CN115471013A - 一种基于Prophet-PSO模型的客流预测系统 - Google Patents

一种基于Prophet-PSO模型的客流预测系统 Download PDF

Info

Publication number
CN115471013A
CN115471013A CN202211280914.9A CN202211280914A CN115471013A CN 115471013 A CN115471013 A CN 115471013A CN 202211280914 A CN202211280914 A CN 202211280914A CN 115471013 A CN115471013 A CN 115471013A
Authority
CN
China
Prior art keywords
passenger flow
model
prophet
data
target
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
CN202211280914.9A
Other languages
English (en)
Inventor
李森
李茂哲
黄思
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.)
Hainan Port And Shipping Holding Co ltd
Original Assignee
Hainan Port And Shipping Holding 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 Hainan Port And Shipping Holding Co ltd filed Critical Hainan Port And Shipping Holding Co ltd
Priority to CN202211280914.9A priority Critical patent/CN115471013A/zh
Publication of CN115471013A publication Critical patent/CN115471013A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

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

Abstract

本发明公开一种基于Prophet‑PSO模型的客流预测系统，属于智能交通系统流量预测领域。包括：客流统计装置，用于接收目标站点、预测的时间粒度和历史时期的指定，统计目标站点在指定历史时期内每个时间粒度的历史客流数据，并将统计到的历史客流数据发送至训练模块；训练模块，用于采用历史客流数据训练客流预测模型，所述客流预测模型包括Prophet模型和PSO算法，所述PSO算法为使用动态惯性权重的PSO算法，用于对Prophet模型的控制拟合程度的参数组合进行寻优，所述Prophet模型用于采用最优的参数组合对未来的客流进行预测；客流预测模块，用于接收目标站点的目标时间，输入至训练好的Prophet模型，得到目标站点目标时间的预测客流。本发明使用改进后粒子群算法，可自动调整Prophet模型。

Description

一种基于Prophet-PSO模型的客流预测系统
技术领域
本发明属于智能交通系统流量预测领域，更具体地，涉及一种基于Prophet-PSO模型的客流预测系统。
背景技术
交通客流时间序列会受到许多因素的影响，例如天气条件、是否节假日、随机事件等，且客流时间序列的非线性和非平稳特性，以及行业要求的高性能，都使得准确的短期客流预测成为一项较为困难的任务。但另一方面来讲，交通客流序列也有一定的周期性和趋势性，可以使用合适的算法模型借助其特性来更好的预测未来的客流量。
专利CN113987944A公开了一种基于Prophet模型的地铁进站客流预测方法，包括：读取AFC进站客流历史数据；根据所述进站客流历史数据，获取假日时间数据；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；根据所述进站客流历史数据，获取进站客流的周期性数据；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；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。
然而，该方法存在以下缺陷和不足：Prophet拟合数据时，控制拟合程度的参数需要分析人员手动调整、运行、比较结果，非常的不方便且浪费时间，且对趋势项不强的数据不敏感，预测准确率低。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于Prophet-PSO模型的客流预测系统，旨在解决现有预测方法训练耗时、预测准确率低的问题。
为实现上述目的，本发明提供了一种基于Prophet-PSO模型的客流预测系统，该系统包括：
客流统计装置，用于接收目标站点、预测的时间粒度和历史时期的指定，统计目标站点在指定历史时期内每个时间粒度的历史客流数据，并将统计到的历史客流数据发送至训练模块；
训练模块，用于采用历史客流数据训练客流预测模型，所述客流预测模型包括Prophet模型和PSO算法，所述PSO算法为使用动态惯性权重的PSO算法，用于对Prophet模型的控制拟合程度的参数组合(Changepoint_prior_scale，Seasonality_prior_scale，Holidays_prior_scale)进行寻优，所述Prophet模型用于采用最优的参数组合对未来的客流进行预测；
客流预测模块，用于接收目标站点的目标时间，输入至训练好的Prophet模型，得到目标站点目标时间的预测客流。
优选地，所述动态惯性权重通过线性递减权值策略获取。
优选地，所述动态惯性权重的计算公式如下：
ω(t)＝(ωmax-ωmin)(Gk-g)/Gk+ωmin
其中，Gk代表最大迭代次数，g是当前迭代次数，ωmax代表所设置的最大惯性权重值；ωmin代表最小惯性权重值。
优选地，所述动态惯性权重的计算公式如下：
Figure BDA0003898298260000021
其中，Gk代表最大迭代次数，g是当前迭代次数，ωmax代表所设置的最大惯性权重值；ωmin代表最小惯性权重值。
优选地，所述客流统计装置为能抓取乘客的乘坐记录的网络爬虫技术设备、能输出历史购票数据的自动售检票设备或者基于视频图像处理的客流统计设备。
优选地，目标站点为飞机场、火车站、城市轨道交通车站、或者轮渡渡口。
优选地，预测的时间粒度为小时、天、周、月、季或者年。
优选地，对数据进行预处理，具体如下：
提取合并原始日期项数据中的“年份”列和“月份”列数据，加入具体日期固定为每月1日；
将客流数据统一缩小105倍，得到客流列数据。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提出了一种基于Prophet-PSO模型的客流预测系统，所述粒子群算法为使用动态惯性权重的PSO算法，动态惯性权重可以增强粒子群算法的寻优性能，平衡粒子群算法的全局搜索和局部搜索能力，提高了预测准确率；改进后的粒子群算法在面对不同的数据集时，可以自动调整拟合各分量曲线程度参数的Prophet模型，以达到让模型可以自动适应数据集的目的，去除了用户手动调整拟合程度的过程，提高了模型使用的效率，也降低了模型的使用门槛，有利于模型的广泛使用。
附图说明
图1为本发明提供的一种基于Prophet-PSO模型的客流预测系统示意图。
图2(a)为本发明实施例提供的传统Prophet模型预测结果示意图。
图2(b)为本发明实施例提供的改进后的自适应权重Prophet模型预测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
图1为本发明提供的一种基于Prophet-PSO模型的客流预测系统示意图。如图1所示，该系统包括：
客流统计装置，用于接收目标站点、预测的时间粒度和历史时期的指定，统计目标站点在指定历史时期内每个时间粒度的历史客流数据，并将统计到的历史客流数据发送至训练模块。
优选地，所述客流统计装置为能抓取乘客的乘坐记录的网络爬虫技术设备、能输出历史购票数据的自动售检票设备或者基于视频图像处理的客流统计设备。
优选地，目标站点为飞机场、火车站、城市轨道交通车站、或者轮渡渡口。
优选地，预测的时间粒度为小时、天、周、月、季或者年。
优选地，对数据进行预处理，具体如下：
提取合并原始日期项数据中的“年份”列和“月份”列数据，加入具体日期固定为每月1日；
将客流数据统一缩小105倍，得到客流列数据。
训练模块，用于采用历史客流数据训练客流预测模型，所述客流预测模型包括Prophet模型和PSO算法，所述PSO算法为使用动态惯性权重的PSO算法，用于对Prophet模型的控制拟合程度的参数组合(Changepoint_prior_scale，Seasonality_prior_scale，Holidays_prior_scale)进行寻优，所述Prophet模型用于采用最优的参数组合对未来的客流进行预测。
惯性权重在粒子速度表达式的计算中占有重要地位。它代表了前一时刻粒子的速度对下一时刻的影响，对下一时刻的速度计算也有一定的意义。同时，惯性权重也有助于平衡粒子群算法的全局和局部搜索能力。当惯性权重较大时，粒子更容易按照自己认定的方向在解空间中运动，个体历史最优值和全局最优值对粒子的影响很小。当惯性权重较小时，算法中的粒子更容易移动到个体历史和全局优化值，不太会按照自己的想法操作。由于标准粒子群算法的惯性权重是固定的，无法在每次迭代时动态调整学习参数，粒子在搜索过程中也无法实时调整，使得粒子的运动状态从始至终不会发生变化，导致粒子群算法的寻优结果不佳。
优选地，所述动态惯性权重通过线性递减权值策略获取。
优选地，所述动态惯性权重的计算公式如下：
ω(t)＝(ωmax-ωmin)(Gk-g)/Gk+ωmin
其中，Gk代表最大迭代次数，g是当前迭代次数，ωmax代表所设置的最大惯性权重值，也是最初始的惯性权重值；ωmin代表最小惯性权重值，也是最终的惯性权重值。
优选地，所述动态惯性权重的计算公式如下：
Figure BDA0003898298260000051
其中，Gk代表最大迭代次数，g是当前迭代次数，ωmax代表所设置的最大惯性权重值，也是最初始的惯性权重值；ωm1n代表最小惯性权重值，也是最终的惯性权重值。
使用预测值与实际值进行运算得到预测结果的平均绝对误差，将平均绝对误差的值作为评价指标，得到使模型预测性能最优的参数的值，带入模型得到最终的预测结果。
Changepoint_prior_scale的值越大，模型选择的变点就越多，模型对历史数据的拟合程度就越强。为了保证模型可以适应不同的数据集，本发明设置Changepoint_prior_scale的取值区间为(0,0.2]。
Seasonality_prior_scale的值越大，模型将能适应更强的季节性波动。为了保证模型可以适应不同的数据集，本发明设置Seasonality_prior_scale的取值区间为(0,20]。
Holidays_prior_scale的值越大，节假日对模型的影响就越大。为了保证模型可以适应不同的数据集，本发明设置Holidays_prior_scale的取值区间为(0,20]。
客流预测模块，用于接收目标站点的目标时间，输入至训练好的Prophet模型，得到目标站点目标时间的预测客流。
实施例
本实施例训练模型所使用的数据为1977-2015年某城市各机场的客流量，数据集具体内容为1977-2015年某城市数个机场的每月的客流量，为了方便模型预测，将每月数据视作每月1日的数据进行拟合。其中，将1977-2014的客流量数据作为训练集，使用训练好的模型预测2015年的机场客流量，将预测结果与实际结果对比可以得到预测精度。
图2(a)为本发明实施例提供的传统Prophet模型预测结果示意图。图2(b)为本发明实施例提供的改进后的自适应权重Prophet模型预测结果示意图。如图2(a)和图2(b)所示，相较于传统Prophet模型，改进后的自适应权重Prophet模型在MAE、MAPE、RMSE三种评价指标上的表现都更优异，尤其是MAPE数据，改进后的自适应权重Prophet模型预测结果的平均绝对百分比误差几乎只有传统Prophet模型预测结果的平均绝对百分比误差的一半。这说明，改进后的自适应权重Prophet模型比传统Prophet模型更适应数据集，预测性能也更好。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于Prophet-PSO模型的客流预测系统，其特征在于，该系统包括：
客流统计装置，用于接收目标站点、预测的时间粒度和历史时期的指定，统计目标站点在指定历史时期内每个时间粒度的历史客流数据，并将统计到的历史客流数据发送至训练模块；
训练模块，用于采用历史客流数据训练客流预测模型，所述客流预测模型包括Prophet模型和PSO算法，所述PSO算法为使用动态惯性权重的PSO算法，用于对Prophet模型的控制拟合程度的参数组合(Changepoint_prior_scale，Seasonality_prior_scale，Holidays_prior_scale)进行寻优，所述Prophet模型用于采用最优的参数组合对未来的客流进行预测；
客流预测模块，用于接收目标站点的目标时间，输入至训练好的Prophet模型，得到目标站点目标时间的预测客流。
2.如权利要求1所述的系统，其特征在于，所述动态惯性权重通过线性递减权值策略获取。
3.如权利要求2所述的系统，其特征在于，所述动态惯性权重的计算公式如下：
ω(t)＝(ωmax-ωmin)(Gk-g)/Gk+ωmin
其中，Gk代表最大迭代次数，g是当前迭代次数，ωmax代表所设置的最大惯性权重值；ωmin代表最小惯性权重值。
4.如权利要求2所述的系统，其特征在于，所述动态惯性权重的计算公式如下：
Figure FDA0003898298250000011
其中，Gk代表最大迭代次数，g是当前迭代次数，ωmax代表所设置的最大惯性权重值；ωmin代表最小惯性权重值。
5.如权利要求1所述的系统，其特征在于，所述客流统计装置为能抓取乘客的乘坐记录的网络爬虫技术设备、能输出历史购票数据的自动售检票设备或者基于视频图像处理的客流统计设备。
6.如权利要求1所述的系统，其特征在于，目标站点为飞机场、火车站、城市轨道交通车站、或者轮渡渡口。
7.如权利要求1所述的系统，其特征在于，预测的时间粒度为小时、天、周、月、季或者年。
8.如权利要求1所述的系统，其特征在于，对数据进行预处理，具体如下：
提取合并原始日期项数据中的“年份”列和“月份”列数据，加入具体日期固定为每月1日；
将客流数据统一缩小105倍，得到客流列数据。
CN202211280914.9A 2022-10-19 2022-10-19 一种基于Prophet-PSO模型的客流预测系统 Pending CN115471013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211280914.9A CN115471013A (zh) 2022-10-19 2022-10-19 一种基于Prophet-PSO模型的客流预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211280914.9A CN115471013A (zh) 2022-10-19 2022-10-19 一种基于Prophet-PSO模型的客流预测系统

Publications (1)

Publication Number Publication Date
CN115471013A true CN115471013A (zh) 2022-12-13

Family

ID=84337454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211280914.9A Pending CN115471013A (zh) 2022-10-19 2022-10-19 一种基于Prophet-PSO模型的客流预测系统

Country Status (1)

Country Link
CN (1) CN115471013A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987944A (zh) * 2021-10-29 2022-01-28 成都智元汇信息技术股份有限公司 基于Prophet模型的地铁进站客流预测方法及装置
CN114626586A (zh) * 2022-02-28 2022-06-14 复旦大学 基于prophet-LightGBM混合模型的大规模建筑能耗预测方法
CN114970815A (zh) * 2022-05-19 2022-08-30 南京信息工程大学 一种基于改进pso算法优化lstm的交通流预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987944A (zh) * 2021-10-29 2022-01-28 成都智元汇信息技术股份有限公司 基于Prophet模型的地铁进站客流预测方法及装置
CN114626586A (zh) * 2022-02-28 2022-06-14 复旦大学 基于prophet-LightGBM混合模型的大规模建筑能耗预测方法
CN114970815A (zh) * 2022-05-19 2022-08-30 南京信息工程大学 一种基于改进pso算法优化lstm的交通流预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ALFI ALIREZA: "PSO with Adaptive Mutation and InertiaWeight and Its Application in Parameter Estimation of Dynamic Systems" *
冯婷 等: "改进收敛条件的动态调整惯性权重 PSO 算法" *
王志颖 等: "用于边坡变形分析与预测的PSO-Prophet模型" *
王晓 等: "基于 Prophet 算法的铁路客流量预测研究" *

Similar Documents

Publication Publication Date Title
CN107045673B (zh) 基于堆模型融合的公共自行车流量变化量预测方法
CN109376935B (zh) 一种基于神经网络的公交客流分时段组合预测方法
CN111613054B (zh) 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法
CN102855760B (zh) 基于浮动车数据的在线排队长度检测方法
CN105632222B (zh) 预报到站时间的方法及其系统
CN111341095B (zh) 一种基于边缘侧在线计算的交通信号控制系统及方法
CN113962472B (zh) 一种基于GAT-Seq2seq模型的时空双注意力地铁客流短时预测方法
Sharma et al. Neural networks as alternative to traditional factor approach of annual average daily traffic estimation from traffic counts
CN110956807A (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
WO2021115320A1 (zh) 交通评估方法和系统
CN105117790A (zh) 车费预估方法及装置
CN108216311B (zh) 一种基于大数据和物联网的轨道交通调度方法
CN116205329A (zh) 一种节假日客流量预测方法
CN116663742B (zh) 基于多因素和模型融合的区域运力预测方法
CN114399099A (zh) 一种城市轨道交通断面客流的预测方法及装置
Othman et al. Machine learning aided simulation of public transport utilization
CN113665576B (zh) 车辆行驶工况预测方法、装置、设备及介质
CN113537596B (zh) 一种城市轨道交通新线站点短时客流预测方法
CN113205227B (zh) 一种车辆线路优化方法及装置
Lin et al. Insights into Travel Pattern Analysis and Demand Prediction: A Data-Driven Approach in Bike-Sharing Systems
CN111199337A (zh) 一种新能源规划方法
US20230153742A1 (en) Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof
Ye et al. Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches
CN115471013A (zh) 一种基于Prophet-PSO模型的客流预测系统
CN117314504A (zh) 一种公共交通客流预测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221213