CN114463978A - 一种基于轨道交通信息处理终端的数据监测方法 - Google Patents
一种基于轨道交通信息处理终端的数据监测方法 Download PDFInfo
- Publication number
- CN114463978A CN114463978A CN202210125087.XA CN202210125087A CN114463978A CN 114463978 A CN114463978 A CN 114463978A CN 202210125087 A CN202210125087 A CN 202210125087A CN 114463978 A CN114463978 A CN 114463978A
- Authority
- CN
- China
- Prior art keywords
- data
- passenger flow
- time period
- stations
- rail transit
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 230000010365 information processing Effects 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims description 35
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- 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
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于轨道交通信息处理终端的数据监测方法，包括构建城市轨道交通的数据矩阵；基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流量的分布特征；基于预测的每个时段客流量的分布特征，将数据矩阵转化为客流量矩阵，并计算该预测时间段的客流量评价参数。通过对未来时间段的客流状态预测及评价，及时进行列车运行合理处置和调度指挥，避免拥堵的传播。
Description
技术领域
本发明涉及轨道交通信息处理技术领域，尤其涉及一种基于轨道交通信息处理终端的数据监测方法。
背景技术
随着城市经济的快速发展，城市道路拥挤状况越来越严重。在这种情况下，城市轨道交通作为一种运量大、速度快、安全性高、污染小的现代化交通方式，己经成为各大城市缓解交通压力的首选，从而进入快速发展时期。
城市轨道交通的网络化运营特征越来越明显。在网络化运营背景下，城市轨道交通呈现出路网规模庞大、客流量激增、突发事件影响传播快、客流特性及演化规律更复杂等特征，使得网络化运营条件下的运输组织和客流组织决策面临更大的挑战。尤其是在实时运营过程中，需要根据当前的路网客流状态以及未来的客流状态进行列车运行调整和客流调控，并在突发情况或拥堵发生时及时进行合理处置和调度指挥，避免拥堵的传播，降低路网运营的损失，提高运输服务质量，保障网络持续正常运营。这就需要及时而准确地估计或者预测不同层面上的路网客流状态及其动态变化，作为定量决策的依据。
现有技术中，例如专利文献CN109598389A公开了一种轨道交通车辆大数据管理方法，包括：构建大数据信息平台：大数据信息平台包括轨道交通车辆信息、轨道交通车辆运行总时间、轨道交通车辆运行总里程、轨道交通车辆总载客人次、轨道交通车辆运行最大速度、轨道交通车辆运行平均速度、轨道交通车辆检修频率、轨道交通车辆维修频率；信息共享：将构建好的大数据信息平台进行共享；按需提取有用信息：在共享信息中根据需要进行筛选与提取。但是该技术方案，仅仅对实时的信息进行了监控和共享，并不能在突发情况或拥堵发生时及时进行预测并作出合理处置和调度指挥，避免拥堵的传播。
再例如专利文献CN112925258A公开了一种基于大数据物联网的安全监控智能管理系统，包括轨道段划分模块、轨道段图像采集模块、障碍物识别分析模块、安全数据库、车站统计模块、车站等待人群图像采集模块、等待区人群统计模块、语音提示终端、车站停靠参数检测模块、车站历史平均人流量分析模块、参数处理中心、管理服务器和后台显示终端，通过融合城市轨道交通对应的轨道危险系数、车站等待乘客危险系数、停靠危险系数和人流量危险系数，进而得到城市轨道交通运营的综合危险系数。但是该技术方案，无法在实时运营过程中，根据当前的路网客流状态以及未来的客流状态进行列车运行调整和客流调控。
发明内容
为了解决上述技术问题，本发明提出了一种基于轨道交通信息处理终端的数据监测方法，包括如下步骤：
S1、构建城市轨道交通的数据矩阵；
S2、基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流量的分布特征；
S3、基于预测的每个时段客流量的分布特征，将数据矩阵转化为客流量矩阵，并计算该预测时间段的客流量评估参数。
进一步地，所述步骤S2包括：
将已知时间段的客流量与历史客流量进行比较，得到该已知时间段的映射集；
基于记忆神经网络模型，计算待测时间段的客流数据的预测值。
进一步地，设数据矩阵中共有M个车站，i为其中一个车站，以历史客流量数据中N天的对应的时间段T的客流分时数据为历史样本数据源，生成已知时间段T的客流量的历史映射集，包括如下步骤：
Step1:历史样本数据源的处理；对历史数据进行映射，映射出车站i在时间段T内数据的集合A，其中A＝{A1,A2,…，AN},Aj表示第j天在时间段T内的数据样本；
Step2:初始值中心点的确定；将数据的集合A分成两部分，一部分为与已知时间段T的映射度较高的集合C1，另一部分为与已知时间段T的映射度较低的集合C2，选取两个数据分别作为两个集合的中心点x1,x2；
Step3:相似集的划分；选取Aj中的数据样本，计算Aj中的数据样本与两个中心点x1,x2的欧式距离，
D1＝||Ai-x1||，D2＝||Ai-x2||,比较D1、D2，将其划分到欧式距离较近的集合中；
Step4:中心点的更新；分别计算新的C'1,C'2集合内向量的中心点x'1,x'2，令x1＝x'1,x2＝x'2,继续Step3；
Step5:得到两个新的集合C'1,C'2后，判断已知时间段所属集合，并将其作为映射集。
进一步地，基于记忆神经网络模型，计算待测时间段的客流数据的预测值，具体包括：
首先，将映射集中的所有天数的数据样本作为记忆神经网络模型的训练数据；
K表示当前的时段，对于数据矩阵中任意车站i,Qi(K-T)表示K-T时段的客流量,在记忆神经网络模型中，将前T个时段的客流量作为一组变量进行输入，数据的集合Xi为:
Xi＝(Qi(K-T),…，Qi(K-2)，Qi(K-1))；
其中，Xi表示预测的第K时段的客流量；
取T个时段的客流数据向量Xi构成输入序列，取当前时段K客流数据量构成输出序列，形成基于记忆神经网络模型的客流量预测模型训练数据；
其次，利用所述客流量预测模型训练数据进行记忆神经网络模型训练；
最后，基于训练好的记忆神经网络模型，得到基于映射集的记忆神经网络模型的预测时间段的客流量。
进一步地，所述步骤S3中，所述客流量评估参数包括：用于表征所述客流量矩阵的行或列所对应的车站的客流量的实际评估参数，所述实际评估参数是根据所述客流量矩阵中每行或每列中大于阈值的个数确定的；用于表征城市轨道交通中全部车站的客流量的均值评估参数，所述均值评估参数是根据城市轨道交通中各个车站的实际评估参数的平均值确定的。
进一步地，所述步骤S1中，根据输入的各个车站名称以及各个车站之间的距离关联构建对应的数据矩阵，所述数据矩阵中的数值为所在的行对应的车站以及所在的列对应的车站之间的距离映射到0～1范围得到的。
进一步地，所述记忆神经网络模型的隐含层采用3层的LSTM结构，输出层的激活函数采用relu激活函数。
进一步地，所述T的取值为4。
附图说明
为了更清楚地说明本发明实施例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做以简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于轨道交通信息处理终端的数据监测方法流程图。
图2为本发明优选实施例中构建的数据矩阵的示意图。
图3为本发明的计算已知时间段的映射集的流程图。
图4为将图2的数据矩阵转化为客流量矩阵的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，为本发明的基于轨道交通信息处理终端的数据监测方法的流程图，包括：
S1、构建城市轨道交通的数据矩阵。
获取轨道交通线路上的各个车站名称以及各个车站之间的距离关联，构建对应的数据矩阵，其中，各个车站之间的距离关联包括各个车站之间的位置顺序信息以及各个车站之间的距离信息，所述数据矩阵中的数值为所在的行对应的车站名称以及所在的列对应的车站之间的距离映射到0～1范围得到的。
所在的行对应的车站名称以及所在的列对应的车站名称为同一车站的距离对应的所述数据矩阵中的数值为0，位于不同线路的两个车站或者两个车站之间存在其他的车站时，两个车站之间的距离对应的所述数据矩阵中的数值为大于0的按照距离比例分配的0～1间的对应值。
如图2所示，为优选实施例中构建的一个数据矩阵的示意图。图中仅以四个车站名称和进行距离映射后的距离关联数据为例。城市轨道交通的数据矩阵的构建旨在获得某一路线区间内的车站数量以及车站之间的位置相对关系，为下一步骤解决如何预测各个车站之间每个时段客流量的分布特征的问题进行基础信息构建。
S2、基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流量的分布特征。
获取固定时间段的客流量与对应的历史客流量，当获得进站的乘客数量后，需要预测乘客的目的地，即进行预测各个车站之间每个时段客流量的分布特征，该步骤在智能城市轨道交通客流预测体系中扮演着重要的角色，精准的客流预测体系能够提供车站之间的时空出行分布，有助于理解乘客出行行为。
具体地，基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流量的分布特征的流程包括：
(1)将已知时间段的客流量与历史客流量进行比较，得到该已知时间段的映射集。
设数据矩阵中共有M个车站，i为其中一个车站，以历史客流量数据中的N天的对应的时间段T的客流分时数据为历史样本数据源，生成已知时间段T的客流量的历史映射集的具体步骤如下:
Step1:历史样本数据源的处理；
对历史数据进行映射，将客流量按日期、时段、重点去向车站等类别分别进行映射，映射出车站i在时间段T内数据的集合A，其中A＝{A1,A2,…，AN},Aj表示第j天在时间段T内的数据样本。
Step2:初始值中心点的确定；
将数据的集合A分成两部分，一部分与已知时间段T的映射度较高的数据C1，另一部分与已知时间段T的映射度较低C2，首先选取两个数据分别作为两部分的中心点x1,x2。
变量j的初始化；令j＝1
Step3:相似集的划分；
选取Aj中的数据样本，计算Aj中的数据样本与两个中心点x1,x2的欧式距离，D1＝||Ai-x1||，D2＝||Ai-x2||,比较D1、D2，将其划分到欧式距离较近的集合中。
Step4:中心点的更新；
分别计算新的C'1,C'2集合内向量的中心点x'1,x'2；
如果j＝N，则进入Step5；
否则，令x1＝x'1,x2＝x'2,j＝j+1,进入Step3。
Step5:结果分析。
得到两个新的集合C'1,C'2后，判断已知时间段所属集合，并将其作为映射集。
当i＝M时，终止迭代；否则，令i＝i+1，进入Stepl。
该映射集的计算步骤为构建记忆神经网络模型时筛选出最接近已知时间段T的训练样本数据，以提高预测准确性。
(2)基于记忆神经网络模型，计算待测时间段，即已知时间段T之后的K时间段的客流数据的预测值，具体包括：
首先，将映射集中的所有天数的数据样本作为记忆神经网络模型的训练数据。
K表示当前的时段，对于数据矩阵中任意车站i,Qi(K-T)表示K-T时段的客流量。在记忆神经网络模型中，可以将前T个时段的客流量作为一组变量进行输入，数据的集合Xi如下所示:
Xi＝(Qi(K-T),…，Qi(K-2)，Qi(K-1))；
其中，T过大时会导致模型训练效率低，过小则导致预测结果准确性较低。在本实施例中将T值确定为4。
取T个时段的客流数据向量Xi构成输入序列，取当前时段K客流数据量构成输出序列，形成基于记忆神经网络模型的客流量预测模型训练数据；
其次，模型的训练。利用上一步中形成的客流量预测模型训练数据，输入到记忆神经网络模型进行训练。模型的隐含层采用3层的LSTM结构，第一层采用128个神经元，第二层采用64个神经元，第三层采用64个神经元，输出层模型的激活函数采用relu激活函数，优化器采用Adam,模型训练300次，每次的随机梯度下降采用的样本量为128，同时将20％的数据作为验证数据。
最后，输出数据的处理，基于训练好的记忆神经网络模型，得到基于映射集的记忆神经网络模型的预测时间段的客流量。
S3、基于预测时间段的客流量，将数据矩阵转化为客流量矩阵，并计算该预测时间段的客流量评估参数。如图4所示，为将图2的数据矩阵转化为客流量矩阵的示意图。
所述客流量评估参数包括下列参数中一个或者多个：用于表征所述客流量矩阵的行或列所对应的车站的客流量的实际评估参数，其中，所述第一评估值是根据所述客流量矩阵中每行或每列中大于阈值的个数确定的；用于表征城市轨道交通中全部车站的客流量的均值评估参数，其中，所述均值评估参数是根据城市轨道交通中各个车站的第一评估值的平均值确定的。
本发明基于大数据挖掘和人工智等新兴技术能深度融合多源大数据，构建了基于轨道交通信息处理终端的数据监测方法及预测体系，本发明首次将已知时间段的客流量与历史客流量进行比较，得到该已知时间段的映射集，基于记忆神经网络模型，计算待测时间段的客流数据的预测值。将映射与记忆神经网络模型引入轨道交通领域，将轨道交通客流分配理论置于机器学习领域的计算图框架下，构建基于轨道交通信息处理终端的数据监测方法，在该数据监测方法中，通过将数据的集合分成两部分，一部分与已知时间段的映射度较高的数据，另一部分与已知时间段的映射度较低的数据，计算数据样本与两个数据中心点的欧式距离，最终判断已知时间段所属集合，并将其作为映射集。
进一步地，对于实现上述基于轨道交通信息处理终端的数据监测方法的系统，考虑到云计算技术的发展，为了更快速和高效的使用X86硬件服务器资源，平台采用虚拟化技术来承载相应的应用服务，将应用服务器搭建计算资源池，提供相应的CPU、内存、网卡等硬件资源，通过FC网络，将数据资源存放到磁盘阵列中。未来可根据实际业务需求，进行线性的扩展，具有高扩展性和高稳定性。
细化集群和资源池设计，既要保证资源足以支撑业务，也要保证资源是被充分利用的。同时，虚拟化集群也要适应各类需求。依据需求不同，集群数量、节点种类可以灵活变化，而且还可以统一管理，在统一界面上处理资源分配、运维监控等。虚拟化支持多种类型的节点，例如融合型节点(计算+块存储)，计算型节点(计算)，存储型节点(块、文件、对象存储)。融合节点的CPU、内存、硬盘容量等资源均衡，计算节点主要侧重在CPU和内存(例如2U4路一体机)，存储节点主要是高密度(48盘)存储一体机。依照类型不同，分别组成不同的集群，而多个集群在统一平台下管理。在逻辑层面上，对物理资源进行池化。分各类资源池，按照存储性能不同，可以分为高性能、高容量硬盘池等。计算性能不同，可以分高性能计算池，常规性能计算池等。相应的业务跑在相应的资源池中
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (8)
1.一种基于轨道交通信息处理终端的数据监测方法，其特征在于，包括如下步骤：
S1、构建城市轨道交通的数据矩阵；
S2、基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流量的分布特征；
S3、基于预测的每个时段客流量的分布特征，将数据矩阵转化为客流量矩阵，并计算该预测时间段的客流量评估参数。
2.根据权利要求1所述的数据监测方法，其特征在于，所述步骤S2包括：
将已知时间段的客流量与历史客流量进行比较，得到该已知时间段的映射集；
基于记忆神经网络模型，计算待测时间段的客流数据的预测值。
3.根据权利要求2所述的数据监测方法，其特征在于，设数据矩阵中共有M个车站，i为其中一个车站，以历史客流量数据中N天的对应的时间段T的客流分时数据为历史样本数据源，生成已知时间段T的客流量的历史映射集，包括如下步骤：
Step1:历史样本数据源的处理；对历史数据进行映射，映射出车站i在时间段T内数据的集合A，其中A＝{A1,A2,…，AN},Aj表示第j天在时间段T内的数据样本；
Step2:初始值中心点的确定；将数据的集合A分成两部分，一部分为与已知时间段T的映射度较高的集合C1，另一部分为与已知时间段T的映射度较低的集合C2，选取两个数据分别作为两个集合的中心点x1,x2；
Step3:相似集的划分；选取Aj中的数据样本，计算Aj中的数据样本与两个中心点x1,x2的欧式距离，
D1＝||Ai-x1||，D2＝||Ai-x2||,比较D1、D2，将其划分到欧式距离较近的集合中；
Step4:中心点的更新；分别计算新的C'1,C'2集合内向量的中心点x'1,x'2，令x1＝x'1,x2＝x'2,继续Step3；
Step5:得到两个新的集合C'1,C'2后，判断已知时间段所属集合，并将其作为映射集。
4.根据权利要求2所述的数据监测方法，其特征在于，基于记忆神经网络模型，计算待测时间段的客流数据的预测值，具体包括：
首先，将映射集中的所有天数的数据样本作为记忆神经网络模型的训练数据；
K表示当前的时段，对于数据矩阵中任意车站i,Qi(K-T)表示K-T时段的客流量,在记忆神经网络模型中，将前T个时段的客流量作为一组变量进行输入，数据的集合Xi为:
Xi＝(Qi(K-T),…，Qi(K-2)，Qi(K-1))；
其中，Xi表示预测的第K时段的客流量；
取T个时段的客流数据向量Xi构成输入序列，取当前时段K客流数据量构成输出序列，形成基于记忆神经网络模型的客流量预测模型训练数据；
其次，利用所述客流量预测模型训练数据进行记忆神经网络模型训练；
最后，基于训练好的记忆神经网络模型，得到基于映射集的记忆神经网络模型的预测时间段的客流量。
5.根据权利要求1所述的数据监测方法，其特征在于，所述步骤S3中，所述客流量评估参数包括：用于表征所述客流量矩阵的行或列所对应的车站的客流量的实际评估参数，所述实际评估参数是根据所述客流量矩阵中每行或每列中大于阈值的个数确定的；用于表征城市轨道交通中全部车站的客流量的均值评估参数，所述均值评估参数是根据城市轨道交通中各个车站的实际评估参数的平均值确定的。
6.根据权利要求1所述的数据监测方法，其特征在于，所述步骤S1中，根据输入的各个车站名称以及各个车站之间的距离关联构建对应的数据矩阵，所述数据矩阵中的数值为所在的行对应的车站以及所在的列对应的车站之间的距离映射到0～1范围得到的。
7.根据权利要求4所述的数据监测方法，其特征在于，所述记忆神经网络模型的隐含层采用3层的LSTM结构，输出层的激活函数采用relu激活函数。
8.根据权利要求4所述的数据监测方法，其特征在于，所述T的取值为4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210125087.XA CN114463978B (zh) | 2022-02-10 | 2022-02-10 | 一种基于轨道交通信息处理终端的数据监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210125087.XA CN114463978B (zh) | 2022-02-10 | 2022-02-10 | 一种基于轨道交通信息处理终端的数据监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114463978A true CN114463978A (zh) | 2022-05-10 |
| CN114463978B CN114463978B (zh) | 2024-03-29 |
Family
ID=81413708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210125087.XA Active CN114463978B (zh) | 2022-02-10 | 2022-02-10 | 一种基于轨道交通信息处理终端的数据监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463978B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306049A (zh) * | 2023-05-24 | 2023-06-23 | 北京城建交通设计研究院有限公司 | 一种轨道交通接驳预测方法、系统、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
| CN110322075A (zh) * | 2019-07-10 | 2019-10-11 | 上饶市中科院云计算中心大数据研究院 | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 |
| CN111985731A (zh) * | 2020-09-09 | 2020-11-24 | 中国科学院自动化研究所 | 城市公共交通站点人数的预测方法及系统 |
| WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
-
2022
- 2022-02-10 CN CN202210125087.XA patent/CN114463978B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
| CN110322075A (zh) * | 2019-07-10 | 2019-10-11 | 上饶市中科院云计算中心大数据研究院 | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 |
| WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
| CN111985731A (zh) * | 2020-09-09 | 2020-11-24 | 中国科学院自动化研究所 | 城市公共交通站点人数的预测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116306049A (zh) * | 2023-05-24 | 2023-06-23 | 北京城建交通设计研究院有限公司 | 一种轨道交通接驳预测方法、系统、设备及存储介质 |
| CN116306049B (zh) * | 2023-05-24 | 2023-08-15 | 北京城建交通设计研究院有限公司 | 一种轨道交通接驳预测方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114463978B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Deep and embedded learning approach for traffic flow prediction in urban informatics | |
| CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
| Wu et al. | Predicting bus passenger flow and prioritizing influential factors using multi-source data: Scaled stacking gradient boosting decision trees | |
| Wang | Predicting tourism demand using fuzzy time series and hybrid grey theory | |
| CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
| CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| Meng et al. | A two-stage short-term traffic flow prediction method based on AVL and AKNN techniques | |
| Li et al. | Deep learning based parking prediction on cloud platform | |
| CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
| CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
| CN105185106B (zh) | 一种基于粒计算的道路交通流参数预测方法 | |
| Zou et al. | Passenger flow prediction using smart card data from connected bus system based on interpretable xgboost | |
| Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
| Wang et al. | Prediction and analysis of train passenger load factor of high-speed railway based on LightGBM algorithm | |
| CN113674524A (zh) | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 | |
| Zhang et al. | An interpretable station delay prediction model based on graph community neural network and time-series fuzzy decision tree | |
| CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| Lartey et al. | XGBoost: a tree-based approach for traffic volume prediction | |
| CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
| Liu et al. | Exploring the impact of spatiotemporal granularity on the demand prediction of dynamic ride-hailing | |
| Vijayalakshmi et al. | Multivariate Congestion Prediction using Stacked LSTM Autoencoder based Bidirectional LSTM Model. | |
| Thu et al. | Multi-source data analysis for bike sharing systems | |
| KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
| CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 518000 Room 301, building C, Shenzhen Qianwan hard Technology Industrial Park, Nanchang community, Xixiang street, Bao'an District, Shenzhen, Guangdong Patentee after: Shenzhen Guanghong Communication Technology Co.,Ltd. Country or region after: China Address before: 518000 Room 301, building C, Shenzhen Qianwan hard Technology Industrial Park, Nanchang community, Xixiang street, Bao'an District, Shenzhen, Guangdong Patentee before: SHENZHEN MINGHONG ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |