CN114997454A - 地铁交通系统的流量预测方法及装置 - Google Patents
地铁交通系统的流量预测方法及装置 Download PDFInfo
- Publication number
- CN114997454A CN114997454A CN202110224598.2A CN202110224598A CN114997454A CN 114997454 A CN114997454 A CN 114997454A CN 202110224598 A CN202110224598 A CN 202110224598A CN 114997454 A CN114997454 A CN 114997454A
- Authority
- CN
- China
- Prior art keywords
- station
- time
- flow
- migration
- target station
- 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 79
- 230000005012 migration Effects 0.000 claims abstract description 216
- 238000013508 migration Methods 0.000 claims abstract description 216
- 230000007704 transition Effects 0.000 claims description 75
- 238000012546 transfer Methods 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 description 42
- 238000010586 diagram Methods 0.000 description 14
- 230000014759 maintenance of location Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种地铁交通系统的流量预测方法及装置。其中，该方法包括：基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取目标车站在预测时间的进站流量；基于迁移流量和进站流量确定目标车站在预测时间的总流量。本发明解决了现有技术中地铁流量预测不准确的技术问题。
Description
技术领域
本发明涉及机器学习技术领域，具体而言，涉及一种地铁交通系统的流量预测方法及装置。
背景技术
地铁系统是在城市中修建的采用电力牵引的专用轨道交通系统，地铁系统采用设置在地下隧道、高架桥或者地面上的全封闭线路，列车在全封闭线路运行可实现较快的速度和较大的运量，当前地铁已成为最重要的城市公共交通服务，特别是在很多大都市，平均日客流量达到数百万至上千万(例如，北京和深圳分别在1000万和500万左右)。准确掌握地铁系统的客流分布信息，不仅可以为地铁故障、恐怖袭击等紧急事件提供快速响应保障，而且对于避免拥挤的线路推荐、基于客流量对附近商圈估价等具有重要参考作用。
相关技术可以通过获取乘客刷卡的进站信息和出站信息的历史数据，基于机器学习技术对地铁系统的客流时空分布信息进行预测。具体的，通过乘客刷卡的进站信息和出站信息可以确定乘客每次的乘行时间，乘客每次的乘行时间包括进出站的步行时间、实际乘车时间以及站内逗留时间，由于乘行时间会受乘客行为(如步行速度、站台等车、等待同伴、站内购物等)和列车到达时刻的影响，乘客一旦刷卡进入地铁系统则可以自由穿梭于所有车站，在没有刷卡出站信息的情况下，乘客的乘行时间随时间服从未知分布，且乘客的目的地在结束乘行前无法获知，从同一地铁站出发的乘客的目的地车站分布受出发时刻和出发车站的影响变化很大，换乘车站作为起始车站进一步增加了客流分布的不确定性。由于乘客的乘行时间和目的地的不确定性，使得通过乘客刷卡的进站信息和出站信息的历史数据所获得的地铁系统的客流量预测结果不准确。
针对上述现有技术中地铁流量预测不准确的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种地铁交通系统的流量预测方法及装置，以至少解决现有技术中地铁流量预测不准确的技术问题。
根据本发明实施例的一个方面，提供了一种地铁交通系统的流量预测方法，包括：基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取目标车站在预测时间的进站流量；基于迁移流量和进站流量确定目标车站在预测时间的总流量。
根据本发明实施例的另一方面，还提供了一种地铁交通系统的流量预测方法，包括：通过捕获目标车站的进站人数，确定目标车站在预测时间的进站流量；基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；基于迁移流量和进站流量，确定目标车站在预测时间的总流量。
根据本发明实施例的另一方面，还提供了一种地铁交通系统的流量预测装置，包括：第一预测模块，用于基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；第一确定模块，用于基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取模块，用于获取目标车站在预测时间的进站流量；第一总流量确定模块，用于基于迁移流量和进站流量确定目标车站在预测时间的总流量。
根据本发明实施例的另一方面，还提供了一种地铁交通系统的流量预测装置，包括：捕获模块，用于通过捕获目标车站的进站人数，确定目标车站在预测时间的进站流量；第二预测模块，基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；第二确定模块，用于基于迁移概率确定在预测时间迁移至目标车站的迁移流量；第二总流量确定模块，用于基于迁移流量和进站流量，确定目标车站在预测时间的总流量。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的地铁交通系统的流量预测方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的地铁交通系统的流量预测方法。
根据本发明实施例的另一方面，还提供了一种地铁交通系统的流量预测系统，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取目标车站在预测时间的进站流量；基于迁移流量和进站流量确定目标车站在预测时间的总流量。
在本发明实施例中，基于乘客在地铁交通系统内刷卡记录的历史数据获得任意两个车站在任意两个时刻的迁移概率，通过使用上述迁移概率对乘客迁移模型进行训练，使得乘客迁移模型学习不同车站间进站流量和迁移流量的相关性，将同一乘客刷卡进站和出站的历史记录被关联起来，训练后的乘客迁移模型可输出任意两个车站在两个时刻之间的迁移概率分布，进一步可获得目标车站在预测时间的迁移流量，基于该迁移流量和进站流量确定的预测时间的总流量具有较高的准确性，能够准确表征当前时刻的地铁交通系统各车站客流分布情况，解决了现有技术中地铁流量预测不准确的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现地铁交通系统的流量预测方法的计算设备的硬件结构框图示意图；
图2是根据本申请实施例的一种地铁交通系统的流量预测方法的流程图；
图3是根据本申请实施例的一种可选的地铁交通系统的流量预测系统的框架示意图；
图4是根据本申请实施例的一种地铁交通系统的流量预测方法的流程图；
图5为一种可选的样本轨迹的轨迹序列的示意图；
图6为一种可选的换乘轨迹序列的示意图；
图7是根据本申请实施例的一种地铁交通系统的流量预测方法的流程图；
图8是根据本申请实施例的一种地铁交通系统的流量预测装置的示意图；
图9是根据本申请实施例的一种地铁交通系统的流量预测装置的示意图；
图10是根据本申请实施例的一种计算机终端的结构框图。
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。
实施例1
根据本发明实施例，还提供了一种地铁交通系统的流量预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例1所提供的方法实施例可以在移动终端、计算设备或者类似的运算装置中执行。图1示出了一种用于实现地铁交通系统的流量预测方法的计算设备(或移动设备)的硬件结构框图。如图1所示，计算设备10(或移动设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的地铁交通系统的流量预测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算设备10(或移动设备)的用户界面进行交互。
此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下，本申请提供了如图2所示的地铁交通系统的流量预测方法。图2是根据本发明实施例1的地铁交通系统的流量预测方法的流程图,如图2所示，该方法包括如下步骤：
步骤S201，基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率。
上述目标车站为需要进行客流量预测的车站，目标车站可以为地铁交通系统中的任意一个车站，非目标车站为地铁交通系统中除上述目标车站外的任意车站。例如，某城市的地铁交通系统中共包含n个车站，n个车站的集合S可以表示为：
S＝{sj}(j＝1，2，…，n),
其中，sj表示地铁交通系统中的任意一个车站，则n个车站中车站s1至车站sn中任意一个车站均可以作为目标车站。在地铁交通系统包含多条地铁线路的情况下，上述n个车站包含不同地铁线路中的全部车站。
上述预测时间可以为当前时刻，随着时间的推移，以一定的时间间隔对地铁交通系统中的每个车站的当前时刻的客流量进行预测，可以预测得到整个地铁交通系统的实时客流量的分布情况。
上述乘客迁移模型可以为神经网络模型，用于根据乘客在地铁交通系统中的进站刷卡记录和出站刷卡记录的历史数据预测目标车站在预测时间的迁移概率，具体的，可以基于乘客在地铁交通系统中的进站刷卡记录和出站刷卡记录的历史数据获得历史时刻中任意两个车站在任意两个时刻的迁移概率，使用大量的迁移概率数据对乘客迁移模型进行训练，使得乘客迁移模型学习不同车站间进站流量和迁移流量的相关性，将同一乘客刷卡进站和出站的历史记录被关联起来，训练后的乘客迁移模型可输出目标车站在预测时间的迁移概率，进而获得任意两个车站在两个时刻之间的迁移概率分布。
在一种可选的实施例中，车站s1为目标车站，则车站s2至车站sn均可作为非目标车站。在预测时间为当前时刻的情况下，迁移概率可以为历史中某一时刻从车站s2至车站sn中任意一个车站出发的乘客，在当前时刻达到目标车站s1的比例，例如，某一时刻从车站s2出发的乘客有10人，其中8人在当前时刻达到目标车站s1，则车站s2至目标车站s1在历史中某一时刻至当前时刻的迁移概率为8/10。
步骤S202，基于迁移概率确定在预测时间迁移至目标车站的迁移流量。
迁移流量为从非目标车站出发，在预测时间到达目标车站的乘客人数。需要说明的是，迁移概率可以由乘客在地铁交通系统中的进站刷卡记录和出站刷卡记录的历史数据确定，迁移概率受到乘客的乘行时间和目的地的影响，虽然乘客的乘行时间和目的地具有不确定性，但是任意两个车站在任意两个时刻之间的迁移概率随时间的变化规律基本是一致的，因此可以通过上述历史数据得到任意两个车站在任意两个时刻之间迁移概率，根据迁移概率可以获得相应的迁移流量。例如，某一时刻从车站s2出发的乘客有20人，根据乘客迁移模型可得到车站s2至目标车站s1在对应的两个时刻之间的迁移概率为8/10，则在预测时间迁移至目标车站的迁移流量为20*(8/10)＝16。
步骤S203，获取目标车站在预测时间的进站流量。
目标车站在预测时间的进站流量可以通过乘客在目标车站的进站刷卡记录获得，例如，在当前时刻有20人在目标车站s1刷卡进站，则目标车站s1在当前时刻的进站流量为20人。
步骤S204，基于上述迁移流量和上述进站流量确定目标车站在预测时间的总流量。
目标车站在预测时间的总流量为在预测时间位于目标车站的乘客总数，包括从其他车站乘坐地铁到达的乘客人数(即迁移流量)以及刷卡进站的新增乘客人数(即进站流量)。在一种可选的实施例中，将迁移流量和进站流量之和确定为目标车站在预测时间的总流量。
本实施例中，基于乘客迁移模型预测目标车站在预测时间的迁移概率，基于迁移概率确定在预测时间迁移至目标车站的迁移流量，获取目标车站在预测时间的进站流量，基于迁移流量和进站流量确定目标车站在预测时间的总流量。本实施例可基于乘客在地铁交通系统内刷卡记录的历史数据获得任意两个车站在任意两个时刻的迁移概率，通过使用上述迁移概率对乘客迁移模型进行训练，使得乘客迁移模型学习不同车站间进站流量和迁移流量的相关性，将同一乘客刷卡进站和出站的历史记录被关联起来，训练后的乘客迁移模型可输出任意两个车站在两个时刻之间的迁移概率分布，进一步可获得目标车站在预测时间的迁移流量，基于该迁移流量和进站流量确定的预测时间的总流量具有较高的准确性，能够准确表征当前时刻的地铁交通系统各车站客流分布情况，解决了现有技术中地铁流量预测不准确的问题。
作为一种可选的实施例，上述步骤S202，基于迁移概率确定在预测时间迁移至目标车站的迁移流量，包括：
步骤S2021，获取每个非目标车站在对应的起始时刻至预测时间之间的进站流量。
上述起始时刻为乘客从非目标车站出发可在预测时间到达目标车站对应的进入非目标车站的时间，起始时刻必然为预测时间之前的某一时刻，由于地铁在不同车站之间具有固定的运行时间，不同的非目标车站所对应的起始时刻不同，因此对各非目标车站的进站流量的统计时间应为最早的起始时刻起至预测时间之间的时间段，例如，地铁从车站s1运行至车站s5需要10分钟，地铁从车站s2运行至车站s5需要8分钟，地铁从车站s3运行至车站s5需要6分钟，在10分钟内，从车站s1至车站s3进站的乘客均可能在预测时间到达车站s5，因此，需要统计最早的起始时刻10分钟前至预测时间之间各车站的进站流量。
对于具有n个车站的地铁交通系统，n个车站的集合为S＝{sj}(j＝1，2，…，n)，目标车站为车站s1至车站sn中任意一个车站，在确定目标车站后，可根据乘客在非目标车站的进站刷卡记录获得每个非目标车站在各自对应的起始时刻τ的进站流量集合I为：
其中，
为车站sj在起始时刻τ对应的进站流量。
步骤S2022，根据每个非目标车站的进站流量和每个非目标车站与目标车站之间的迁移概率确定每个非目标车站与目标车站之间的迁移流量。
在预测时间t,从非目标车站sj到达目标车站sr的迁移流量Fn(r，t)为：
其中，
为在起始时刻τ从非目标车站sj出发的乘客在预测时间t到达目标车站sr的迁移概率，r＝1，2，…，n，非目标车站sj和目标车站sr均为上述车站集合S中的车站。
步骤S2023，确定每个非目标车站对应的迁移流量之和为目标车站在预测时间的迁移流量。
目标车站在预测时间的迁移流量应包含地铁交通系统中从每个车站出发到达目标车站的客流量之和。在一种可选的实施例中，目标车站sr在预测时间t的迁移流量
可以为：
其中，τj为非目标车站sj所对应的起始时刻，τj取决于车站sj至目标车站sr之间的地铁行驶所需时间，t-1表示预测时间t的前一时刻，通过汇总从起始时刻τj开始至t-1时间段之间，从车站s1至车站sn出发在预测时间t到达目标车站sr的迁移流量，可以获得目标车站sr在预测时间t的总的迁移流量。
作为一种可选的实施例，在获取每个非目标车站在对应的起始时刻至预测时间之间的进站流量之前，上述方法还包括：获取每个非目标车站在对应的起始时刻，其中，获取每个非目标车站sj在对应的起始时刻τj的步骤包括：获取每个非目标车站sj与目标车站sr之间的通行时间；根据每个非目标车站对应的通行时间和预测时间，分别确定每个非目标车站对应的起始时刻，其中，每个非目标车站对应的起始时刻与预测时间的时间差为每个非目标车站对应的通行时间。
上述通行时间为地铁从非目标车站sj行驶至目标车站sr所需要的时间。例如，地铁从车站s1运行至目标车站s5的通行时间为10分钟，地铁从车站s2运行至车站s5需要8分钟，地铁从车站s3运行至车站s5需要6分钟，则可以确定车站s1对应的起始时刻τ1＝t-10,车站s2对应的起始时刻τ2＝t-8,车站s3对应的起始时刻τ3＝t-6。
作为一种可选的实施例，基于迁移流量和进站流量确定目标车站在预测时间的总流量，包括：获取目标车站在预测时间的滞留流量；确定迁移流量、进站流量和滞留流量之和为目标车站在预测时间的总流量。
上述滞留流量为从非目标车站起始在历史时刻到达目标车站，但未出站的乘客人数。滞留流量可以通过历史某一时刻的迁移流量减去在必要的出站时间后的出站流量获得，例如，乘客正常出站的时间为3分钟，获取预测时间t之前3分钟到达目标车站的迁移流量
通过乘客在目标车站的出站刷卡记录可以获得预测时间t的出站流浪
则预测时间t的滞留流量为
将迁移流量、进站流量和滞留流量之和确定为目标车站在预测时间的总流量，相比于仅根据目标车站的进站和出站的刷卡记录得到的客流量，可以更准确的表征出目标车站在预测时间实际的客流量，能够以90％左右的准确率实时预测当前时刻地铁交通系统各车站客流分布情况，且不会带来额外设备(如手机、摄像头等)的开销成本。
作为一种可选的实施例，获取目标车站在预测时间的滞留流量，包括：根据预设的最大滞留时间获取预设时间范围，并获取目标车站在预设时间段的出站流量；根据每个非目标车站在预设时间范围内的进站流量和每个非目标车站与目标车站之间的迁移概率，确定在预设时间范围内到达目标车站的到达流量；确定到达流量与预设时间范围的出站流量之差为滞留流量。
上述最大滞留时间为乘客在目标车站停留的最大合理时间，最大滞留时间可以根据乘客的进站和出站刷卡记录的历史数据确定。预设时间范围为乘客在目标车站滞留的合理时间范围，例如，最大滞留时间为Ts，则预设时间范围可以为[t-Ts，t-1],即预测时间t之前的最大滞留时间为Ts至预测时间t的前一时刻的时间段。
在一种可选的实施例中，预设时间范围内到达目标车站sr的滞留流量
可以为：
其中，τ’为预设时间范围内的历史时刻，τ’∈[t-Ts，t-1]，
为预设时间范围内每个历史时刻到达目标车站的到达流量，
为预设时间范围内每个历史时刻到达目标车站的出站流量。
则目标车站sr在预测时间t的总流量为：
通过上述方法可以获得准确的目标车站sr在预测时间t的总流量。
作为一种可选的实施例，获取乘客迁移模型，其中，获取乘客迁移模型的步骤包括：获取样本数据，其中，样本数据包括样本信息和标签信息，样本信息包括样本轨迹的起始车站、起始时刻以及当前时刻，标签信息包括当前车站；将样本信息输入至初始模型，获取初始模型输出的迁移概率；基于迁移概率确定预测的当前车站；根据预测的当前车站和标签信息确定损失函数，并基于损失函数优化初始模型，得到乘客迁移模型。
上述样本数据可以从乘客在地铁交通系统的进站和出站刷卡的历史数据中获得。某城市的地铁交通系统中n个车站的集合S为：S＝{sj}(j＝1，2，…，n),其中，sj表示地铁交通系统中的任意一个车站，样本数据可以提取n个车站的进站记录和出站记录获得。
需要说明的是，上述当前车站为历史时刻的目标车站，上述当前时刻为样本数据中乘客到达目标车站的时刻。通过对样本信息进行计算可以获得目标车站在多个历史时刻的迁移概率，通过上述初始模型可以得到预测的当前车站的预测迁移概率，因此，根据预测的当前车站和标签信息确定损失函数，具体为根据多个历史时刻的迁移概率和预测的当前车站的预测迁移概率确定损失函数，通过损失函数对初始模型进行优化得到的乘客迁移模型，可以输出较为准确的预测时间t的迁移概率。
图4为根据本申请实施例的一种可选的初始模型的示意图，如图4所示，初始模型为由一个输入层，一个输出层和两个隐藏层组成神经网络结构，其中隐藏层的单元数需要介于输入层和输出层的单元数之间适当设置，例如对于输入层和输出层单元数分别为200和50时，可设置两个隐藏层单元数分别为120和80。输出层可以使用Softmax作为激活函数，隐藏层可以采用ReLU作为激活函数来缓解梯度消失问题。在每个隐藏层之后可采用批量归一化来提高训练速度，采用随着训练步数的增加而降低的自适应学习率，避免波动或长时间学习，在一种可选的实施例中，可以设置初始学习率及其衰减率分别为0.1和0.95。上述损失函数可以是交叉熵损失函数，以表征初始模型输出的迁移概率分布与样本标签计算获得迁移概率分布的接近程度。
初始模型的样本信息(即图4中的特征)包括起始车站、起始时刻以及时间间隔，其中时间间隔Δt＝当前时刻-起始时刻。需要说明的是，时间间隔Δt用于从地铁交通系统的进站和出站刷卡的历史数据中获取样本数据。将样本信息输入至初始模型中，可以输出生成以某一起始车站为起点，乘客可能到达的所有车站的迁移概率分布。将初始模型输出的迁移概率分布和根据样本数据计算获得的当前车站的迁移概率代入交叉熵损失函数，确定为上述损失函数，对初始模型采用Adam优化器进行优化，得到乘客迁移模型。
在一种可选的实施例中，具体的，为了降低历史数据中的噪声，可以将满足Δt∈[RTmin，RTmax]的历史数据作为样本数据，其中，RTmax为样本数据采样的最大间隔时间，可以设定RTmax比不同车站间行驶最长通行时间略长，RTmin为样本数据采样的最小间隔时间，可设置RTmin为相邻车站行驶最短通行时间。
作为一种可选的实施例，将样本信息输入至初始模型，获取初始模型输出的迁移概率，包括：对样本信息进行独热编码，得到样本信息的编码结果；将样本信息的编码结果输入至初始模型，得到初始模型输出的迁移概率。
上述独热编码用于避免样本信息对初始模型的训练权重变化的负面影响。在上述图4所示的初始模型的实施例中，可以对每个样本信息进行One-Hot编码(独热编码)，例如，可以分别对起始车站、起始时刻以及间隔时间进行One-Hot编码，获得起始车站、起始时刻以及间隔时间的编码结果作为初始模型的输入层的输入特征。
作为一种可选的实施例，获取样本数据，包括：获取历史行程记录，其中，历史行程记录包括：起始车站、起始时刻、停止车站和停止时刻；基于历史行程记录推断出样本轨迹的轨迹序列；根据样本轨迹的轨迹序列构成样本数据。
历史行程记录可以通过乘客在车站的进站和出站的刷卡记录获得，例如，乘客于ts时刻在车站s0刷卡进站，并于te时刻在车站sm刷卡出站，则可获得起始车站为车站s0，起始时刻为ts时刻，停止车站为车站sm，停止时刻为te时刻。
上述轨迹序列用于表征乘客在起始车站s0至停止车站sm之间所途经的中途车站以及到达各中途车站的时刻。
需要说明的是，历史行程记录仅包含起始车站和停止车站的记录，乘客在中途车站并未下车，所以历史行程记录并未包含中途车站的信息，中途车站以及到达各中途车站的时刻可以通过地铁运营时间推算出来。例如，可以通过地铁线路地图确定中途车站，并根据不同车站之间必要的行驶时间确定出各中途车站的到站时刻。
图5为一种可选的样本轨迹的轨迹序列的示意图，如图5所示，乘客于ts时刻在车站s0刷卡进站，并于te时刻在车站sm刷卡出站，乘客在起始车站s0至停止车站sm之间所途经的中途车站可以通过地铁线路地图(例如，地铁官方网站所公布的运行地图)查询得到中途车站包含Sm＝{sj}(j＝1，2，…，m-1)，且通过地铁线路地图查询可以得到相邻的车站之间的行驶时间，例如，地铁从起始车站s0行驶至中途车站
的行驶时间为
乘客进站刷卡后步行以及等车的时间为
则确定中途车站
的到站时刻
依次获得每个中途车站对应的到站时刻后可得到样本轨迹的轨迹序列，样本轨迹的轨迹序列可以表示为：
(ts，s0，te，sm)→{(ts，s0，t，sj)|t∈(tj-1，tj]，j＝1，2，…，m}。
作为一种可选的实施例，在基于历史行程记录推断出样本轨迹的轨迹序列之前，上述方法还包括：清除历史行程记录中的如下一项或多项：起始车站和停止车站相同的历史行程记录；停止时刻与起始时刻之间的时间差小于起始车站和停止车站之间的最小时间差的历史行程记录；起始时刻和/或停止时刻处于地铁交通系统的非运营时间的历史行程记录。
上述历史行程记录的清除过程用于清除历史行程记录中的噪声数据，噪声数据即非正常的历史行程记录，非正常的历史行程记录作为样本数据会对初始模型的训练过程造成负面影响，进而影响预测的迁移概率的准确性。
作为一种可选的实施例，轨迹序列包括单一轨迹序列，基于历史行程记录推断出样本轨迹的轨迹序列，包括：获取预设的相邻两个车站之间的行驶时间和乘客到达停止车站后出站所需的出站时间；根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断出乘客到达起始车站和停止车站中的每个车站的时刻，以得到单一轨迹序列。
上述单一轨迹序列为根据不包含换乘车站的历史行程记录确定的轨迹序列。由于乘客在起始车站s0步行和等车的时间难以确定，而乘客在到达停止车站后通常会尽快出站，因此可以采用停止车站对应的停止时刻推测各中途车站的到站时刻。
如图5所示，乘客于te时刻在车站sm刷卡出站，乘客在起始车站s0至停止车站sm之间所途经的中途车站Sm＝{sj}(j＝1，2，…，m-1),通过地铁线路地图查询可以得到相邻的车站之间的相邻两个车站之间的行驶时间，则各中途车站sj的到站时刻tj为：
其中，
为乘客在停止车站sm的出站时间，在一种可选的实施例中，乘客出站时间
可以取值为1分钟或者忽略不计。
为在地铁线路地图查询得到的相邻的车站sj-1至sj的行驶时间。需要说明的是，乘客在时间t∈(tj-1，tj)时间段内所处的车站，认定为车站sj。
作为一种可选的实施例，根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断出乘客到达起始车站和停止车站中的每个车站的时刻，以得到单一轨迹序列，包括：将停止时刻向前推移出站时间，得到到达停止车站的到站时刻；将到站时刻向前推移第一车站与停止车站的行驶时间，得到到达第一车站的时刻，所述第一车站为所述停止车站的前一个车站；将到达第一车站的时刻向前推移第一车站与第二车站之间的行驶时间，得到到达第二车站的时刻，其中，第二车站为第一车站的前一个车站。
如图5所示，乘客于te时刻在停止车站sm刷卡出站，停止时刻为te，将te向前推移出站时间
可得到停止车站sm的地铁到达时刻，在地铁线路地图查询得到的停止车站sm的上一车站sm-1(即第一车站)至sm的行驶时间
在地铁到达停止车站sm的时刻基础上向前推移行驶时间
可以获得地铁到达车站sm-1的时刻
进一步的，在地铁线路地图查询得到的车站sm-1(即第二车站)的上一车站sm-2至车站sm-1的行驶时间
将tm-1向前推移行驶时间
可以获得地铁到达车站sm-2的时刻
根据上述方法，依次可以获得起始车站s0至停止车站sm之间所途经的中途车站各自的到站时刻。
作为一种可选的实施例，轨迹序列包括换乘轨迹序列，基于历史行程记录推断出样本轨迹的轨迹序列，包括：获取预设的相邻两个车站之间的行驶时间、乘客到达停止车站后出站所需的出站时间，以及从第三车站换乘至第四车站所需的换乘时间；根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断第四车站至停止车站之间每个车站的到站时刻，并根据换乘时间、停止时刻、出站时间和相邻两个车站之间的行驶时间推断起始车站至第三车站之间每个车站的到站时刻。
上述换乘轨迹序列为根据包含换乘车站的历史行程记录确定的轨迹序列，上述第三车站和第四车站分别为不同地铁线路相交汇的换乘车站。图6为一种可选的换乘轨迹序列的示意图，如图6所示，乘客的历史行程记录包含了地铁线路Lx和Ly的换乘过程，乘客于ts时刻在车站sx0刷卡进站，并于te时刻在车站syn刷卡出站，乘客在起始车站sx0至停止车站syn之间所途经的中途车站可以通过地铁线路地图(例如，地铁官方网站所公布的运行地图)查询得到中途车站包含地铁线路Lx的中途车站Sx＝{sxj}(j＝1，2，…，m)，以及地铁线路Ly的中途车站Sy＝{syk}(k＝0，1，…，n-1)，且通过地铁线路地图查询可以得到相邻的车站之间的行驶时间,其中，车站sxm为地铁线路Lx的换乘车站(即第三车站)，车站sy0为地铁线路Ly的换乘车站(即第四车站)。
乘客在后一段地铁线路Ly的换乘车站sy0至停止车站syn之间的各个中途车站syk的到站时刻tyk与上述单一轨迹序列中各中途车站的到站时刻的推测方法相同，中途车站syk的到站时刻tyk为：
其中，其中，
为乘客在停止车站syn的出站时间，
为在地铁线路地图查询得到的相邻的车站syk-1至syk的行驶时间。
乘客在前一段地铁线路Lx的起始车站sx0至换乘车站sxm之间的各个中途车站sxj的到站时刻txj为：
其中，Ttr为乘客从换乘车站sxm至换乘车站sy0的换乘时间，换乘时间受换乘车站之间的距离以及乘客拥堵程度等因素的影响，可以通过网络上的地图软件查询不同时间各换乘车站的换乘时间，以估计出用于确定换乘轨迹序列的换乘时间。
根据上述起始车站sx0、停止车站syn、地铁线路Lx的中途车站Sx＝{sxj}(j＝1，2，…，m、以及地铁线路Ly的中途车站Sy＝sykk＝0，1，…，n-1，确定出包含全部中途车站的换乘轨迹序列为：
(ts，s0，te，syn)→{(ts，s0，t，sxj)|t∈(tx(j-1)，txj]，j＝1，2，…，m}∪{(ts，s0，t，syk)|t∈tyk-1,tyk,k＝0，1，…，n。
在一种可选的实施例中，当乘客的乘行路线涉及多条线路换乘时，由于乘客通常会选择使总乘行用时最少的换乘车站，可以通过在地铁地图上查询对比不同换乘路线的乘行用时来推断出较好的换乘车站，将较好的换乘车站作为换乘轨迹序列中的第三车站和第四车站。
在一种可选的实施例中，图3是根据本申请实施例的一种地铁交通系统的流量预测系统的框架示意图，如图3所示，建立神经网络模型作为乘客迁移模型的初始模型，将乘客在地铁交通系统的进站和出站刷卡的历史数据建立历史数据库，根据历史数据中的起始车站、起始时刻、停止车站和停止时刻推断出轨迹序列，其中，轨迹序列包含无换乘的单一轨迹序列以及有换乘的换乘轨迹序列。对上述轨迹序列进行过流相关性学习，将轨迹序列作为样本数据进行特征提取，并将也正提取结果输入至神经网络模型，对上述初始模型进行训练得到优化后的乘客迁移模型，基于乘客迁移模型预测目标车站在当前时刻的迁移概率。进一步的，在进行在线流量估计时，通过乘客刷卡进站数据和出站数据进行乘客计数，以获取目标车站在预测时间的进站流量和滞留流量，根据乘客迁移模型预测的迁移概率估算出迁移流量，将迁移流量、进站流量和滞留流量汇总求和得到目标车站在预测时间的总流量。
本实施例可基于乘客刷卡的历史数据，预测出较为准确的当前时刻地铁系统各车站客流分布情况，且不会带来额外设备(如手机、摄像头等)开销，有利于地铁故障、恐怖袭击等紧急情况下有效调配车辆快速疏散乘客，还可以日常为乘客提供各地铁站和列车的实时拥挤情况，方便乘客规划出行时间和线路，也可以基于各车站客流量变化情况对附近商圈价值进行评估。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
实施例2
根据本发明实施例，还提供了一种地铁交通系统的流量预测方法的实施例，图7是根据本发明实施例2的地铁交通系统的流量预测方法的流程图,如图7所示，该方法包括如下步骤：
步骤S701，通过捕获目标车站的进站人数，确定目标车站在预测时间的进站流量。
上述目标车站为需要进行客流量预测的车站，目标车站可以为地铁交通系统中的任意一个车站，非目标车站为地铁交通系统中除上述目标车站外的任意车站。例如，某城市的地铁交通系统中共包含n个车站，n个车站的集合S可以表示为：
S＝{sj}(j＝1，2，…，n),
其中，sj表示地铁交通系统中的任意一个车站，则n个车站中车站s1至车站sn中任意一个车站均可以作为目标车站。在地铁交通系统包含多条地铁线路的情况下，上述n个车站包含不同地铁线路中的全部车站。
目标车站的进站人数可以通过乘客在目标车站的进站刷卡记录获得，也可以通过收集乘客手机的蜂窝信号或提取目标车站的站台摄像头的图像获得。例如，通过对标车站的站台摄像头的图像进行特征提取，根据图像特征识别出目标车站的进站人数。
上述预测时间可以为当前时刻，随着时间的推移，以一定的时间间隔对地铁交通系统中的每个车站的当前时刻的客流量进行预测，可以预测得到整个地铁交通系统的实时客流量的分布情况。
步骤S702，基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率。
上述乘客迁移模型可以为神经网络模型，用于根据乘客在地铁交通系统中的进站刷卡记录和出站刷卡记录的历史数据预测目标车站在预测时间的迁移概率，具体的，可以基于乘客在地铁交通系统中的进站刷卡记录和出站刷卡记录的历史数据获得历史时刻中任意两个车站在任意两个时刻的迁移概率，使用大量的迁移概率数据对乘客迁移模型进行训练，使得乘客迁移模型学习不同车站间进站流量和迁移流量的相关性，将同一乘客刷卡进站和出站的历史记录被关联起来，训练后的乘客迁移模型可输出目标车站在预测时间的迁移概率，进而获得任意两个车站在两个时刻之间的迁移概率分布。
在一种可选的实施例中，车站s1为目标车站，则车站s2至车站sn均可作为非目标车站。在预测时间为当前时刻的情况下，迁移概率可以为历史中某一时刻从车站s2至车站sn中任意一个车站出发的乘客，在当前时刻达到目标车站s1的比例，例如，某一时刻从车站s2出发的乘客有10人，其中8人在当前时刻达到目标车站s1，则车站s2至目标车站s1在历史中某一时刻至当前时刻的迁移概率为8/10。
步骤S703，基于迁移概率确定在预测时间迁移至目标车站的迁移流量。
迁移流量为从非目标车站出发，在预测时间到达目标车站的乘客人数。需要说明的是，迁移概率可以由乘客在地铁交通系统中的进站刷卡记录和出站刷卡记录的历史数据确定，迁移概率受到乘客的乘行时间和目的地的影响，虽然乘客的乘行时间和目的地具有不确定性，但是任意两个车站在任意两个时刻之间的迁移概率随时间的变化规律基本是一致的，因此可以通过上述历史数据得到任意两个车站在任意两个时刻之间迁移概率，根据迁移概率可以获得相应的迁移流量。例如，某一时刻从车站s2出发的乘客有20人，根据乘客迁移模型可得到车站s2至目标车站s1在对应的两个时刻之间的迁移概率为8/10，则在预测时间迁移至目标车站的迁移流量为20*(8/10)＝16。
步骤S704，基于迁移流量和进站流量，确定目标车站在预测时间的总流量。
目标车站在预测时间的总流量为在预测时间位于目标车站的乘客总数，包括从其他车站乘坐地铁到达的乘客人数(即迁移流量)以及刷卡进站的新增乘客人数(即进站流量)。在一种可选的实施例中，将迁移流量和进站流量之和确定为目标车站在预测时间的总流量。
本实施例可基于乘客在地铁交通系统内刷卡记录的历史数据获得任意两个车站在任意两个时刻的迁移概率，通过使用上述迁移概率对乘客迁移模型进行训练，使得乘客迁移模型学习不同车站间进站流量和迁移流量的相关性，将同一乘客刷卡进站和出站的历史记录被关联起来，训练后的乘客迁移模型可输出任意两个车站在两个时刻之间的迁移概率分布，进一步可获得目标车站在预测时间的迁移流量，基于该迁移流量和进站流量确定的预测时间的总流量具有较高的准确性，能够准确表征当前时刻的地铁交通系统各车站客流分布情况，解决了现有技术中地铁流量预测不准确的问题。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
实施例3
根据本发明实施例，还提供了一种用于实施上述地铁交通系统的流量预测方法的装置，图8是根据本发明实施例3的地铁交通系统的流量预测装置的示意图，如图8所示，该装置800包括：
第一预测模块81，用于基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；第一确定模块82，用于基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取模块83，用于获取目标车站在预测时间的进站流量；第一总流量确定模块84，用于基于迁移流量和进站流量确定目标车站在预测时间的总流量。
此处需要说明的是，上述第一预测模块81、第一确定模块82、获取模块83和第一总流量确定模块84对应于实施例1中的步骤S201至步骤S202，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算设备10中。
作为一种可选的实施例，上述第一确定模块，包括：进站流量获取子模块，用于获取每个非目标车站在对应的起始时刻至预测时间之间的进站流量；迁移流量确定子模块，用于根据每个非目标车站的进站流量和每个非目标车站与目标车站之间的迁移概率确定每个非目标车站与目标车站之间的迁移流量；预测时间迁移流量确定子模块，用于确定每个非目标车站对应的迁移流量之和为目标车站在预测时间的迁移流量。
作为一种可选的实施例，上述装置还包括：起始时刻获取模块，用于获取每个非目标车站在对应的起始时刻，其中，起始时刻获取模块包括：通行时间获取子模块，用于获取每个非目标车站与目标车站之间的通行时间；起始时刻确定子模块，用于根据每个非目标车站对应的通行时间和预测时间，分别确定每个非目标车站对应的起始时刻，其中，每个非目标车站对应的起始时刻与预测时间的时间差为每个非目标车站对应的通行时间。
作为一种可选的实施例，第一总流量确定模块，包括：滞留流量获取子模块，用于获取目标车站在预测时间的滞留流量；总流量预测子模块，用于确定迁移流量、进站流量和滞留流量之和为目标车站在预测时间的总流量。
作为一种可选的实施例，滞留流量获取子模块，包括：出站流量获取子模块，用于根据预设的最大滞留时间获取预设时间范围，并获取目标车站在预设时间段的出站流量；到达流量确定子模块，用于根据每个非目标车站在预设时间范围内的进站流量和每个非目标车站与目标车站之间的迁移概率，确定在预设时间范围内到达目标车站的到达流量；滞留流量确定子模块，用于确定到达流量与预设时间范围的出站流量之差为滞留流量。
作为一种可选的实施例，上述装置包括，乘客迁移模型获取模块，用于获取乘客迁移模型，其中，乘客迁移模型获取模块包括：样本数据获取子模块，用于获取样本数据，其中，样本数据包括样本信息和标签信息，样本信息包括样本轨迹的起始车站、起始时刻以及当前时刻，标签信息包括当前车站；输入子模块，用于将样本信息输入至初始模型，获取初始模型输出的迁移概率；当前车站确定子模块，用于基于迁移概率确定预测的当前车站；损失函数确定子模块，用于根据预测的当前车站和标签信息确定损失函数，并基于损失函数优化初始模型，得到乘客迁移模型。
作为一种可选的实施例，上述输入子模块包括：编码子模块，用于对样本信息进行独热编码，得到样本信息的编码结果；输出子模块，用于将样本信息的编码结果输入至初始模型，得到初始模型输出的迁移概率。
作为一种可选的实施例，样本数据获取子模块包括：历史行程记录获取子模块，用于获取历史行程记录，其中，历史行程记录包括：起始车站、起始时刻、停止车站和停止时刻；轨迹序列推断子模块，用于基于历史行程记录推断出样本轨迹的轨迹序列；样本数据构成模块，用于根据样本轨迹的轨迹序列构成样本数据。
作为一种可选的实施例，上述装置还包括：清除模块，用于清除历史行程记录中的如下一项或多项：起始车站和停止车站相同的历史行程记录；停止时刻与起始时刻之间的时间差小于起始车站和停止车站之间的最小时间差的历史行程记录；起始时刻和/或停止时刻处于地铁交通系统的非运营时间的历史行程记录。
作为一种可选的实施例，轨迹序列包括单一轨迹序列，上述轨迹序列推断子模块包括：第一时间获取子模块，用于获取预设的相邻两个车站之间的行驶时间和乘客到达停止车站后出站所需的出站时间；单一轨迹序列推断子模块，用于根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断出乘客到达起始车站和停止车站中的每个车站的时刻，以得到单一轨迹序列。
作为一种可选的实施例，单一轨迹序列推断子模块包括：到站时刻推断子模块，用于将停止时刻向前推移出站时间，得到到达停止车站的到站时刻；第一车站到达时刻推断子模块，用于将到站时刻向前推移第一车站与停止车站的行驶时间，得到到达第一车站的时刻，第一车站为停止车站的前一个车站；第二车站到达时刻推断子模块，用于将到达第一车站的时刻向前推移第一车站与第二车站之间的行驶时间，得到到达第二车站的时刻，其中，第二车站为第一车站的前一个车站。
作为一种可选的实施例，轨迹序列包括换乘轨迹序列，上述轨迹序列推断子模块包括：第二时间获取子模块，用于获取预设的相邻两个车站之间的行驶时间、乘客到达停止车站后出站所需的出站时间，以及从第三车站换乘至第四车站所需的换乘时间；换乘轨迹序列推断子模块，用于根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断第四车站至停止车站之间每个车站的到站时刻，并根据换乘时间、停止时刻、出站时间和相邻两个车站之间的行驶时间推断起始车站至第三车站之间每个车站的到站时刻。
实施例4
根据本发明实施例，还提供了一种用于实施上述地铁交通系统的流量预测方法的装置，图9是根据本发明实施例4的地铁交通系统的流量预测装置的示意图，如图9所示，该装置900包括：
捕获模块91，用于通过捕获目标车站的进站人数，确定目标车站在预测时间的进站流量；第二预测模块92，基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；第二确定模块93，用于基于迁移概率确定在预测时间迁移至目标车站的迁移流量；第二总流量确定模块94，用于基于迁移流量和进站流量，确定目标车站在预测时间的总流量。
此处需要说明的是，上述捕获模块91、第二预测模块92、第二确定模块93和第二总流量确定模块94对应于实施例2中的步骤S701至步骤S704，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例2所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算设备10中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1或者2中的相关描述，此处不再赘述。
实施例5
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例1所提供的地铁交通系统的流量预测方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算设备群中的任意一个计算设备中，或者位于移动终端群中的任意一个移动终端中。
存储介质可以为计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述地铁交通系统的流量预测方法。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取目标车站在预测时间的进站流量；基于迁移流量和进站流量确定目标车站在预测时间的总流量。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于迁移概率确定在预测时间迁移至目标车站的迁移流量，包括：获取每个非目标车站在对应的起始时刻至预测时间之间的进站流量；根据每个非目标车站的进站流量和每个非目标车站与目标车站之间的迁移概率确定每个非目标车站与目标车站之间的迁移流量；确定每个非目标车站对应的迁移流量之和为目标车站在预测时间的迁移流量。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：在获取每个非目标车站在对应的起始时刻至预测时间之间的进站流量之前，方法还包括：获取每个非目标车站在对应的起始时刻，其中，获取每个非目标车站在对应的起始时刻的步骤包括：获取每个非目标车站与目标车站之间的通行时间；根据每个非目标车站对应的通行时间和预测时间，分别确定每个非目标车站对应的起始时刻，其中，每个非目标车站对应的起始时刻与预测时间的时间差为每个非目标车站对应的通行时间。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：基于迁移流量和进站流量确定目标车站在预测时间的总流量，包括：获取目标车站在预测时间的滞留流量；确定迁移流量、进站流量和滞留流量之和为目标车站在预测时间的总流量。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取目标车站在预测时间的滞留流量，包括：根据预设的最大滞留时间获取预设时间范围，并获取目标车站在预设时间段的出站流量；根据每个非目标车站在预设时间范围内的进站流量和每个非目标车站与目标车站之间的迁移概率，确定在预设时间范围内到达目标车站的到达流量；确定到达流量与预设时间范围的出站流量之差为滞留流量。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取乘客迁移模型，其中，获取乘客迁移模型的步骤包括：获取样本数据，其中，样本数据包括样本信息和标签信息，样本信息包括样本轨迹的起始车站、起始时刻以及当前时刻，标签信息包括当前车站；将样本信息输入至初始模型，获取初始模型输出的迁移概率；基于迁移概率确定预测的当前车站；根据预测的当前车站和标签信息确定损失函数，并基于损失函数优化初始模型，得到乘客迁移模型。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：将样本信息输入至初始模型模型，获取初始模型输出的迁移概率，包括：对样本信息进行独热编码，得到样本信息的编码结果；将样本信息的编码结果输入至初始模型，得到初始模型输出的迁移概率。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取样本数据，包括：获取历史行程记录，其中，历史行程记录包括：起始车站、起始时刻、停止车站和停止时刻；基于历史行程记录推断出样本轨迹的轨迹序列；根据样本轨迹的轨迹序列构成样本数据。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：在基于历史行程记录推断出样本轨迹的轨迹序列之前，上述方法还包括：清除历史行程记录中的如下一项或多项：起始车站和停止车站相同的历史行程记录；停止时刻与起始时刻之间的时间差小于起始车站和停止车站之间的最小时间差的历史行程记录；起始时刻和/或停止时刻处于地铁交通系统的非运营时间的历史行程记录。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：轨迹序列包括单一轨迹序列，基于历史行程记录推断出样本轨迹的轨迹序列，包括：获取预设的相邻两个车站之间的行驶时间和乘客到达停止车站后出站所需的出站时间；根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断出乘客到达起始车站和停止车站中的每个车站的时刻，以得到单一轨迹序列。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断出乘客到达起始车站和停止车站中的每个车站的时刻，以得到单一轨迹序列，包括：将停止时刻向前推移出站时间，得到到达停止车站的到站时刻；将到站时刻向前推移第一车站与停止车站的行驶时间，得到到达第一车站的时刻，第一车站为停止车站的前一个车站；将到达第一车站的时刻向前推移第一车站与第二车站之间的行驶时间的，得到到达第二车站的时刻，其中，第二车站为第一车站的前一个车站。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：轨迹序列包括换乘轨迹序列，基于历史行程记录推断出样本轨迹的轨迹序列，包括：获取预设的相邻两个车站之间的行驶时间、乘客到达停止车站后出站所需的出站时间，以及从第三车站换乘至第四车站所需的换乘时间；根据停止时刻、出站时间和相邻两个车站之间的行驶时间推断第四车站至停止车站之间每个车站的到站时刻，并根据换乘时间、停止时刻、出站时间和相邻两个车站之间的行驶时间推断起始车站至第三车站之间每个车站的到站时刻。
实施例6
根据本申请实施例，还提供了一种计算机终端的实施例，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行应用程序的地铁交通系统的流量预测方法中以下步骤的程序代码：基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取目标车站在预测时间的进站流量；基于迁移流量和进站流量确定目标车站在预测时间的总流量。
可选地，图10是根据本申请实施例6的一种计算机终端的结构框图，如图10所示，该计算机终端700可以包括：一个或多个(图中仅示出一个)处理器702、存储器704、以及外设接口706。
其中，存储器可用于存储软件程序以及模块，如本申请实施例中的地铁交通系统的流量预测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述地铁交通系统的流量预测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端700。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器用于运行程序，可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取目标车站在预测时间的进站流量；基于迁移流量和进站流量确定目标车站在预测时间的总流量。
本领域普通技术人员可以理解，图10所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(Mobi leInternet Devices，MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如，计算机终端700还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例7
根据本申请实施例，还提供了一种地铁交通系统的流量预测系统，上述系统包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：
基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，迁移概率用于表示乘客从任意非目标车站迁移至目标车站的概率；基于迁移概率确定在预测时间迁移至目标车站的迁移流量；获取目标车站在预测时间的进站流量；基于迁移流量和进站流量确定目标车站在预测时间的总流量。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (18)
1.一种地铁交通系统的流量预测方法，其特征在于，包括：
基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，所述迁移概率用于表示乘客从任意非目标车站迁移至所述目标车站的概率；
基于所述迁移概率确定在所述预测时间迁移至所述目标车站的迁移流量；
获取所述目标车站在所述预测时间的进站流量；
基于所述迁移流量和所述进站流量确定所述目标车站在所述预测时间的总流量。
2.根据权利要求1所述的方法，其特征在于，基于所述迁移概率确定在所述预测时间迁移至所述目标车站的迁移流量，包括：
获取每个所述非目标车站在对应的起始时刻至所述预测时间之间的进站流量；
根据每个所述非目标车站的进站流量和每个所述非目标车站与所述目标车站之间的迁移概率确定每个所述非目标车站与所述目标车站之间的迁移流量；
确定每个所述非目标车站对应的迁移流量之和为所述目标车站在所述预测时间的迁移流量。
3.根据权利要求2所述的方法，其特征在于，在获取每个所述非目标车站在对应的起始时刻至所述预测时间之间的进站流量之前，所述方法还包括：获取每个所述非目标车站在对应的起始时刻，其中，获取每个所述非目标车站在对应的起始时刻的步骤包括：
获取每个所述非目标车站与所述目标车站之间的通行时间；
根据每个所述非目标车站对应的通行时间和所述预测时间，分别确定每个所述非目标车站对应的起始时刻，其中，每个所述非目标车站对应的起始时刻与所述预测时间的时间差为每个所述非目标车站对应的通行时间。
4.根据权利要求1所述的方法，其特征在于，基于所述迁移流量和所述进站流量确定所述目标车站在所述预测时间的总流量，包括：
获取所述目标车站在所述预测时间的滞留流量；
确定所述迁移流量、所述进站流量和所述滞留流量之和为所述目标车站在所述预测时间的总流量。
5.根据权利要求4所述的方法，其特征在于，获取所述目标车站在所述预测时间的滞留流量，包括：
根据预设的最大滞留时间获取预设时间范围，并获取所述目标车站在所述预设时间段的出站流量；
根据每个所述非目标车站在所述预设时间范围内的进站流量和每个所述非目标车站与所述目标车站之间的迁移概率，确定在所述预设时间范围内到达所述目标车站的到达流量；
确定所述到达流量与所述预设时间范围的出站流量之差为所述滞留流量。
6.根据权利要求1所述的方法，其特征在于，获取所述乘客迁移模型，其中，获取所述乘客迁移模型的步骤包括：
获取样本数据，其中，所述样本数据包括样本信息和标签信息，所述样本信息包括样本轨迹的起始车站、起始时刻以及当前时刻，所述标签信息包括当前车站；
将所述样本信息输入至初始模型，获取所述初始模型输出的迁移概率；
基于所述迁移概率确定预测的当前车站；
根据预测的当前车站和所述标签信息确定损失函数，并基于所述损失函数优化所述初始模型，得到所述乘客迁移模型。
7.根据权利要求6所述的方法，其特征在于，将所述样本信息输入至初始模型，获取所述初始模型输出的迁移概率，包括：
对所述样本信息进行独热编码，得到所述样本信息的编码结果；
将所述样本信息的编码结果输入至所述初始模型，得到所述初始模型输出的迁移概率。
8.根据权利要求6所述的方法，其特征在于，获取样本数据，包括：
获取历史行程记录，其中，所述历史行程记录包括：起始车站、起始时刻、停止车站和停止时刻；
基于所述历史行程记录推断出样本轨迹的轨迹序列；
根据所述样本轨迹的轨迹序列构成所述样本数据。
9.根据权利要求8所述的方法，其特征在于，在基于所述历史行程记录推断出样本轨迹的轨迹序列之前，所述方法还包括：清除所述历史行程记录中的如下一项或多项：
所述起始车站和所述停止车站相同的历史行程记录；
所述停止时刻与所述起始时刻之间的时间差小于所述起始车站和所述停止车站之间的最小时间差的历史行程记录；
所述起始时刻和/或所述停止时刻处于所述地铁交通系统的非运营时间的历史行程记录。
10.根据权利要求8所述的方法，其特征在于，所述轨迹序列包括单一轨迹序列，基于所述历史行程记录推断出样本轨迹的轨迹序列，包括：
获取预设的相邻两个车站之间的行驶时间和乘客到达所述停止车站后出站所需的出站时间；
根据所述停止时刻、所述出站时间和所述相邻两个车站之间的行驶时间推断出所述乘客到达所述起始车站和所述停止车站中的每个车站的时刻，以得到所述单一轨迹序列。
11.根据权利要求10所述的方法，其特征在于，根据所述停止时刻、所述出站时间和所述相邻两个车站之间的行驶时间推断出所述乘客到达所述起始车站和所述停止车站中的每个车站的时刻，以得到所述单一轨迹序列，包括：
将所述停止时刻向前推移所述出站时间，得到到达所述停止车站的到站时刻；
将所述到站时刻向前推移第一车站与所述停止车站的行驶时间，得到到达所述第一车站的时刻，所述第一车站为所述停止车站的前一个车站；
将到达第一车站的时刻向前推移所述第一车站与第二车站之间的行驶时间的，得到到达所述第二车站的时刻，其中，所述第二车站为所述第一车站的前一个车站。
12.根据权利要求8所述的方法，其特征在于，所述轨迹序列包括换乘轨迹序列，基于所述历史行程记录推断出样本轨迹的轨迹序列，包括：
获取预设的相邻两个车站之间的行驶时间、乘客到达停止车站后出站所需的出站时间，以及从第三车站换乘至第四车站所需的换乘时间；
根据所述停止时刻、所述出站时间和所述相邻两个车站之间的行驶时间推断所述第四车站至所述停止车站之间每个车站的到站时刻，并根据所述换乘时间、所述停止时刻、所述出站时间和所述相邻两个车站之间的行驶时间推断所述起始车站至所述第三车站之间每个车站的到站时刻。
13.一种地铁交通系统的流量预测方法，其特征在于，包括：
通过捕获目标车站的进站人数，确定所述目标车站在预测时间的进站流量；
基于乘客迁移模型预测所述目标车站在所述预测时间的迁移概率，其中，所述迁移概率用于表示乘客从任意非目标车站迁移至所述目标车站的概率；
基于所述迁移概率确定在所述预测时间迁移至所述目标车站的迁移流量；
基于所述迁移流量和所述进站流量，确定所述目标车站在所述预测时间的总流量。
14.一种地铁交通系统的流量预测装置，其特征在于，包括：
第一预测模块，用于基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，所述迁移概率用于表示乘客从任意非目标车站迁移至所述目标车站的概率；
第一确定模块，用于基于所述迁移概率确定在所述预测时间迁移至所述目标车站的迁移流量；
获取模块，用于获取所述目标车站在所述预测时间的进站流量；
第一总流量确定模块，用于基于所述迁移流量和所述进站流量确定所述目标车站在所述预测时间的总流量。
15.一种地铁交通系统的流量预测装置，其特征在于，包括：
捕获模块，用于通过捕获目标车站的进站人数，确定所述目标车站在预测时间的进站流量；
第二预测模块，基于乘客迁移模型预测所述目标车站在所述预测时间的迁移概率，其中，所述迁移概率用于表示乘客从任意非目标车站迁移至所述目标车站的概率；
第二确定模块，用于基于所述迁移概率确定在所述预测时间迁移至所述目标车站的迁移流量；
第二总流量确定模块，用于基于所述迁移流量和所述进站流量，确定所述目标车站在所述预测时间的总流量。
16.一种计算机可读存储介质，其特征在于，计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至13中任意一项所述的地铁交通系统的流量预测方法。
17.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至13中任意一项所述的地铁交通系统的流量预测方法。
18.一种地铁交通系统的流量预测系统，其特征在于，包括：
处理器；以及
存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：
基于乘客迁移模型预测目标车站在预测时间的迁移概率，其中，所述迁移概率用于表示乘客从任意非目标车站迁移至所述目标车站的概率；
基于所述迁移概率确定在所述预测时间迁移至所述目标车站的迁移流量；
获取所述目标车站在所述预测时间的进站流量；
基于所述迁移流量和所述进站流量确定所述目标车站在所述预测时间的总流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224598.2A CN114997454A (zh) | 2021-03-01 | 2021-03-01 | 地铁交通系统的流量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224598.2A CN114997454A (zh) | 2021-03-01 | 2021-03-01 | 地铁交通系统的流量预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997454A true CN114997454A (zh) | 2022-09-02 |
Family
ID=83018246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110224598.2A Pending CN114997454A (zh) | 2021-03-01 | 2021-03-01 | 地铁交通系统的流量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997454A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973640A (zh) * | 2024-03-29 | 2024-05-03 | 煤炭科学研究总院有限公司 | 换乘地铁站换乘人流量预测方法及装置 |
-
2021
- 2021-03-01 CN CN202110224598.2A patent/CN114997454A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973640A (zh) * | 2024-03-29 | 2024-05-03 | 煤炭科学研究总院有限公司 | 换乘地铁站换乘人流量预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866649A (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
| 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 | |
| CN108537392A (zh) | 一种基于时空特征预测轨道交通站点出站客流量的方法 | |
| CN110874668B (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
| CN112272199A (zh) | 乘客信息处理系统、方法、用户设备及二维码扫描装置 | |
| CN103605725A (zh) | 公交车到站时间查询方法、nfc终端和服务器 | |
| Yamamoto et al. | Structured random walk parameter for heterogeneity in trip distance on modeling pedestrian route choice behavior at downtown area | |
| JP5525909B2 (ja) | 情報提供装置および情報提供方法 | |
| Liu et al. | Understanding the route choice behaviour of metro-bikeshare users | |
| CN109636458A (zh) | 一种轨道交通用户画像生成方法 | |
| CN114997454A (zh) | 地铁交通系统的流量预测方法及装置 | |
| Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
| Su et al. | Data‐Driven Method for Passenger Path Choice Inference in Congested Subway Network | |
| CN106295868A (zh) | 交通出行数据处理方法及装置 | |
| Cui et al. | Usage demand forecast and quantity recommendation for urban shared bicycles | |
| CN112990518B (zh) | 一种地铁个体乘客目的站点实时预测方法及装置 | |
| CN115098564A (zh) | 一种乘客出行需求分析方法及系统 | |
| CN213342281U (zh) | 乘客信息处理系统 | |
| CN109558961B (zh) | 确定位置信息的方法和系统、存储介质、处理器以及装置 | |
| Wincent et al. | Access distance to e-scooters: Analysis of app use and trip data in Stockholm | |
| CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
| CN117494864A (zh) | 一种基于rsalgcn的城市轨道交通短时客流预测方法 | |
| CN111741051B (zh) | 交通工具满载率确定方法、装置、存储介质及电子装置 | |
| CN111489024B (zh) | 出行方案推荐方法、装置、设备及存储介质 | |
| CN114973640A (zh) | 交通流量的预测方法、装置及系统 |
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 |