CN113987944A - 基于Prophet模型的地铁进站客流预测方法及装置 - Google Patents
基于Prophet模型的地铁进站客流预测方法及装置 Download PDFInfo
- Publication number
- CN113987944A CN113987944A CN202111274443.6A CN202111274443A CN113987944A CN 113987944 A CN113987944 A CN 113987944A CN 202111274443 A CN202111274443 A CN 202111274443A CN 113987944 A CN113987944 A CN 113987944A
- Authority
- CN
- China
- Prior art keywords
- data
- passenger flow
- inbound
- time
- inbound passenger
- 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 23
- 230000000737 periodic effect Effects 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 230000003203 everyday effect Effects 0.000 claims abstract description 8
- 230000002354 daily effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 241000728173 Sarima Species 0.000 description 5
- 230000037211 monthly cycles Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于Prophet模型的地铁进站客流预测方法,具体包括以下步骤:S1、读取AFC进站客流历史数据;S2:根据所述进站客流历史数据,获取假日时间数据;S3:根据所述进站客流历史数据与预设时间间隔T,获取每天不同时间间隔T内的进站客流数据;S4:根据所述进站客流历史数据,获取进站客流的周期性数据;S5:将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换,得到与Prophet模型的数据格式相匹配的数据;S6:将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。本发明的地铁进站客流预测方法可以使得预测计算时间减少,更快的得到结果。计算结果也更精确。
Description
技术领域
本发明涉及轨道交通领域,具体涉及基于Prophet模型的地铁进站客流预测方法及装置。
背景技术
近年来,随着人民生活水平的提高,人们对地铁客运服务的要求也逐渐提高。地铁部门为了提高运输服务能力,需要了解日常的地铁客运流量、淡旺季客流量波动指数和冷门线路情况等。其中,对客流量的充分了解和预测是提高铁路客运服务能力的首要前提,因此,对铁路客流量预测分析是目前一个重点的研究方向。目前客流预测技术通常使用SARIMA模型、神经网络等算法进行预测,但是这些算法预测通常训练时长都比较大。使用Prophet模型预测,可以在保证预测准确性的同时,在计算效率上比SARIMA模型、神经网络等有较大的提升。
发明内容
本发明的目的在于提供一种基于Prophet模型的地铁进站客流预测方法及装置,针对地铁客流量变化受到季节周期、突发事件和节假日等因素影响的现象,将经过预处理的客流量数据进行标准化得到进站客流量时间序列,构建节假日数据,周期性数据、时间间隔T内的进站客流量统计,并依此建立Prophet预测模型。用以解决现有现有模型预测客流时间较长的问题。
基于Prophet模型的地铁进站客流预测方法,具体包括以下步骤:
S1、读取AFC进站客流历史数据;
S2:根据所述进站客流历史数据,获取假日时间数据;
S3:根据所述进站客流历史数据与预设时间间隔T,获取每天不同时间间隔T内的进站客流数据;
S4:根据所述进站客流历史数据,获取进站客流的周期性数据;
S5:将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换,得到与Prophet模型的数据格式相匹配的数据;
S6:将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。
经过prophet对原始数据分析后,得到的周期性和趋势性图。趋势性图是在剔除周期性后的所有数据,如图3所示的代表每周/每天的趋势图,从图中可以看出周中数值较小,每周首尾数值较大,每天呈先降后升的趋势。
预测数据用于预测地铁进站客流数,当客流数大于阈值时增加值班人员数,从而应对大客流的到来,根据预测客流数的变化动态合理进行值班人员排班,使地铁的运营效率提升。
如图4所述,原始数据、prophet模型预测数据与SARIMA模型预测数据的对比图。其中,训练集为基于10月1日至30日的数据,测试集是10月31日的预测,其中prophet预测的MSE(均方误差)是725820062,SARIMA预测的MSE(均方误差)是1372876479,因此使用prophet模型进行地铁进站客流预测的准确性更高。
进一步地,步骤S4具体包括以下步骤:
S401、将周期设定为1个月;
S402、以1个月为间隔,将所述进站客流历史数据划分为多个月区间的数据,每个区间的时间长度为1个月;
S403、遍历所述多个月区间的数据,判断是否存在连续6个月及6个月以上的相近数据:若存在,则将此1个月作为所述进站客流的周期性数据;若不存在,则将周期设定为1周,转步骤S404;
S404、以1周为间隔,将所述进站客流历史数据划分为多个周区间的数据,每个周区间的时间长度为1周;
S405、遍历所述多个周区间的数据,判断是否存在连续6周及6周以上的相近数据:若存在,则将此1周作为所述进站客流的周期性数据;若不存在,则将周期设定为1日,转步骤S406;
S406、以1日为间隔,将所述进站客流历史数据划分为多个日区间的数据,每个日区间的时间长度为1日;
S407、遍历所述多个日区间的数据,判断是否存在连续6日及6日以上的相近数据:若存在,则将此1日作为所述进站客流的周期性数据。
进一步地,所述相近数据为:遍历下一个区间的数据集N2与上一个区间的数据集N1,判断数据集N2的数据n2与数据集N1对应的数据n1是否满足n1*0.9<=n2<=n1*1.1,若满足判定数据N2与数据N1为相似数据。
进一步地,所述步骤S3具体包括以下步骤:
根据预设的时间间隔T,把每天划分为多个时段,每个时段的时长为T;
根据所述多个时段,将所述进站客流历史数据划分为对应多个时段的进站客流数据;
统计每个时段的进站客流数据,得到时间间隔T内的进站客流数据。
进一步地,所述Prophet模型的数据格式为一个包含两列的数据框:ds和y,ds列为时间序列YYYY-MM-DD,y列为数值变量,表示我们时间信息对应的客流数据:
将所述假日时间数据进行格式转换,得到y列为节假日的信息,ds列为节假日信息相对应的时间;
时间间隔T内的进站客流数据进行格式转换,得到ds列为发生此事件的时间信息,y列为时间间隔T内的进站客流数据
进一步地,所述地铁进站客流的预测数据为根据可选的预测时长获得相对应的预测数据。
进一步地,所述周期性数据包括三个标志位月/周/日,用FALSE/TRUE表示Prophet模型模型是否有月/周/日的周期性。
进一步地,所述的Prophet模型为:y(t)=g(t)+s(t)+h(t)+εt,g(t)是趋势变化函数,用来分析时间序列中非周期性的变化,s(t)是季节周期项,以年或以周为单位,h(t)属于节假日项,表示节假日因素造成的影响变化,εt是误差项,表示突发事件的影响,建模为高斯噪声。
进一步地,若进站客流数据增长趋势是非线性增长的,g(t)项为逻辑回归函数若进站客流数据增长趋势是线性增长的,g(t)项为线性函数g(t)=(k(t)+a(t)Tδ)t+(m(t)+a(t)Tγ),其中k(t)是是随着时间t变化的增长率,δ是增长率的变化量,m(t)是是增长率的变化量,a(t)表示在t时刻之前突变点发生变化的次数,γ=-s×δ,s为增长率改变时对应的突变点。
基于ProDhet模型的地铁进站客流预测装置,包括:
存储器;
一个或多个处理器;以及
一个或多个模块,存储在存储器中并被配置成由所述一个或多个处理器执行,所述一个或多个模块包括:
读取模块,用于读取AFC进站客流历史数据;
假日数据模块,用于根据所述进站客流历史数据,获取假日时间数据;
间隔数据模块,用于根据所述进站客流历史数据与预设时间间隔T,获取每天不同时间间隔T内的进站客流数据;
周期性数据模块,用于根据所述进站客流历史数据,获取进站客流的周期性数据;
格式转换模块,用于将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换,得到与Prophet模型的数据格式相匹配的数据;
预测模块,用于将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。
该Prophet模型预测输入的数据是train dataframe。其他的参数可以使用模型默认的参数。但是本方法明确地传入了月/周/日的周期性信息、节假日信息。通过传入这些明确的参数可以带来的好处是:
计算时间减少。明确更多的参数可以让模型在拟合计算时运算量更少,因此可以更快的得到结果;
计算结果更精确。通过明确模型的参数,计算结果可以更贴近实际。
本发明具有的有益效果:通过本发明,可以在每天地铁运营开始之前,使用昨日的AFC数据结合过去一个月的历史AFC数据对今天每个地铁站的进站客流进行预测。通过预测结果,地铁运营公司可实时调整地铁线路的运力,使运营高效。
附图说明
图1为本发明的基于Prophet模型的地铁进站客流预测方法流程示意图;
图2为本发明的基于Prophet模型的地铁进站客流预测装置结构示意图;
图3为本发明的基于Prophet模型的地铁进站客流预测图;
图4为本发明的原始数据、prophet模型预测数据与SARIMA模型预测数据的对比图;
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖向”、“纵向”、“侧向”、“水平”、“内”、“外”、“前”、“后”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“开有”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本实施例的目的在于提供一种基于Prophet模型的地铁进站客流预测方法,具体包括:
基于Prophet模型的地铁进站客流预测方法,具体包括以下步骤:
S1、读取AFC进站客流历史数据;
S2:根据所述进站客流历史数据,获取假日时间数据;
S3:根据所述进站客流历史数据与预设时间间隔T,获取每天不同时间间隔T内的进站客流数据;
S4:根据所述进站客流历史数据,获取进站客流的周期性数据;
S5:将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换,得到与Prophet模型的数据格式相匹配的数据;
S6:将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。
具体的,获取假日时间数据方法如下:
查询日历中历史时间是否存在节假日。比如通过日历可知2011-10-1是国庆节假期。把假日信息传入PROPHET模型需要把数据转换为pandas dataframe数据结构,暂且叫这个dataframe的名字是holiday。
具体的,步骤S4具体包括以下步骤:
S401、将周期设定为1个月;
S402、以1个月为间隔,将所述进站客流历史数据划分为多个月区间的数据,每个区间的时间长度为1个月;
S403、遍历所述多个月区间的数据,判断是否存在连续6个月及6个月以上的相近数据:若存在,则将此1个月作为所述进站客流的周期性数据;若不存在,则将周期设定为1周,转步骤S404;
S404、以1周为间隔,将所述进站客流历史数据划分为多个周区间的数据,每个周区间的时间长度为1周;
S405、遍历所述多个周区间的数据,判断是否存在连续6周及6周以上的相近数据:若存在,则将此1周作为所述进站客流的周期性数据;若不存在,则将周期设定为1日,转步骤S406;
S406、以1日为间隔,将所述进站客流历史数据划分为多个日区间的数据,每个日区间的时间长度为1日;
S407、遍历所述多个日区间的数据,判断是否存在连续6日及6日以上的相近数据:若存在,则将此1日作为所述进站客流的周期性数据。
具体的,所述相近数据为:遍历下一个区间的数据集N2与上一个区间的数据集N1,判断数据集N2的数据n2与数据集N1对应的数据n1是否满足n1*0.9<=n2<=n1*1.1,若满足判定数据N2与数据N1为相似数据。
本发明中需要用的周期性数据是三位标志位,表示当前研究的这种模型是否有月/周/日的周期性。周期性是超参数会直接影响预测的结果。获取周期性参数的判定依据如下:
月周期性:把T设置为1个月,判定是否每个月的进站客运总量差距在10%范围内浮动。比如X月数据N1,X+1月数据N2。若N1*0.9<=N2<=N1*1.1,则认为这两个月是相近的。如果连续6个月以上每个月都与上个月是相近的则认为此数据为月周期。
周周期性:与月周期性类似,把T设置为1周,其他不变。
日周期性:与月周期性类似,把T设置为1天,其他不变。
所以根据上述方法可以把周期的数据拿到,比如:月周期:FALSE;周周期:TRUE;日周期:FALSE。
具体的,所述步骤S3具体包括以下步骤:
根据预设的时间间隔T,把每天划分为多个时段,每个时段的时长为T;
根据所述多个时段,将所述进站客流历史数据划分为对应多个时段的进站客流数据;
统计每个时段的进站客流数据,得到时间间隔T内的进站客流数据。
从地铁拉取历史AFC交易数据。AFC交易数据中包含每个乘客进站的时间、进入站点名称信息。
根据设定的时间间隔T(比如5分钟),把每天划分为若干个时段。比如6:00~6:05;6:05~6:10。注意,T是可以变化的,因此保护范围不限于5分钟的时间间隔。
把拿到的AFC交易数据统计加入到划分好的时段内,即可统计得出时间间隔T的进站客流数据。
具体的,所述Prophet模型的数据格式为一个包含两列的数据框:ds和y,ds列为时间序列YYYY-MM-DD,y列为数值变量,表示我们时间信息对应的客流数据:
将所述假日时间数据进行格式转换,得到y列为节假日的信息,ds列为节假日信息相对应的时间,如表1所示:
表1转换格式后的假日时间数据
ds | holiday |
2021-10-01 | 国庆节 |
2021-10-02 | 国庆节 |
2021-10-03 | 国庆节 |
时间间隔T内的进站客流数据进行格式转换,得到ds列为发生此事件的时间信息,y列为时间间隔T内的进站客流数据,如表2所示。
表2转换格式后的时间间隔T内的进站客流数据
ds | y |
2021-10-13 15:00:00 | 100 |
2021-10-13 15:05:00 | 200 |
2021-10-13 15:10:00 | 300 |
具体的,所述地铁进站客流的预测数据为根据可选的预测时长获得相对应的预测数据。
具体的,所述的Prophet模型为:y(t)=g(t)+s(t)+h(t)+εt,g(t)是趋势变化函数,用来分析时间序列中非周期性的变化,s(t)是季节周期项,以年或以周为单位,h(t)属于节假日项,表示节假日因素造成的影响变化,εt是误差项,表示突发事件的影响,建模为高斯噪声。
具体的,若进站客流数据增长趋势是非线性增长的,g(t)项为逻辑回归函数若进站客流数据增长趋势是线性增长的,g(t)项为线性函数g(t)=(k(t)+a(t)Tδ)t+(m(t)+a(t)Tγ),其中k(t)是是随着时间t变化的增长率,δ是增长率的变化量,m(t)是是增长率的变化量,a(t)表示在t时刻之前突变点发生变化的次数,γ=-s×δ,s为增长率改变时对应的突变点。
实施例2
本实施例的目的在于提供一种基于Prophet模型的地铁进站客流预测装置,包括:
存储器;
一个或多个处理器;以及
一个或多个模块,存储在存储器中并被配置成由所述一个或多个处理器执行,所述一个或多个模块包括:
读取模块,用于读取AFC进站客流历史数据;
假日数据模块,用于根据所述进站客流历史数据,获取假日时间数据;
间隔数据模块,用于根据所述进站客流历史数据与预设时间间隔T,获取每天不同时间间隔T内的进站客流数据;
周期性数据模块,用于根据所述进站客流历史数据,获取进站客流的周期性数据;
格式转换模块,用于将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换,得到与Prophet模型的数据格式相匹配的数据;
预测模块,用于将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (10)
1.基于Prophet模型的地铁进站客流预测方法,其特征在于,具体包括以下步骤:
S1、读取AFC进站客流历史数据;
S2:根据所述进站客流历史数据,获取假日时间数据;
S3:根据所述进站客流历史数据与预设时间间隔T,获取每天不同时间间隔T内的进站客流数据;
S4:根据所述进站客流历史数据,获取进站客流的周期性数据;
S5:将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换,得到与Prophet模型的数据格式相匹配的数据;
S6:将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。
2.根据权利要求1所述的基于Prophet模型的地铁进站客流预测方法,其特征在于,步骤S4具体包括以下步骤:
S401、将周期设定为1个月;
S402、以1个月为间隔,将所述进站客流历史数据划分为多个月区间的数据,每个区间的时间长度为1个月;
S403、遍历所述多个月区间的数据,判断是否存在连续6个月及6个月以上的相近数据:若存在,则将此1个月作为所述进站客流的周期性数据;若不存在,则将周期设定为1周,转步骤S404;
S404、以1周为间隔,将所述进站客流历史数据划分为多个周区间的数据,每个周区间的时间长度为1周;
S405、遍历所述多个周区间的数据,判断是否存在连续6周及6周以上的相近数据:若存在,则将此1周作为所述进站客流的周期性数据;若不存在,则将周期设定为1日,转步骤S406;
S406、以1日为间隔,将所述进站客流历史数据划分为多个日区间的数据,每个日区间的时间长度为1日;
S407、遍历所述多个日区间的数据,判断是否存在连续6日及6日以上的相近数据:若存在,则将此1日作为所述进站客流的周期性数据。
3.根据权利要求2所述的基于Prophet模型的地铁进站客流预测方法,其特征在于,所述相近数据为:遍历下一个区间的数据集N2与上一个区间的数据集N1,判断数据集N2的数据n2与数据集N1对应的数据n1是否满足n1*0.9<=n2<=n1*1.1,若满足判定数据N2与数据N1为相似数据。
4.根据权利要求1所述的基于Prophet模型的地铁进站客流预测方法,其特征在于,所述步骤S3具体包括以下步骤:
根据预设的时间间隔T,把每天划分为多个时段,每个时段的时长为T;
根据所述多个时段,将所述进站客流历史数据划分为对应多个时段的进站客流数据;
统计每个时段的进站客流数据,得到时间间隔T内的进站客流数据。
5.根据权利要求1所述的基于Prophet模型的地铁进站客流预测方法,其特征在于,所述Prophet模型的数据格式为一个包含两列的数据框:ds和y,ds列为时间序列YYYY-MM-DD,y列为数值变量,表示我们时间信息对应的客流数据:
将所述假日时间数据进行格式转换,得到y列为节假日的信息,ds列为节假日信息相对应的时间;
时间间隔T内的进站客流数据进行格式转换,得到ds列为发生此事件的时间信息,y列为时间间隔T内的进站客流数据。
6.根据权利要求1所述的基于Prophet模型的地铁进站客流预测方法,其特征在于,所述地铁进站客流的预测数据为根据可选的预测时长获得相对应的预测数据。
7.根据权利要求2所述的基于Prophet模型的地铁进站客流预测方法,其特征在于,所述周期性数据包括三个标志位月/周/日,用FALSE/TRUE表示Prophet模型模型是否有月/周/日的周期性。
8.根据权利要求1所述的基于Prophet模型的地铁进站客流预测方法,其特征在于,所述的Prophet模型为:y(t)=g(t)+s(t)+h(t)+εt,g(t)是趋势变化函数,用来分析时间序列中非周期性的变化,s(t)是季节周期项,以年或以周为单位,h(t)属于节假日项,表示节假日因素造成的影响变化,εt是误差项,表示突发事件的影响,建模为高斯噪声。
10.基于Prophet模型的地铁进站客流预测装置,其特征在于,包括:
存储器;
一个或多个处理器;以及
一个或多个模块,存储在存储器中并被配置成由所述一个或多个处理器执行,所述一个或多个模块包括:
读取模块,用于读取AFC进站客流历史数据;
假日数据模块,用于根据所述进站客流历史数据,获取假日时间数据;
间隔数据模块,用于根据所述进站客流历史数据与预设时间间隔T,获取每天不同时间间隔T内的进站客流数据;
周期性数据模块,用于根据所述进站客流历史数据,获取进站客流的周期性数据;
格式转换模块,用于将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换,得到与Prophet模型的数据格式相匹配的数据;
预测模块,用于将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274443.6A CN113987944A (zh) | 2021-10-29 | 2021-10-29 | 基于Prophet模型的地铁进站客流预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274443.6A CN113987944A (zh) | 2021-10-29 | 2021-10-29 | 基于Prophet模型的地铁进站客流预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113987944A true CN113987944A (zh) | 2022-01-28 |
Family
ID=79744658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274443.6A Pending CN113987944A (zh) | 2021-10-29 | 2021-10-29 | 基于Prophet模型的地铁进站客流预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113987944A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471013A (zh) * | 2022-10-19 | 2022-12-13 | 海南港航控股有限公司 | 一种基于Prophet-PSO模型的客流预测系统 |
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
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 |
CN112434858A (zh) * | 2020-11-26 | 2021-03-02 | 国电南瑞科技股份有限公司 | 一种轨道交通客流预测方法及系统 |
CN113077090A (zh) * | 2021-04-09 | 2021-07-06 | 上海大学 | 客流预测方法、系统及计算机可读存储介质 |
-
2021
- 2021-10-29 CN CN202111274443.6A patent/CN113987944A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
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 |
CN112434858A (zh) * | 2020-11-26 | 2021-03-02 | 国电南瑞科技股份有限公司 | 一种轨道交通客流预测方法及系统 |
CN113077090A (zh) * | 2021-04-09 | 2021-07-06 | 上海大学 | 客流预测方法、系统及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王晓 等: "基于Prophet算法的铁路客流量预测研究", 《计算机技术与发展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471013A (zh) * | 2022-10-19 | 2022-12-13 | 海南港航控股有限公司 | 一种基于Prophet-PSO模型的客流预测系统 |
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740839B (zh) | 一种突发事件下的列车动态调整方法及系统 | |
CN113987944A (zh) | 基于Prophet模型的地铁进站客流预测方法及装置 | |
CN110223510A (zh) | 一种基于神经网络lstm的多因素短期车流量预测方法 | |
CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
CN108216311B (zh) | 一种基于大数据和物联网的轨道交通调度方法 | |
CN114399099A (zh) | 一种城市轨道交通断面客流的预测方法及装置 | |
CN108305459B (zh) | 一种基于数据驱动的路网运行指数预测方法 | |
CN106803137A (zh) | 城市轨道交通afc系统实时进站客流量异常检测方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN105427594A (zh) | 一种基于双向上车客流的公交断面客流量获取方法及系统 | |
CN112036670A (zh) | 一种客流综合预测系统及预测方法 | |
CN110428109B (zh) | 地铁屏蔽门故障间隔时间预测模型建立及预测方法 | |
CN114037158A (zh) | 一种基于od路径的客流预测方法及应用方法 | |
CN115953186A (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
CN113205223A (zh) | 一种电量预测系统及其预测方法 | |
Ljubaj et al. | The possibility of utilising maximum capacity of the double-track railway by using innovative traffic organisation | |
CN116205329A (zh) | 一种节假日客流量预测方法 | |
Liu et al. | Understanding urban bus travel time: Statistical analysis and a deep learning prediction | |
CN117475636A (zh) | 一种城市轨道交通od客流估计方法及系统 | |
CN112766605A (zh) | 一种基于容器云平台的多源客流预测系统及方法 | |
CN115293743A (zh) | 一种轨道交通运营时段划分方法、设备及存储介质 | |
CN112116124A (zh) | 一种基于出行者视角的公交线网优化方案的审计方法 | |
CN112801421A (zh) | 一种基于概率论的飞机航班准点率的预测方法 | |
CN115796442A (zh) | 城市轨道交通区间客流量确定方法及系统 | |
Zhang et al. | Short-term forecasting of passenger flow on the metro platform using an improved Kalman filtering method |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |