh) | 2023-08-01 |
Family
ID=78787748
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110819401.XA Active CN113762590B (zh) | 2021-07-20 | 2021-07-20 | 一种城市轨道交通节假日客流预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762590B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139836B (zh) * | 2022-01-29 | 2022-05-31 | 北京航空航天大学杭州创新研究院 | 基于重力学多层三维残差网络的城市od人流预测方法 |
| CN115204485B (zh) * | 2022-07-08 | 2023-05-26 | 深圳市规划国土发展研究中心 | 一种基于灰色理论和重力模型的跨境客流预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779241A (zh) * | 2016-12-30 | 2017-05-31 | 上海仪电物联技术股份有限公司 | 一种轨道交通短期客流预测方法 |
| CN110619419A (zh) * | 2019-07-30 | 2019-12-27 | 北京交通大学 | 城市轨道交通的客流预测方法 |
| CN111144281A (zh) * | 2019-12-25 | 2020-05-12 | 东南大学 | 基于机器学习的城市轨道交通od客流估计方法 |
| CN111985716A (zh) * | 2020-08-21 | 2020-11-24 | 北京交通大学 | 一种客运信息可视化的客运量预测系统 |
| CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测系统及预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
-
2021
- 2021-07-20 CN CN202110819401.XA patent/CN113762590B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779241A (zh) * | 2016-12-30 | 2017-05-31 | 上海仪电物联技术股份有限公司 | 一种轨道交通短期客流预测方法 |
| CN110619419A (zh) * | 2019-07-30 | 2019-12-27 | 北京交通大学 | 城市轨道交通的客流预测方法 |
| CN111144281A (zh) * | 2019-12-25 | 2020-05-12 | 东南大学 | 基于机器学习的城市轨道交通od客流估计方法 |
| CN111985716A (zh) * | 2020-08-21 | 2020-11-24 | 北京交通大学 | 一种客运信息可视化的客运量预测系统 |
| CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测系统及预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 城市轨道交通客流分布短时预测模型研究及应用;周玮腾;韩宝明;李得伟;郑宣传;;城市轨道交通研究(第02期);全文 * |
| 火车站综合交通客运枢纽客流与设施容量预测分析;黄坤鹏;杨玉丽;杨晓熙;;交通标准化(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762590A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Large-scale order dispatch in on-demand ride-hailing platforms: A learning and planning approach | |
| US10733888B2 (en) | Adjusting vehicle timing in a transportation network | |
| CN113762590B (zh) | 一种城市轨道交通节假日客流预测系统 | |
| Ma et al. | T-share: A large-scale dynamic taxi ridesharing service | |
| CN107038886B (zh) | 一种基于轨迹数据的出租车巡游路径推荐方法和系统 | |
| CN110705747A (zh) | 一种基于大数据的智慧公共交通云脑体系 | |
| CN108198416A (zh) | 一种手机信令与路网大数据的融合方法及其应用与系统 | |
| US20030004780A1 (en) | Method and system for integrating weather information with enterprise planning systems | |
| US20080027772A1 (en) | System and method for optimizing a transit network | |
| CN110431572A (zh) | 用于管理地理位置中的资产的系统和方法 | |
| CN103530704A (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
| CN103065205A (zh) | 三维智能交通枢纽客流时空分析与预测系统 | |
| CN104641387A (zh) | 公共运输导航器 | |
| Li et al. | The forecasting of passenger demand under hybrid ridesharing service modes: A combined model based on WT-FCBF-LSTM | |
| CN109902930A (zh) | 一种基于实有人口指标的配套设施规划辅助系统 | |
| CN111311038A (zh) | 交通管理与控制服务指数的评价方法 | |
| Boffey et al. | Two approaches to scheduling container ships with an application to the north atlantic route | |
| CN114519454A (zh) | 一种基于游客时空行为模式挖掘的景区客流实时预测方法 | |
| CN109118412B (zh) | 城市轨道交通网络客流在线控制系统 | |
| CN111625604B (zh) | 一种基于区块链的出行服务质量高可信评价系统与方法 | |
| CN110288125A (zh) | 一种基于手机信令数据的通勤模型建立方法及应用 | |
| CN114154695A (zh) | 一种基于迁移学习的城市轨道交通短时客流预测方法 | |
| Santani et al. | Spatio-temporal efficiency in a taxi dispatch system | |
| CN110349428A (zh) | 识别用户是否正在前往公交站点的方法及装置 | |
| Li-Jun et al. | Evaluation of the reliability of bus service based on gps and smart card data |
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 |