CN113792907A - 一种铁路客站的客流预测方法、装置及存储介质 - Google Patents
一种铁路客站的客流预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113792907A CN113792907A CN202110900573.XA CN202110900573A CN113792907A CN 113792907 A CN113792907 A CN 113792907A CN 202110900573 A CN202110900573 A CN 202110900573A CN 113792907 A CN113792907 A CN 113792907A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- predicted
- attribute
- passenger
- data
- 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 49
- 238000009499 grossing Methods 0.000 claims description 6
- 238000013213 extrapolation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种铁路客站的客流预测方法、装置及存储介质,方法包括以下步骤:S1、设置客流数据的属性,所述属性的数量为多个;S2、确定待预测的客站和待预测的日期,获取待预测客站在待预测日期对应每一种属性的历史数据,基于各个属性的历史数据计算得到每种属性对应的客流预测值;S3、合并不同属性所对应的客流预测值,得到待预测客站在待预测日期的结果客流预测值。与现有技术相比,本发明充分利用铁路客站内部的历史数据,根据需要为客流数据设置属性,直接针对客站特征进行客流预测,计算量低,速度快,预测值的准确度高。
Description
技术领域
本发明涉及铁路交通运输技术领域,尤其是涉及一种铁路客站的客流预测方法、装置及存储介质。
背景技术
近年来,随着高速铁路的建设,城际交通规模不断增长,铁路站点是城市交通运输枢纽中的关键一环,是交通运输领域的重要节点。客运站的人流量关系到客运站的运营管理、统筹规划,因此,铁路客站客流量的精准预测对于铁路经营、客运生产、客站运维都具有重要意义。
目前铁路客站客流短时预测主要有参数模型、非参模型与混合算法三大类。参数模型类预测方法包括但不限于指数平滑模型、非线性回归、ARIMA、卡尔曼滤波等方法,这类方法在客流预测中的应用较早;非参模型类预测方法包括但不限于LSTM、XGBoost等方法,神经网络模型的适应性广,能够基于历史数据进行预测;混合算法则结合了参数模型类方法与非参模型类方法,相较于单一模型的性能更好,预测效果也较优。
虽然上述方法的预测精度较高,但计算量较大,需要的数据较多,复杂度高。针对铁路客站客流的特点,需要直接针对铁路客站客流的特征,发展一种充分利用铁路内部数据、可扩展、计算量低的铁路客站客流预测方法及装置。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种铁路客站的客流预测方法、装置及存储介质,充分利用铁路客站内部的历史数据,根据需要为客流数据设置属性,直接针对客站特征进行客流预测,计算量低,速度快,预测值的准确度高。
本发明的目的可以通过以下技术方案来实现:
一种铁路客站的客流预测方法,包括以下步骤:
S1、设置客流数据的属性,所述属性的数量为多个;
S2、确定待预测的客站和待预测的日期,获取待预测客站在待预测日期对应每一种属性的历史数据,基于各个属性的历史数据计算得到每种属性对应的客流预测值;
S3、合并不同属性所对应的客流预测值,得到待预测客站在待预测日期的结果客流预测值。
进一步的,客流数据的属性至少包括日期属性、星期属性、节日属性、作业属性和预售属性中的一种或多种,在对某一天的客站客流数据进行预测时,日期属性表示该日的日期,星期属性表示该日的星期值,假日属性表示该日是什么节日,作业属性表示该日属于春运或暑运,预售属性表示该日的客流量是否可以通过相邻日期的铁路客票预售数据来计算。
进一步的,客流数据的属性数量可以根据铁路车站的情况不断扩展,不同的车站也可以设置不同的属性,比如可以扩展客流数据所对应的运能属性,表示客站对应的总客运运能,以及天气属性、活动属性等,表示天气以及举办的活动、会议等对客流的影响。
更进一步的,对应日期属性的历史数据是邻近日期的客流数据,对应星期属性的历史数据是历史上相同星期值的客流数据,对应节日属性的历史数据是历史上相同节日的客流数据,对应作业属性的历史数据是历史上相同作业期间的客流数据,所述作业期间包括春运和暑运,对应预售属性的历史数据是邻近日期的客票预售数据。
进一步的,步骤S2中,使用线性外推法计算每种属性对应的客流预测值。
进一步的,步骤S2中,使用滤波平滑法计算每种属性对应的客流预测值。
进一步的,步骤S3中,合并不同属性所对应的客流预测值的方法是求和合并,以所有属性所对应的客流预测值的平均值作为最终的结果客流预测值。
进一步的,步骤S3中,合并不同属性所对应的客流预测值的方法是选择性合并,根据历史预测误差动态选择一个属性所对应的客流预测值作为最终的结果客流预测值,所述历史预测误差是基于历史上各种属性所对应的客流预测值与实际客流值之间的误差确定的。
进一步的,步骤S3中,合并不同属性所对应的客流预测值的方法是子集合并,根据历史预测误差动态选择多个属性所对应的客流预测值的平均值作为最终的结果客流预测值,所述历史预测误差是基于历史上各种属性所对应的客流预测值与实际客流值之间的误差确定的。
一种铁路客站的客流预测装置,基于如上所述的铁路客站的客流预测方法,包括客流数据属性设置部、属性客流预测值并行计算部和属性客流预测值合并部;
所述客流数据属性设置部用于设置客流数据的属性;
所述属性客流预测值并行计算部用于计算每种属性对应的客流预测值;
所述属性客流预测值合并部用于合并所有属性所对应的客流预测值,得到最终的结果客流预测值。
一种计算机存储介质,其上存储有可执行的计算机程序,所述计算机程序被执行时实现如上所述的铁路客站的客流预测方法。
与现有技术相比,本发明具有以下有益效果:
(1)充分利用铁路客站内部的历史数据,根据需要为客流数据设置属性,直接针对客站特征进行客流预测,计算量低,速度快,预测值的准确度高。
(2)计算每种属性对应的客流预测值时,根据每种属性的历史数据的特点,使用线性外推法或滤波平滑法预测得到客流预测值。
(3)得到多个不同属性的客流预测值后,根据这些属性的历史预测误差灵活选择一个或合并多个客流预测值作为最终的结果客流预测值,进一步提高了预测准确度。
附图说明
图1为客流预测方法的流程示意图;
图2为客流预测装置的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1:
一种铁路客站的客流预测方法,如图1所示,包括以下步骤:
S1、设置客流数据的属性,属性的数量为多个;
S2、确定待预测的客站和待预测的日期,获取待预测客站在待预测日期对应每一种属性的历史数据,基于各个属性的历史数据计算得到每种属性对应的客流预测值;
S3、合并不同属性所对应的客流预测值,得到待预测客站在待预测日期的结果客流预测值。
一种铁路客站的客流预测装置,如图2所示,包括客流数据属性设置部、属性客流预测值并行计算部和属性客流预测值合并部;
客流数据属性设置部用于设置客流数据的属性;
属性客流预测值并行计算部用于计算每种属性对应的客流预测值;
属性客流预测值合并部用于合并所有属性所对应的客流预测值,得到最终的结果客流预测值。
一种计算机存储介质,其上存储有可执行的计算机程序,计算机程序被执行时实现上述一种铁路客站的客流预测方法。
客流数据的属性至少包括日期属性、星期属性、节日属性、作业属性和预售属性中的一种或多种,在对某一天的客站客流数据进行预测时,日期属性表示该日的日期,星期属性表示该日的星期值,假日属性表示该日是什么节日,作业属性表示该日属于春运或暑运,预售属性表示该日的客流量是否可以通过相邻日期的铁路客票预售数据来计算。
客流数据的属性数量可以根据铁路车站的情况不断扩展,不同的车站也可以设置不同的属性,比如可以扩展客流数据所对应的运能属性,表示客站对应的总客运运能,以及天气属性、活动属性等,表示天气以及举办的活动、会议等对客流的影响。
对应日期属性的历史数据是邻近日期的客流数据,对应星期属性的历史数据是历史上相同星期值的客流数据,对应节日属性的历史数据是历史上相同节日的客流数据,对应作业属性的历史数据是历史上相同作业期间的客流数据,作业期间包括春运和暑运,对应预售属性的历史数据是邻近日期的客票预售数据。
本实施例中,设置的客流数据的属性包括:日期属性、节日属性和预售属性,在其他实施方式中可以根据需要减少或扩展属性。待预测的客站为客站A,待预测日期是2021年6月1日,儿童节,则获取客站A在2021年6月1日邻近日期(向前一周或其他时间)的客流量,使用线性外推法或滤波平滑法预测得到日期属性对应的客流预测值,获取客站A历史上儿童节的客流量,使用线性外推法或滤波平滑法预测得到节日属性对应的客流预测值,获取客站A在2021年6月1日邻近日期(向前一周或其他时间)的客票预售数据,基于客票预售数据预测得到预售属性对应的客流预测值。
之后,合并不同属性所对应的客流预测值,合并方法可以是求和合并、选择合并和子集合并。
求和合并是以所有属性所对应的客流预测值的平均值作为最终的结果客流预测值。
选择合并是根据历史预测误差动态选择一个属性所对应的客流预测值作为最终的结果客流预测值,历史预测误差是基于历史上各种属性所对应的客流预测值与实际客流值之间的误差确定的,可以选择误差最小的属性所对应的客流预测值作为最终的结果客流预测值。
子集合并是根据历史预测误差动态选择多个属性所对应的客流预测值的平均值作为最终的结果客流预测值,历史预测误差是基于历史上各种属性所对应的客流预测值与实际客流值之间的误差确定的,可以选择误差较小的几个属性所对应的客流预测值,取平均值作为最终的结果客流预测值。
历史预测误差的确定如下:在2021年6月1日之前,每一天的实际客流值为已知数据,如2021年5月20日的实际客流值是已知的,在5月20日根据日期属性得到的客流预测值也是已知的,这样可以计算出5月20日日期属性所对应的客流预测值与实际客流值之间的误差,同理,得到历史上多个日期各个属性所对应的客流预测值与实际客流值之间的误差,综合平均得到历史预测误差。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种铁路客站的客流预测方法,其特征在于,包括以下步骤:
S1、设置客流数据的属性,所述属性的数量为多个;
S2、确定待预测的客站和待预测的日期,获取待预测客站在待预测日期对应每一种属性的历史数据,基于各个属性的历史数据计算得到每种属性对应的客流预测值;
S3、合并不同属性所对应的客流预测值,得到待预测客站在待预测日期的结果客流预测值。
2.根据权利要求1所述的一种铁路客站的客流预测方法,其特征在于,客流数据的属性至少包括日期属性、星期属性、节日属性、作业属性和预售属性中的一种或多种。
3.根据权利要求2所述的一种铁路客站的客流预测方法,其特征在于,对应日期属性的历史数据是邻近日期的客流数据,对应星期属性的历史数据是历史上相同星期值的客流数据,对应节日属性的历史数据是历史上相同节日的客流数据,对应作业属性的历史数据是历史上相同作业期间的客流数据,所述作业期间包括春运和暑运,对应预售属性的历史数据是邻近日期的客票预售数据。
4.根据权利要求1所述的一种铁路客站的客流预测方法,其特征在于,步骤S2中,使用线性外推法计算每种属性对应的客流预测值。
5.根据权利要求1所述的一种铁路客站的客流预测方法,其特征在于,步骤S2中,使用滤波平滑法计算每种属性对应的客流预测值。
6.根据权利要求1所述的一种铁路客站的客流预测方法,其特征在于,步骤S3中,合并不同属性所对应的客流预测值的方法是求和合并,以所有属性所对应的客流预测值的平均值作为最终的结果客流预测值。
7.根据权利要求1所述的一种铁路客站的客流预测方法,其特征在于,步骤S3中,合并不同属性所对应的客流预测值的方法是选择性合并,根据历史预测误差动态选择一个属性所对应的客流预测值作为最终的结果客流预测值,所述历史预测误差是基于历史上各种属性所对应的客流预测值与实际客流值之间的误差确定的。
8.根据权利要求1所述的一种铁路客站的客流预测方法,其特征在于,步骤S3中,合并不同属性所对应的客流预测值的方法是子集合并,根据历史预测误差动态选择多个属性所对应的客流预测值的平均值作为最终的结果客流预测值,所述历史预测误差是基于历史上各种属性所对应的客流预测值与实际客流值之间的误差确定的。
9.一种铁路客站的客流预测装置,其特征在于,基于如权利要求1-8中任一所述的铁路客站的客流预测方法,包括客流数据属性设置部、属性客流预测值并行计算部和属性客流预测值合并部;
所述客流数据属性设置部用于设置客流数据的属性;
所述属性客流预测值并行计算部用于计算每种属性对应的客流预测值;
所述属性客流预测值合并部用于合并所有属性所对应的客流预测值,得到最终的结果客流预测值。
10.一种计算机存储介质,其上存储有可执行的计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1-8中任一所述的铁路客站的客流预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900573.XA CN113792907A (zh) | 2021-08-06 | 2021-08-06 | 一种铁路客站的客流预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110900573.XA CN113792907A (zh) | 2021-08-06 | 2021-08-06 | 一种铁路客站的客流预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113792907A true CN113792907A (zh) | 2021-12-14 |
Family
ID=78877197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110900573.XA Pending CN113792907A (zh) | 2021-08-06 | 2021-08-06 | 一种铁路客站的客流预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792907A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128160A (zh) * | 2023-04-04 | 2023-05-16 | 北京经纬信息技术有限公司 | 一种铁路车站高峰客流预测方法、系统及设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458325A (zh) * | 2019-07-03 | 2019-11-15 | 青岛海信网络科技股份有限公司 | 一种交通区域短时客流预测方法及装置 |
CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
CN111178598A (zh) * | 2019-12-16 | 2020-05-19 | 中国铁道科学研究院集团有限公司 | 铁路客运站客流量预测方法、系统、电子设备及存储介质 |
CN111860992A (zh) * | 2020-07-13 | 2020-10-30 | 上海云角信息技术有限公司 | 客流量预测方法、装置、设备及存储介质 |
-
2021
- 2021-08-06 CN CN202110900573.XA patent/CN113792907A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458325A (zh) * | 2019-07-03 | 2019-11-15 | 青岛海信网络科技股份有限公司 | 一种交通区域短时客流预测方法及装置 |
CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
CN111178598A (zh) * | 2019-12-16 | 2020-05-19 | 中国铁道科学研究院集团有限公司 | 铁路客运站客流量预测方法、系统、电子设备及存储介质 |
CN111860992A (zh) * | 2020-07-13 | 2020-10-30 | 上海云角信息技术有限公司 | 客流量预测方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128160A (zh) * | 2023-04-04 | 2023-05-16 | 北京经纬信息技术有限公司 | 一种铁路车站高峰客流预测方法、系统及设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Toqué et al. | Short & long term forecasting of multimodal transport passenger flows with machine learning methods | |
CN110866649B (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
Parr | An alternative to the Rayleigh curve model for software development effort | |
CN104636828B (zh) | 基于马尔科夫链的公共自行车站点供需预测方法 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN113326974A (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
CN105608528A (zh) | 基于大数据分析的出租车驾驶员收入-压力评估方法和系统 | |
CN113792907A (zh) | 一种铁路客站的客流预测方法、装置及存储介质 | |
CN113935505A (zh) | 基于列生成和蚁群算法融合的共享电动汽车运营优化方法 | |
Liu et al. | Data analytics approach for train timetable performance measures using automatic train supervision data | |
Liang et al. | Bike sharing demand prediction based on knowledge sharing across modes: A graph-based deep learning approach | |
Askari et al. | Taxi demand prediction using an LSTM-based deep sequence model and points of interest | |
CN111353625A (zh) | 一种网点件量预测方法、装置、设备及存储介质 | |
Shao et al. | Simulation of truck arrivals at container terminal based on the interactive truck appointment system | |
Tian et al. | Expressway traffic flow forecasting based on SF-RF model via ETC data | |
Li et al. | Short-term traffic demand prediction using graph convolutional neural networks | |
CN114757418A (zh) | 共享单车需求量预测模型的训练方法、系统和设备 | |
Ruch et al. | The impact of fleet coordination on taxi operations | |
CN115238487A (zh) | 氢燃料电池公交客车调度算法的仿真分析评价方法 | |
CN108830509B (zh) | 一种巡游出租车运力规模动态调整方法 | |
Jiaqi et al. | Dynamic rebalancing for bike-sharing systems under inventory interval and target predictions | |
Lee et al. | Judgmental adjustment in time series forecasting using neural networks |
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 |