CN114399099A - 一种城市轨道交通断面客流的预测方法及装置 - Google Patents

一种城市轨道交通断面客流的预测方法及装置 Download PDF

Info

Publication number
CN114399099A
CN114399099A CN202111653779.3A CN202111653779A CN114399099A CN 114399099 A CN114399099 A CN 114399099A CN 202111653779 A CN202111653779 A CN 202111653779A CN 114399099 A CN114399099 A CN 114399099A
Authority
CN
China
Prior art keywords
passenger flow
section
historical
station
time
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
Application number
CN202111653779.3A
Other languages
English (en)
Inventor
杜海潇
詹博超
黄永皓
赵国光
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.)
China Citic Group Co ltd
Citic Cloud Network Co ltd
Original Assignee
Citic Cloud Network 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 Citic Cloud Network Co ltd filed Critical Citic Cloud Network Co ltd
Priority to CN202111653779.3A priority Critical patent/CN114399099A/zh
Publication of CN114399099A publication Critical patent/CN114399099A/zh
Pending legal-status Critical Current

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G06F16/2445—Data retrieval commands; View definitions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24575—Query processing with adaptation to user needs using context
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种城市轨道交通断面客流的预测方法及装置，其中的预测方法包括：获取目标断面的历史断面客流信息和历史进出站客流信息；根据历史断面客流信息和历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；将预测时段、目标断面编号以及历史进出站客流信息输入至目标断面客流预测模型，获取目标断面的预测断面客流，在本发明中，通过将需要预测的时段、目标断面的编号以及历史进出站客流信息输入到训练好的目标断面客流预测模型中，得到目标断面在预测时段的预测断面客流，解决了现有技术中不能精准预测断面客流的缺陷，有效提高了城市轨道交通断面客流预测的精确度。

Description

一种城市轨道交通断面客流的预测方法及装置
技术领域
本发明涉及城市轨道交通运营中的断面客流预测技术领域，尤其涉及一种城市轨道交通断面客流的预测方法及装置。
背景技术
随着轨道交通的大力发展，站内客流高峰预警和疏导，以及列车车辆调度科学化、合理化越来越重要。断面流量预测是城市轨道交通规划的基础之一，利用历史出行数据对未来一段时间的线网尤其是各断面客流量做出准确的预测，为轨道交通运营方合理安排运力、编制调度计划、平衡地铁线路运行负载和分析运营效果提供科学依据，同时也可以为城市轨道交通线网规划、工程项目排期、车站规模设计提供参考，这对于线网规划和实际运营中的行车组织安排可以起到非常重要的作用，在推进城市轨道交通信息化、智能化建设方面有重大意义。
城市轨道交通断面客流是线路客流量的一个微观指标，指线路上任一区间中某断面在某统计时间段内通过的乘客数量。目前最常用的是基于时间序列的趋势预测方法。基于时间序列的客流预测方法的基本思路是通过对过去一段时间的客流进行统计，分析其变化规律，从而对未来客流进行预测。在预测方式上可以分为单一断面预测和多断面预测两类。单一断面客流预测是指仅将线网中某一个断面作为研究对象进行预测，目前比较常用的有移动平均预测法、指数平滑预测法、自回归分析预测法、整合移动平均自回归模型(ARIMA)等。多断面客流预测时可以利用各断面之间的相关性，将线网中两个或者两个以上的相关断面作为研究对象进行预测，最常用的是卡尔曼滤波方法。
上述预测方法只需要时间序列数据本身，不需要借助其他基于业务知识的前提假设，可以较好的捕捉短期断面客流的趋势变化，但是也存在两个明显的缺陷：一是该类方法的有效执行以稳定的时序数据为前提，不能够很好地考虑地铁客流的周期性特点；二是在推理过程中，断面客流的统计具有一定的滞后性，无法实时获取，导致该类方法不具备对未来短期断面客流预测的实用性；
因此，如何解决现有技术中不能精准预测断面客流的问题，是城市轨道交通断面客流预测技术领域亟待解决的重要课题。
发明内容
本发明提供一种城市轨道交通断面客流的预测方法及装置，用以解决现有技术中不能精准预测断面客流的缺陷，提高了城市轨道交通断面客流预测的精确度。
一方面，本发明提供一种城市轨道交通断面客流的预测方法，包括：获取目标断面的历史断面客流信息和历史进出站客流信息；根据所述历史断面客流信息和所述历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流。。
进一步地，所述获取目标断面的历史断面客流信息和历史进出站客流信息，包括：构建基于城市轨道交通运营线网的有向图；根据各相邻站点间列车运行所需时间或换乘站乘客换乘所需时间，赋予所述有向图的全部有向边相应的权重值；根据乘客进出站历史行程记录和所述有向边的相应权重值，确定实际换乘路径，获取所述乘客经过所述实际换乘路径中各站点的预计时间；根据乘客到达各站点的所述预计时间，获取所述历史断面客流信息。
进一步地，所述确定实际换乘路径，包括：根据所述有向图，获取多条备选换乘路径；根据所述有向边的权重值，计算每一备选换乘路径的预计耗费时间；通过比较各备选换乘路径的预计耗费时间，确定所述实际换乘路径。
进一步地，所述根据乘客进出站历史行程记录和所述有向边的相应权重值，确定乘客的实际换乘路径，包括：若所述乘客进出站历史行程记录存在异常数据，则对所述异常数据进行过滤处理。
进一步地，所述目标断面客流预测模型包括改进型Prophet断面客流周期性预测模型和断面客流短时预测模型；所述断面客流短时预测模型基于长短期记忆神经网络构建，具有多分支结构和编码-解码两段式结构；所述改进型Prophet断面客流周期性预测模型的表达式如下：
y(t)＝g(t)+s0(t)+δ(t)s1(t)+(1-δ(禾))s2(t)+h(t)+εt
其中，g(t)为趋势项，s0(t)为一周的周期项，s1(t)为工作日周期项，s2(t)为非工作日周期项，h(t)为节假日项，δ(t)为符号函数项，εt为随机误差项。
进一步地，所述将所述预测时段、目标断面编号和以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流，包括：将所述预测时段和目标断面编号输入至所述改进型Prophet断面客流周期性预测模型，获取所述目标断面的周期性预测断面客流；和/或，将所述历史进出站客流信息输入至所述断面客流短时预测模型，获取所述目标断面的短时预测断面客流。
进一步地，所述将所述历史进出站客流信息输入至所述断面客流短时预测模型，获取所述目标断面的短时预测断面客流，包括：将历史进站客流和历史出站客流分别输入至所述断面客流短时预测模型的两个分支，进行特征的提取；获取各分支的提取特征，并进行合并，得到目标特征；将所述目标特征输入至所述断面客流短时预测模型的全连接层，得到所述目标断面的短时预测断面客流。
第二方面，本发明还提供一种城市轨道交通断面客流的预测装置，包括：目标信息获取模块，用于获取目标断面的历史断面客流信息和历史进出站客流信息；预测模型训练模块，用于根据所述历史断面客流信息和所述历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；断面客流预测模型，用于将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流。
本发明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城市轨道交通断面客流的预测方法的步骤。
本发明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城市轨道交通断面客流的预测方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述城市轨道交通断面客流的预测方法的步骤。
本发明提供的城市轨道交通断面客流的预测方法，通过获取目标断面的历史断面客流信息和历史进出站客流信息，并根据该历史断面客流信息和历史进出站客流信息，将断面客流预测模型训练至收敛，得到目标断面客流预测模型，进一步地，将需要预测的时段、目标断面的编号以及历史进出站客流信息输入到目标断面客流预测模型中，从而得到目标断面在需要预测的时间段内的预测断面客流解决了现有技术中不能精准预测断面客流的缺陷，有效提高了城市轨道交通断面客流预测的精确度。
附图说明
为了更清楚地说明本发明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为本发明提供的城市轨道交通断面客流的预测方法的流程示意图；
图2为本发明提供的改进型Prophet断面客流周期性预测模型的预测流程图；
图3为本发明提供的断面客流短时预测模型的预测流程图；
图4为本发明提供的断面客流短时预测模型的模型结构图；
图5为本发明提供的断面客流短时预测模型分支的编解码模式图；
图6为本发明提供的重庆北站南广场至北广场的长期周期性断面客流预测值与真实值的对比效果图；
图7为本发明提供的重庆市轨道交通364个断面的SMAPE分布图；
图8为本发明提供的重庆市北站南广场至北广场的短期断面客流预测值与真实值的对比效果图；
图9为本发明提供的城市轨道交通断面客流的预测装置的结构示意图；
图10为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
现有的基于时间序列的趋势预测方法，在本质上是对站点或断面客流的历史变化趋势和时空特征进行分析统计，从而对未来一段时间内的断面客流进行预测，但是，在实际预测过程中，断面客流的统计具有一定的滞后性。例如，乘客从站点A进站，在乘客出站之前，乘客具体经过哪个断面是不确定的，对于t时刻的断面客流统计，只有当所有t时刻之前进站的乘客出站后才能得到准确的结果。在此基础上，如果对断面客流进行短时预测，需求的时间跨度可能只有10-30分钟，对当前时刻的断面客流进行统计存在一定困难，大大降低了该种方法对未来时刻断面客流预测的实用性和准确率。
针对上述问题，本发明提供了一种城市轨道交通断面客流的预测方法，图1示出了本发明所提供的城市轨道交通断面客流的预测方法的流程示意图。如图所示，该预测方法包括：
S101，获取目标断面的历史断面客流信息和历史进出站客流信息。
需要说明的是，按照国家相关标准解释，断面客流是指：在单位时间内，通过两相邻车站区间的客流量，具有上下行两个方向。通俗点说，断面客流是线路客流量的一个微观指标，是指线路上任一区间中某断面在某个统计时间段内通过的乘客数量。其中，断面是指线路上任一区间中两个相邻站点之间的路段；目标断面就是指客流预测对象，其可以是轨道交通线网中的任一一个断面。容易理解的，历史断面客流则是指在过去一段时间内，线路上任一区间中某一断面在某一个具体的统计时间段内通过的乘客数量。历史断面客流信息可以通过以自动售检票系统(Automatic Fare Collection，简称AFC)的进出站数据作为原始信息，进行计算获得。
历史进出站客流是指当前时刻之前某一时间段内的进站乘客数量和出站乘客数量，即通过刷卡或车票通过进站口和出站口的乘客数量。历史进出站客流可以通过自动售检票系统的历史进出站交易数据获取。
在本步骤中，历史断面客流信息和历史进出站客流信息除了乘客数量，还可以包括具体的乘客识别信息、进出站时间以及进出站类型，乘客识别信息是指乘客在进出站时所出示的车票信息或二维码信息。
S102，根据历史断面客流信息和历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；
可以理解的是，在上一步骤获取目标断面的历史断面客流和历史进出站客流信息的基础上，利用该历史断面客流信息和历史进出站客流信息，将断面客流预测模型训练至收敛，得到训练好的目标断面客流预测模型，以保证后续将预测所需的信息输入至该目标断面预测模型时，能够得到准确的目标断面的预测断面客流。
在一个具体的实施例中，以重庆市轨道交通线网为例，选择一个目标断面，将重庆市轨道交通2019年11月到12月23日的该目标断面的历史断面客流信息和历史进出站客流信息作为训练集，对断面客流预测模型进行训练至收敛。并且，在得到训练好的目标断面预测模型之后，还包括对目标断面客流预测模型进行测试，以保证目标断面客流预测的准确性。其中，对断面客流预测模型进行训练时，还会使用到相关的损失函数，以评价断面客流预测模型的训练效果，在此，对使用的损失函数不作具体限定。
S103，将预测时段、目标断面编号以及所历史进出站客流信息输入至目标断面客流预测模型，获取目标断面的预测断面客流。
可以理解的是，在上一步骤将断面客流预测模型训练至收敛，并得到目标断面客流预测模型的基础上，进一步地，将想要预测的未来时间段、需要预测的目标断面编号和历史进出站客流信息输入到训练好的目标断面客流预测模型中，通过该模型对输入的数据进行分析，计算得到目标断面在未来某一时间段内断面客流的预测值，这里的未来某一段时间，可以是长期性的，比如一周或一个月；也可以是短期的，比如未来的半小时或几小时。
在一个具体的实施例中，仍以重庆市轨道交通线网为例，选择一个目标断面，以重庆市轨道交通12月23日到12月29日，即以2019年12月的最后一周7天的地铁运行时间段(早6点至次日0点)作为要预测的时间段，和该时间段所有站点的历史进出站客流信息输入至训练好的断面客流预测模型，获取目标断面的预测断面客流。
在本实施例中，通过获取目标断面的历史断面客流信息和历史进出站客流信息，并根据该历史断面客流信息和历史进出站客流信息，将断面客流预测模型训练至收敛，得到目标断面客流预测模型，进一步地，将需要预测的时段、目标断面的编号以及历史进出站客流信息输入到目标断面客流预测模型中，从而得到目标断面在需要预测的时间段内的预测断面客流，解决了现有技术中不能精准预测断面客流的缺陷，有效提高了城市轨道交通断面客流预测的精确度。
在上述实施例的基础上，进一步地，获取目标断面的历史断面客流信息和历史进出站客流信息，包括：构建基于城市轨道交通运营线网的有向图；根据各相邻站点间列车运行所需时间或换乘站乘客换乘所需时间，赋予有向图的全部有向边相应的权重值；根据乘客进出站历史行程记录和有向边的相应权重值，确定乘客的实际换乘路径，获取乘客经过实际换乘路径中各站点的预计时间；根据乘客到达各站点的预计时间，获取历史断面客流信息。
可以理解的是，获取目标断面的历史断面客流信息和历史进出站客流信息。其中，获取目标断面的历史断面客流信息，具体地，通过轨道交通运营线网图，获取每一条线路上的站点信息以及站点与站点之间的邻接关系，例如，线路编号、乘客目前所在站点为起始站、中间站或终点站，下一站的站点名，以及距离乘客目的站还需乘坐的站点个数等信息。根据站点信息和站点间的邻接关系，每相邻两个站点确定一条有向边，构建相对应的有向图，利用有向图来表示该轨道交通运营线网。
其中，有向图信息以json格式进行存储。以下面的数据为例，第一条有向边代表了1号线从较场口到小什字的路段，车辆通过该路段的所需时间(“travel_time”字段)大概为两分钟。第二条有向边代表从1号线大坪站换乘2号线的步行路段(大坪站同时为1号线7号站和2号线9号站)，步行换乘及等待时间大约为3.8分钟。其中，有向图的json存储格式如下：
第一条有向边：{"link_id":1,
"in_node":103,
"out_node":102,
"in_station":"较场口",
"out_station":"小什字",
"travel_time":2.0,
"is_transfer":false,},
第二条有向边：{"link_id":380,
"in_node":107,
"out_node":209,
"in_station":"大坪",
"out_station":"大坪",
"travel_time":3.8,
"is_transfer":true,}
在建立有向图之后，根据列车从一个站点到相邻站点运行所需要的时间，或者乘客在换乘站所需要的换乘时间，对每一条有向边赋予相应的权重值。其中，站点之间列车运行所需要的时间，可以通过公开渠道获得的各线路末班时刻表或网络开放地图查询获取；乘客在换乘站所需要的换乘时间，可以通过网络开放地图查询或实际换乘经验获取。站点间列车运行所需时间或换乘站换乘时间越长，则相对应的有向边的权重值就会越高。为了计算方便，可以根据每一条有向边所对应的列车运行时间或乘客换乘时间的倒数，确定每一条有向边的权重值。
在一个具体的实施例中，根据乘客进出站历史行程记录和有向边的相应权重值，确定乘客的实际换乘路径，包括：若乘客进出站历史行程记录存在异常数据，则对异常数据进行过滤处理。
以重庆为例，从重庆市轨道交通自动售检票系统所获取的原始的历史客流信息的数据表格式如下：
TICKET_ID TXN_DATE TXN_TIME DEV_CODE TRANS_CODE
12432412 20191201 061714 03184218 21
12451240 20191201 201724 03444002 22
其中，TICKET_ID是指乘客的唯一标识，包括乘客进出站口时所出示的二维码信息或车票的ID信息；TXN_DATE是指乘客进出站口的时间，具体表示年月日；TXN_TIME也是指乘客进出站口的时间，但具体表示时分秒；DEV_CODE是指自动售检票系统设备ID，以“03184218”为例，前两位数字“03”是指线路号，即表示3号线，第三四位数字“18”表示3号线路上第18号站点，最后四位数字表示自动售检票系统设备号；TRANS_CODE是指进出站类型，例如，上表中的“21”和“22”分别表示进站和出站。
根据TICKET_ID、TRANS_CODE和记录的日期时间先后顺序，可以匹配乘客始发站和目的地站成对(Origin Destination，简称OD对)的出行记录，同时根据实际需求保留站点和线路标号信息，预处理之后得到的数据表结构如下：
Figure BDA0003447278950000101
Figure BDA0003447278950000111
其中，“IN_TIME”和“OUT_TIME”字段分别表示该乘客本次出行的进出站时间；“IN_STATION”和“OUT_STATION”分别表示进站点和出站点，前两位数字表示线路号，后两位数字表示站点号，以“0316”为例，表示3号线路上第16号站点的进站点。
若乘客进出站历史行程记录存在异常数据，则对异常数据进行过滤处理。这里的异常数据包括几种情况：一是进出站为同一站点，即进站点和出站点是相同的；二是进出站时间在轨道交通运营时间之外；三是进出站的间隔时间明显大于路程所需要的时间；四是进出站的间隔时间小于路程所需的最短估计时间。其中，路程所需要的时间可以参考相同OD对的所有出行记录所对应耗时的平均值，若某OD对之间的出行记录过少且耗时相差过大，可以考虑以路程所需的最短估计时间作为参考；路程所需的最短估计时间可以通过上文构建的有向图，以及每一有向边对应的权重值计算得到，在此不再赘述。
当获取得到的乘客进出站历史行程记录符合上述四种异常情况时，则可以建立临时数据库，通过编码实现数据库中异常数据信息的过滤和删除，或者，当样本数据不多时，可以通过查询，进行手动清理。
在这一具体实施例中，通过根据乘客进出站历史行程记录和有向边的相应权重值，确定乘客的实际换乘路径，并且，当乘客进出站历史行程记录存在异常数据时，对其进行过滤处理，使得获取得到的历史断面客流信息更加精确，从而有效提高了城市轨道交通断面客流预测的精确度。
在乘客乘坐列车的过程中，往往会存在多种路径的选择，根据实际情况，在一个OD对的多条备选路径中确定乘客的实际换乘路径。根据实际换乘路径能够知道该路径经过的站点有哪些，即能够知道该路径所包括的一条或多条有向边，结合每一条有向边在有向图中所占的相应权重值，可以得到列车经过实际换乘路径中每一个站点时的预计时间，经过每一个站点的预计时间包括乘客进站和出站的预计时间。
根据前面所获取的预计时间，获取目标断面的历史断面客流信息。具体地，根据乘客进出站历史行程记录，并结合每一站点对应的预计时间，可以将每一条完整的历史出行记录按照邻接站点线段进行拆解，得到多条完整的乘客出行记录，拆解后的每条记录所包含的字段如下：
Figure BDA0003447278950000121
其中，乘客ID包括乘客进出站所出示的二维码信息和车票信息，线段起点和线段终点是邻接站点，线段类型包括：线段起点为进站点；线段终点为出站点；线段起点和线段终点分别为进站点和出站点；线段终点为换乘站点；线段起点和线段终点为途径站点。
根据拆分的出行记录可直接统计单位时间内通过各站点上下行方向的断面客流。本实施例所提供的统计历史断面客流的方法不需要知道列车时刻表，对于半小时、一小时的断面流量统计粒度而言，通过各站点的统计时间误差对统计结果影响可忽略不计。
以Hive存储出行记录拆分后的结果表为例，只需以下查询语句即可直接统计出目标时间段的历史断面客流30分钟为单位的统计结果，其他实现方式统计方法类似：
“SELECT in_node,out_node,
FROM_UNIXTIME(FLOOR(UNIX_TIMESTAMP(arrive_time)/1800)*1800),
COUNT(*)as secflow，
FROM afc_section_flow_30m_stat，
WHERE arrive_time BETWEEN'2019-12-01'AND'2020-01-01'
GROUP BY in_node,out_node,FLOOR(UNIX_TIMESTAMP(arrive_time)/1800)”
其中，Hive是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载。根据拆解得到的多条记录，获取得到的目标断面的历史断面客流信息会更加精确。
在本实施例中，通过构建与城市轨道交通运营线网相对应的有向图，并根据各相邻站点之间列车运行时间或换乘站乘客换乘时间，赋予有向图中每一有向边相应的权重值，再结合乘客进出站历史行程记录，确定乘客实际换乘路径，并计算乘客经过实际换乘路径中各站点的预计时间，从而获得目标断面的历史断面客流信息，能够在一定程度上保证断面客流数据统计的准确性，并进一步提高城市轨道交通断面客流预测的精确度。
在上述实施例的基础上，进一步地，确定实际换乘路径包括：根据有向图，获取多条备选换乘路径；根据有向边的权重值，计算每一备选换乘路径的预计耗费时间；通过比较各备选换乘路径的预计耗费时间，确定实际换乘路径。
可以理解的是，单一线路，即不存在换乘的情况下，乘客乘车路径单一，利用进出站交易数据基本就可以准确地计算出某个时间段通过某断面的客流。但是，在存在换乘的情况下，对于相同的起始站点和目标站点，乘客往往会面临多种路径的选择，根据进出站交易数据根本无法反映乘客的实际换乘路径，想要获取乘客的实际换乘路径，则需要通过一定的算法来确定。
基于轨道交通运营线网图，构建相应的有向图，在知道乘客的起始站点和目的站点的情况下，根据有向图，可以获得多条符合乘客出行的备选换乘路径。再根据有向边所对应的权重值，计算获取每一条备选换乘路径所需要的预计耗费时间。通常情况下，由于进站等待和换乘需要耗费相应的时间，乘客出行实际耗费时间会比预计耗费时间要长，考虑及此，可以将计算得到的时间差平均分配在初始站点和各换乘站点，从而实现预计耗费时间的校正。
在计算得到每一条备选换乘路径的预计耗费时间之后，通过比较所有备选换乘路径的预计耗费时间，以预计耗费时间最短的备选换乘路径为乘客的实际换乘路径。当然，在确定实际换乘路径的过程中，也可以根据不同备选换乘路径的预计耗费时间，对不同的备选换乘路径进行相应的权重分配，预计耗费时间越短，则该条换乘备选路径被选择的概率越高。
在本实施例中，通过根据有向图，获取多条备选换乘路径，并根据每一有向边所对应的权重值，计算每一条备选换乘路径的预计耗费时间，比较所有备选换乘路径的预计耗费时间，从而确定乘客的实际换乘路径，并以此计算目标断面的历史断面客流，可以在一定程度上保证断面客流数据统计的准确性，从而提高城市轨道交通断面客流预测的精确度。
在上述实施例的基础上，进一步地，目标断面客流预测模型包括改进型Prophet断面客流周期性预测模型和断面客流短时预测模型；断面客流短时预测模型基于长短期记忆神经网络构建，具有多分支结构和编码-解码两段式结构；改进型Prophet断面客流周期性预测模型的表达式如下：
y(t)＝g(t)+s0(t)+δ(t)s1(t)+(1-δ(t))s2(t)+h(t)+εt
其中，g(t)为趋势项，s0(t)为一周的周期项，s1(t)为工作日周期项，s2(t)为非工作日周期项，h(t)为节假日项，δ(t)为符号函数项，εt为随机误差项。
可以理解的是，获取目标断面的历史断面客流信息和历史进出站客流信息，并根据这些数据信息，将断面客流预测模型训练至收敛，得到目标断面客流预测模型，通过将预测时间段、目标断面的编号以及历史进出站客流信息输入到训练好的目标断面客流预测模型中，便可以获取目标断面在未来一段时间内的预测断面客流。其中，目标断面客流预测模型包括改进型Prophet断面客流周期性预测模型和断面客流短时预测模型。
Prophet是一个开源的时间序列预测框架，其算法原理是对影响时间序列变化的各种特征效应进行分析拟合，并赋予相应的权重，最终将这些效应累加起来得到时间序列的预测值。现有的Prophet模型的表达形式如下：
y(t)＝g(t)+s(t)+h(t)+εt
其中，g(t)是趋势项，用来分析时间序列中非周期性质的趋势变化，包括分段线性模型和饱和增长模型两种；s(t)是周期项；h(t)属于节假日及其他外在因素项，表示节假日因素造成的影响变化；εt是随机误差项。
由于大部分地铁断面客流呈现明显的日周期特性，并且，工作日和周末往往也会呈现不同的客流分布，考虑及此，本实施例对原始的Prophet模型进行了改进和调整，改进和调整之后的模型表达式如下：
y(t)＝g(t)+s0(t)+δ(t)s1(t)+(1-δ(t))s2(t)+h(t)+εt
其中，s0(t)为一周的周期项，用于拟合一周内每日客流量变化规律；s1(t)为工作日周期项，用于拟合每个工作日内单位时间断面客流的变化规律；s2(t)为非工作日周期项，用于拟合周六和周日一天内单位时间断面客流的变化规律；δ(t)为符号函数项，当时间t属于工作日时，δ(t)等于1，否则为0；g(t)、h(t)和εt同上文。
断面客流短时预测模型是基于长短期记忆神经网络(Long Short-Term Memory，简称LSTM)构建的，长短期记忆神经网络是一种特殊类型的循环神经网络，具有对长期依赖进行学习的能力。在本实施例中，断面客流短时预测模型还具有多分支结构，多个分支分别用来对输入的不同数据进行特征提取，每个分支的输入数据维度和时间序列长度可以灵活调整，不需要完全对齐。
另外，断面客流短时预测模型每个分支还为编码-解码两段式结构，可以实现从进出站客流时间序列到断面客流时间序列端到端的预测。即编码器输入为预测时间段之前一段时间的历史进出站客流统计时间序列，通过编码器提取隐含特征状态传递给解码器，再由解码器及全连接层通过计算获取预测时间段的目标断面客流时间序列。不同分支提取的隐藏特征可以在解码器输出后的全连接层进行聚合，只需保证不同分支采用的长短期记忆神经网络编码器长度与需要预测的断面客流时间序列长度保持一致。
还需要说明的是，断面客流短时预测模型可以预测单一目标断面在未来一段时间的断面客流，也可以预测多个目标断面在未来一段时间内的断面客流。
在本实施例中，考虑到大部分地铁断面客流呈现明显的周期性特征，且工作日和周末往往会呈现不同的客流分布，对原始的Prophet模型进行改进和调整，得到改进型Prophet断面客流周期性预测模型；又考虑到断面客流统计的滞后性，采用了端到端的断面客流短时预测模型，通过这两种模型对目标断面的断面客流进行预测，大大提高了城市轨道交通断面客流预测的精确度和实用性。
在上述实施例的基础上，进一步地，将需要预测的时间段、目标断面编号以及历史进出站客流信息输入至目标断面客流预测模型，获取目标断面的预测断面客流，包括：将预测时段和目标断面编号输入至改进型Prophet断面客流周期性预测模型，获取目标断面的周期性预测断面客流；和/或，将历史进出站客流信息输入至断面客流短时预测模型，获取目标断面的短时预测断面客流。可以理解的是，在得到训练好的目标断面客流预测模型之后，将需要预测的时间段、目标断面的编号以及历史进出站客流信息输入到该目标断面客流预测模型中，获取目标断面的预测断面客流。具体地，目标断面客流预测模型包括改进型Prophet断面客流周期性预测模型和断面客流短时预测模型，相应的，将预测时段和目标断面编号与历史进出站客流信息分别输入到改进型Prophet断面客流周期性预测模型和断面客流短时预测模型中，分别得到目标断面的周期性预测断面客流和短时预测断面客流。
图2示出了本发明所提供的改进型Prophet断面客流周期性预测模型的预测流程图。需要明确的是，目标断面客流预测模型是已训练好的，其所包括的改进型Prophet断面客流周期性预测模型也是已经训练好的，通过改进型Prophet断面客流周期性预测模型对目标断面的长期性断面客流进行预测，可以保证预测结果的准确性。
如图2所示，在进行目标断面的长期性断面客流进行预测时，只需要将未来需要预测断面客流的时间段和目标断面的编号信息输入到改进型Prophet断面客流周期性预测模型中，即可获得与输入的预测时段和目标断面编号相对应的客流预测值。改进型Prophet断面客流周期性预测模型所输出的客流预测值之间相互独立的，即每输入一个预测时段和目标断面的编号，输出对应目标断面在预测时段的客流预测值，每一输入与输出之间是一一对应的。
图3示出了本发明所提供的断面客流短时预测模型的预测流程图，同样的，断面客流短时预测模型也是已经训练好的，通过该模型对目标断面的短时断面客流进行预测，可以保证预测结果的准确性。
如图3所示，在进行目标断面的短时断面客流进行预测时，以历史进出站客流信息为该模型的输入，对应输出未来短时断面客流的预测值。断面客流短时预测模型的输出可以是单个断面在单个预测时段的短时客流预测值，也可以是多个断面在单个预测时段的短时客流预测值，还可以是多个断面在多个预测时段的短时客流预测值。
需要说明的是，根据预测断面客流类型的不同，可以分别使用改进型Prophet断面客流周期性预测模型或断面客流短时预测模型，例如，若需要预测长期周期性断面客流，则优先选用改进型Prophet断面客流周期性预测模型进行预测；若需要预测短时断面客流，则可以选用断面客流短时预测模型进行预测。或根据需要，也可以同时使用这两种模型对未来一段时间内目标断面的断面客流进行预测。
在本实施例中，通过将预测时段和目标断面编号与历史进出站客流信息分别输入到改进型Prophet断面客流周期性预测模型和/或断面客流短时预测模型中，对目标断面的周期性断面客流和/或短时断面客流进行预测，有效提高了城市轨道交通断面客流预测的精确度。
在上述实施例的基础上，进一步地，将历史进出站客流信息输入至断面客流短时预测模型，获取目标断面的短时预测断面客流，包括：将实时进站客流和实时出站客流分别输入至断面客流短时预测模型的两个分支，进行特征的提取；获取各分支的提取特征，并进行合并，得到目标特征；将目标特征输入至断面客流短时预测模型的全连接层，得到目标断面的短时预测断面客流。
可以理解的是，将历史进出站客流信息输入至断面客流短时预测模型，具体地，将目标断面的历史进站客流和历史出站客流分别输入到断面客流短时预测模型的不同分支中，由不同的分支对各站点进站、出站或其他可以影响未来短期断面客流的时间序列因子进行特征的提取，在模型的不同分支提取特征之后，将不同分支所提取出来的特征进行合并，将合并之后的结果输入至断面客流短时预测模型的全连接层，通过全连接层计算和预测目标断面在未来一段时间内单一或多个断面的客流量。在预测的过程中，进出站客流信息的统计时间间隔和需要预测的断面客流的单位时间可以根据实际情况设置，不需要保持一致。例如，断面客流短时预测模型可以通过前一小时每10分钟的进出站客流变化，预测未来30分钟内的各断面客流。
在本实施例中，进站客流数据可以表示为：
Figure BDA0003447278950000191
其中，s为站点数量，为了对t的下一个单位时间的断面客流做出预测，实施方案选择采用t-7到t前8个单位时间的进站客流时间序列。出站客流数据表示与进站客流类似，可以表示为X′s,t。
需要预测的断面客流可以表示为：
Figure BDA0003447278950000192
表示要预测的k个地铁断面在未来m个单位时间内的客流量。
当m＝1时，历史进站客流和历史出站客流分别通过两个长短期记忆神经网络分支进行隐含特征提取，将两个分支提取得到的特征进行合并，将合并后的结果输入至全连接层，通过全连接层计算和预测目标断面在t+1时间段内的断面客流。若有其他可能影响短时断面客流的时间序列因子，比如天气因素，可以通过添加长短期记忆神经网络分支进行相应的特征提取，同样地，将其与其他分支的提取特征进行合并，然后将合并的结果输入至全连接层，由全连接层计算和预测目标断面在t+1时间段内的断面客流。
具体地，图4示出了本发明所提供的断面客流短时预测模型的模型结构图。如图4所示，该模型结构包括两个分支，两个分支均基于长短期记忆神经网络构建，历史进站客流输入至左边的分支，历史出站客流输入至右边的分支，通过两个分支对历史进出站客流进行特征提取。进一步地，全连接层将两个分支提取的特征作为输入，计算和预测目标断面在目标时间段内的断面客流。需要说明的是，为防止模型的过拟合，断面客流短时预测模型在进行训练时，基于长短期记忆神经网络单元提取的特征，还经过一个dropout网络层，将dropout网络层的输出作为全连接层的输入，并由全连接层输出目标断面在目标时间段内的断面客流预测值。
当m>1时，断面客流短时预测模型的每个分支都采用编码器、解码器模式，具体地，图5示出了本发明所提供的断面客流短时预测模型分支的编解码模式图。如图5所示，编码器用于提取历史进出站客流信息的特征，通过隐含层状态传递给解码器，解码器采用相同结构的长短期记忆神经网络单元，将解码器的输出结果作为全连接层的输入，通过全连接层计算输出t+1到t+m时间段的断面客流预测时间序列。其中，ht表示当前t时刻的隐藏状态，ct表示定长的背景变量。同样的，不同分支的解码器输出结果在输入全连接层之前，可以进行合并。
在本实施例中，通过将历史进出站客流分别输入到断面客流短时预测模型的不同分支中进行特征提取，并将提取的特征进行合并，得到目标特征，将目标特征输入至全连接层，通过全连接层计算和预测目标断面的短时预测断面客流，有效提高了城市轨道交通断面客流短时预测的精确度。
另外，在一个具体的实施例中，以重庆市轨道交通2019年11月和12月断面客流数据为例，将12月23日至12月29日最后一周7天的地铁运行时间段(早6点至次日0点)数据作为测试集，12月23日之前一个月的数据作为训练集。重庆市2019年12月共有9条线路共计364个断面(含上行、下行两个方向)
根据上述各实施例所提供的技术方案，对重庆市2019年的轨道交通数据进行统计分析，获取以30分钟为单位的断面客流数据，分别对改进型Prophet模型和基于LSTM的端到端模型进行训练。利用训练调优得到的模型在测试集上分别对长期周期性客流变化和短期实时客流变化进行预测，验证断面客流的预测效果。
本实施例通过对称平均绝对百分比误差(SMAPE)和加权平均绝对百分比误差(WMAPE)作为模型测试集的评价指标，对本发明所提供的改进型Prophet断面客流周期性预测模型和断面客流短时预测模型的预测效果进行评价。其中，对称平均绝对百分比误差和加权绝对百分比误差的表达式分别如下：
Figure BDA0003447278950000211
Figure BDA0003447278950000212
对称平均绝对百分比误差和加权平均绝对百分比误差相较于常用的平均百分比误差，由于离差被绝对值化，不会出现正负相抵消的情况，因而，对称平均绝对百分比误差和加权平均绝对百分比误差能更好地反映预测值误差的实际情况。
(1)长期周期性断面客流预测效果
图6示出了本发明所提供的重庆市北站南广场至北广场的长期周期性断面客流预测值与真实值的对比效果图。如图6所示，横轴为时间日期，纵轴为断面客流量，根据图6可以看到，周期性拟合效果较好，工作日和周六周日的断面客流分布呈现明显区分。
图7示出了本发明所提供的重庆市轨道交通364个断面的SMAPE分布图。如图7所示，大部分断面的一周预测值的SMAPE集中在0.1-0.4之间，这说明长期周期性断面客流的预测误差小，预测精确度较高。
常用的季节性自回归方法的计算存在时间限制，在本实施例中，随机选择364个断面中的10个断面进行预测比较，根据季节性自回归算法，10个断面的预测断面客流平均WMAPE为21.87％，而通过改进型Prophet断面客流周期性预测模型预测的断面客流平均WMAPE为13.57％，误差下降8.3％。
针对单个断面进行训练和预测，季节性自回归模型平均耗时为6.6分钟，改进型Prophet断面客流周期性预测模型平均耗时4秒。
此外，改进型Prophet断面客流周期性预测模型在测试集上预测得到的所有断面客流平均WMAPE为15.77％，预测效果相对稳定。
(2)短期断面客流预测效果
将某时刻前两个小时以10分钟为统计间隔的线网所有站点进出站数据，作为基于长短期记忆神经网络的断面客流短时预测模型的输入，输出为该时刻之后所有的断面客流，以半小时为时间单位，在测试集上单步预测的WMAPE为9.3％。
同样以重庆北站南广场至北广场断面为例，图8示出了本发明所提供的重庆市北站南广场至北广场的短期断面客流预测值与真实值的对比效果图。根据图8，可以看到周一早高峰的变化通过断面客流短时预测模型进行预测一定程度地降低了改进型Prophet断面客流周期性预测模型预测的误差。
图9示出了本发明所提供的城市轨道交通断面客流的预测装置的结构示意图。如图9所示，该预测装置包括：目标信息获取模块901，用于获取目标断面的历史断面客流信息和历史进出站客流信息；预测模型训练模块902，用于根据历史断面客流信息和历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；断面客流预测模块903，用于将预测时段、目标断面编号以及历史进出站客流信息输入至目标断面客流预测模型，获取目标断面的预测断面客流。本发明提供的城市轨道交通断面客流的预测装置，与上文描述的城市轨道交通断面客流的预测方法可相互对应参照，在此不再赘述。
在本实施例中，通过客流信息获取模块901获取目标断面的历史断面客流信息和历史进出站客流信息；预测模型训练模块902根据历史断面客流信息和历史进出站客流信息，将断面客流预测模型训练至收敛，得到训练好的目标断面客流预测模型；断面客流预测模块903，将预测时段、目标断面编号以及历史进出站客流信息输入至训练好的目标断面客流预测模型中，以获取目标断面在未来一段时间内的断面客流，解决了现有技术中不能精准预测断面客流的缺陷，有效提高了城市轨道交通断面客流预测的精确度。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)110、通信接口(communications Interface)120、存储器(memory)130和通信总线140，其中，处理器110，通信接口120，存储器130通过通信总线140完成相互间的通信。处理器110可以调用存储器130中的逻辑指令，以执行城市轨道交通断面客流的预测方法，该方法包括：获取目标断面的历史断面客流信息和历史进出站客流信息；根据所述历史断面客流信息和所述历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流。
此外，上述的存储器130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，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的城市轨道交通断面客流的预测方法，该方法包括：获取目标断面的历史断面客流信息和历史进出站客流信息；根据所述历史断面客流信息和所述历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流。
又一方面，本发明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方法提供的城市轨道交通断面客流的预测方法，该方法包括：获取目标断面的历史断面客流信息和历史进出站客流信息；根据所述历史断面客流信息和所述历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流。
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 (11)

1.一种城市轨道交通断面客流的预测方法，其特征在于，包括：
获取目标断面的历史断面客流信息和历史进出站客流信息；
根据所述历史断面客流信息和所述历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；
将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流。
2.根据权利要求1所述的城市轨道交通断面客流的预测方法，其特征在于，所述获取目标断面的历史断面客流信息和历史进出站客流信息，包括：
构建基于城市轨道交通运营线网的有向图；
根据各相邻站点间列车运行所需时间或换乘站乘客换乘所需时间，赋予所述有向图的全部有向边相应的权重值；
根据乘客进出站历史行程记录和所述有向边的相应权重值，确定乘客的实际换乘路径，获取乘客经过所述实际换乘路径中各站点的预计时间；
根据乘客到达各站点的所述预计时间，获取所述历史断面客流信息。
3.根据权利要求2所述的城市轨道交通断面客流的预测方法，其特征在于，所述确定乘客的实际换乘路径，包括：
根据所述有向图，获取多条备选换乘路径；
根据所述有向边的权重值，计算每一备选换乘路径的预计耗费时间；
通过比较各备选换乘路径的预计耗费时间，确定所述实际换乘路径。
4.根据权利要求2所述的城市轨道交通断面客流的预测方法，其特征在于，所述根据乘客进出站历史行程记录和所述有向边的相应权重值，确定乘客的实际换乘路径，包括：
若所述乘客进出站历史行程记录存在异常数据，则对所述异常数据进行过滤处理。
5.根据权利要求1所述的城市轨道交通断面客流的预测方法，其特征在于，所述目标断面客流预测模型包括改进型Prophet断面客流周期性预测模型和断面客流短时预测模型；
所述断面客流短时预测模型基于长短期记忆神经网络构建，具有多分支结构和编码-解码两段式结构；
所述改进型Prophet断面客流周期性预测模型的表达式如下：
y(t)＝g(t)+s0(t)+δ(t)s1(t)+(1-δ(t))s2(t)+h(t)+εt
其中，g(t)为趋势项，s0(t)为一周的周期项，s1(t)为工作日周期项，s2(t)为非工作日周期项，h(t)为节假日以及外在因素项，δ(t)为符号函数项，εt为随机误差项。
6.根据权利要求5所述的城市轨道交通断面客流的预测方法，其特征在于，所述将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流，包括：
将所述预测时段和所述目标断面编号输入至所述改进型Prophet断面客流周期性预测模型，获取所述目标断面的周期性预测断面客流；
和/或，
将所述历史进出站客流信息输入至所述断面客流短时预测模型，获取所述目标断面的短时预测断面客流。
7.根据权利要求6所述的城市轨道交通断面客流的预测方法，其特征在于，所述将所述历史进出站客流信息输入至所述断面客流短时预测模型，获取所述目标断面的短时预测断面客流，包括：
将历史进站客流和历史出站客流分别输入至所述断面客流短时预测模型的两个分支，进行特征的提取；
获取各分支的提取特征，并进行合并，得到目标特征；
将所述目标特征输入至所述断面客流短时预测模型的全连接层，得到所述目标断面的短时预测断面客流。
8.一种城市轨道交通断面客流的预测装置，其特征在于，包括：
目标信息获取模块，用于获取目标断面的历史断面客流信息和历史进出站客流信息；
预测模型训练模块，用于根据所述历史断面客流信息和所述历史进出站客流信息，训练断面客流预测模型至收敛，得到目标断面客流预测模型；
断面客流预测模型，用于将预测时段、目标断面编号以及所述历史进出站客流信息输入至所述目标断面客流预测模型，获取所述目标断面的预测断面客流。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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7任一项所述城市轨道交通断面客流的预测方法的步骤。
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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述城市轨道交通断面客流的预测方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述城市轨道交通断面客流的预测方法的步骤。
CN202111653779.3A 2021-12-30 2021-12-30 一种城市轨道交通断面客流的预测方法及装置 Pending CN114399099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111653779.3A CN114399099A (zh) 2021-12-30 2021-12-30 一种城市轨道交通断面客流的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111653779.3A CN114399099A (zh) 2021-12-30 2021-12-30 一种城市轨道交通断面客流的预测方法及装置

Publications (1)

Publication Number Publication Date
CN114399099A true CN114399099A (zh) 2022-04-26

Family

ID=81229447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111653779.3A Pending CN114399099A (zh) 2021-12-30 2021-12-30 一种城市轨道交通断面客流的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114399099A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881330A (zh) * 2022-05-09 2022-08-09 华侨大学 一种基于神经网络的轨道交通客流预测方法及系统
CN115048754A (zh) * 2022-08-17 2022-09-13 深圳市城市交通规划设计研究中心股份有限公司 基于交通仿真的公交线网优化方法、电子设备及存储介质
CN115952173A (zh) * 2023-03-13 2023-04-11 北京全路通信信号研究设计院集团有限公司 一种客流数据处理方法、装置、大数据平台及存储介质
CN116629754A (zh) * 2023-07-24 2023-08-22 广东电网有限责任公司广州供电局 一种电力仓储物资库容紧张时间断面及库存峰值预测方法
CN117272848A (zh) * 2023-11-22 2023-12-22 上海随申行智慧交通科技有限公司 基于时空影响的地铁客流预测方法及模型训练方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436603A (zh) * 2011-08-29 2012-05-02 北京航空航天大学 基于概率树d预测的轨道交通全路网客流预测方法
CN104376624A (zh) * 2014-07-22 2015-02-25 西南交通大学 一种基于afc客票数据的城市轨道交通客流分析方法
CN106960261A (zh) * 2017-03-27 2017-07-18 重庆邮电大学 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法
CN109886444A (zh) * 2018-12-03 2019-06-14 深圳市北斗智能科技有限公司 一种交通短时客流预测方法、装置、设备和存储介质
CN110782060A (zh) * 2018-07-31 2020-02-11 上海宝信软件股份有限公司 基于大数据技术的轨道交通断面客流短时预测方法及系统
CN111191816A (zh) * 2019-12-05 2020-05-22 东南大学 城市轨道交通乘客出行时间链辨识系统
CN112182838A (zh) * 2020-08-28 2021-01-05 浙江众合科技股份有限公司 一种基于afc数据的短时客流预测动态模型

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436603A (zh) * 2011-08-29 2012-05-02 北京航空航天大学 基于概率树d预测的轨道交通全路网客流预测方法
CN104376624A (zh) * 2014-07-22 2015-02-25 西南交通大学 一种基于afc客票数据的城市轨道交通客流分析方法
CN106960261A (zh) * 2017-03-27 2017-07-18 重庆邮电大学 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法
CN110782060A (zh) * 2018-07-31 2020-02-11 上海宝信软件股份有限公司 基于大数据技术的轨道交通断面客流短时预测方法及系统
CN109886444A (zh) * 2018-12-03 2019-06-14 深圳市北斗智能科技有限公司 一种交通短时客流预测方法、装置、设备和存储介质
CN111191816A (zh) * 2019-12-05 2020-05-22 东南大学 城市轨道交通乘客出行时间链辨识系统
CN112182838A (zh) * 2020-08-28 2021-01-05 浙江众合科技股份有限公司 一种基于afc数据的短时客流预测动态模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张伟林: "基于深度学习的地铁短时客流预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 6, 15 June 2019 (2019-06-15), pages 033 - 65 *
石敏莲等: "基于PCA-LSTM模型的城市轨道交通短时客流预测", 《智能计算机与应用》, vol. 10, no. 3, 31 March 2020 (2020-03-31), pages 155 - 159 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881330A (zh) * 2022-05-09 2022-08-09 华侨大学 一种基于神经网络的轨道交通客流预测方法及系统
CN115048754A (zh) * 2022-08-17 2022-09-13 深圳市城市交通规划设计研究中心股份有限公司 基于交通仿真的公交线网优化方法、电子设备及存储介质
CN115952173A (zh) * 2023-03-13 2023-04-11 北京全路通信信号研究设计院集团有限公司 一种客流数据处理方法、装置、大数据平台及存储介质
CN116629754A (zh) * 2023-07-24 2023-08-22 广东电网有限责任公司广州供电局 一种电力仓储物资库容紧张时间断面及库存峰值预测方法
CN116629754B (zh) * 2023-07-24 2023-12-22 广东电网有限责任公司广州供电局 一种电力仓储物资库容紧张时间断面及库存峰值预测方法
CN117272848A (zh) * 2023-11-22 2023-12-22 上海随申行智慧交通科技有限公司 基于时空影响的地铁客流预测方法及模型训练方法
CN117272848B (zh) * 2023-11-22 2024-02-02 上海随申行智慧交通科技有限公司 基于时空影响的地铁客流预测方法及模型训练方法

Similar Documents

Publication Publication Date Title
CN114399099A (zh) 一种城市轨道交通断面客流的预测方法及装置
Toqué et al. Forecasting dynamic public transport origin-destination matrices with long-short term memory recurrent neural networks
Toqué et al. Short & long term forecasting of multimodal transport passenger flows with machine learning methods
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
CN103984993B (zh) 一种轨道交通客流od分布实时推测方法
CN111401614B (zh) 一种城市轨道交通动态客流分配方法及系统
Chen et al. Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots
CN104200286A (zh) 一种城市轨道交通时刻表优化技术应用框架
CN111091225B (zh) 一种基于深度学习的城市轨道交通短期客流预测方法
CN106875314A (zh) 一种城市轨道交通线网客流od动态估计方法
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN106887141B (zh) 基于排队论的连续交通节点拥塞程度预测模型、系统及方法
CN114331234B (zh) 基于乘客出行信息的轨道交通客流预测方法和系统
CN110991607B (zh) 一种地铁客流预测方法、装置、电子设备及存储介质
CN110175690A (zh) 一种景区客流量预测的方法、装置、服务器和存储介质
CN112686417B (zh) 一种地铁大客流预测方法、系统及电子设备
CN110889092A (zh) 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法
CN110348601A (zh) 一种基于双向长短期记忆网络的地铁短期客流量预测方法
CN105809280A (zh) 一种机场容量需求预测方法
CN106846214A (zh) 分析交通枢纽可达性对区域公共运输方式竞争影响的方法
CN108876064B (zh) 基于客流量的城市轨道交通网络关键车站识别方法
CN115953186A (zh) 一种网约车需求模式识别与短时需求预测方法
Liu et al. Understanding urban bus travel time: Statistical analysis and a deep learning prediction
Coulaud et al. Modeling dwell time in a data-rich railway environment: with operations and passenger flows data
CN108876028A (zh) 一种基于生存分析的公共交通周转时间预测方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20230308

Address after: Room 1701, 17th floor, building 1, No. 6, Xinyuan South Road, Chaoyang District, Beijing 100027

Applicant after: CITIC cloud Network Co.,Ltd.

Applicant after: China CITIC Group Co.,Ltd.

Address before: Room 1701, 17th floor, building 1, No. 6, Xinyuan South Road, Chaoyang District, Beijing 100027

Applicant before: CITIC cloud Network Co.,Ltd.

TA01 Transfer of patent application right