CN115759472B - 客流信息的预测方法、装置及电子设备 - Google Patents
客流信息的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115759472B CN115759472B CN202211563097.8A CN202211563097A CN115759472B CN 115759472 B CN115759472 B CN 115759472B CN 202211563097 A CN202211563097 A CN 202211563097A CN 115759472 B CN115759472 B CN 115759472B
- Authority
- CN
- China
- Prior art keywords
- target
- predicted
- correction
- passenger flow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 191
- 238000012937 correction Methods 0.000 claims abstract description 284
- 238000009826 distribution Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000002715 modification method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000012546 transfer Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种客流信息的预测方法、装置及电子设备。其中,该方法包括:依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息。本申请解决了相关技术中的短期客流预测在非预知情况发生时会出现较大的预测偏差的技术问题。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种客流信息的预测方法、装置及电子设备。
背景技术
城市轨道交通短期客流预测是保障科学高效的调度指挥和客运管理的有力支撑。短期客流预测数据一般是对未来一周或一个月内的客流量进行预测,这样虽然能够提前给运营组织提供充裕的安排及调整时间,但在突发状况、恶劣天气等非预知情况发生时会出现较大预测偏差。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种客流信息的预测方法、装置及电子设备,以至少解决相关技术中的短期客流预测在非预知情况发生时会出现较大的预测偏差的技术问题。
根据本申请实施例的一个方面,提供了一种客流信息的预测方法,包括:依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息。
可选地,预测目标乘客在目标车站的预测出站信息,包括:依据去向概率分布为目标乘客分配出站车站信息,并预测目标车站的出站客流量;依据目标乘客的进站信息和目标乘客的出站车站信息,确定目标乘客的预测出站信息。
可选地,去向概率分布是通过以下方式得到的:确定当前时刻对应的日期类型,其中,日期类型包括以下之一:工作日和非工作日;从历史出行数据中找到当前时刻之前,且与当前时刻的日期类型相同的目标历史日期;获取目标历史日期中的当前时刻之前的预设时间段内的第一客流信息,其中,第一客流信息包括预设时间段内的进站车站到出站车站的客流量和预设时间段内进站车站的总进站客流量;依据第一客流信息,确定目标乘客在目标车站的去向概率分布,其中,去向概率分布表示在预设时间段内从进站车站到出站车站的去向概率分布。
可选地,采用目标修正方法对目标车站在目标时段的进站客流量进行修正之前,方法还包括:判断当前时段之前的多个时段的预测进站客流量与对应的实际进站客流量的误差的绝对值是否大于预设阈值,且误差的持续时长是否大于预设时长;在误差的绝对值大于预设阈值,且误差的持续时长大于预设时长的情况下,采用目标修正方法对目标车站在目标时段的进站客流量进行修正。
可选地,采用目标修正方法对目标车站在目标时段的进站客流量进行修正之前,方法还包括:采用第一修正方法对目标时段的预测进站客流量进行修正,得到第一修正预测量,其中,第一修正方法为当前时段的预测进站客流量和当前时段之前的多个时段的实际进站客流量进行加权求和;采用第二修正方法对目标时段的预测进站客流量进行修正,得到第二修正预测量,其中,第二修正方法为当前时段的预测进站客流量与当前时段之前的多个时段的预测进站客流量和实际进站客流量的绝对误差的相反数进行加权求和;确定与第一修正预测量对应的第一误差,以及确定与第二修正预测量对应的第二误差,其中,第一误差至少由第一修正预测量和目标时段的实际进站客流量确定,第二误差至少由第二修正预测量和目标时段的实际进站客流量确定;将第一误差和第二误差中的最小值所对应的修正方法确定为目标修正方法。
可选地,将第一误差和第二误差中的最小值所对应的修正方法确定为目标修正方法之前,方法还包括:确定第一修正方法中的第一权重,以及确定第二修正方法中的第二权重;按照预设方式调整第一权重后,依据调整第一权重后的第一修正方法对目标时段的预测进站客流量进行修正,得到更新后的第一修正预测量;按照预设方式调整第二权重后,依据调整第二权重后的第二修正方法对目标时段的预测进站客流量进行修正,得到更新后的第二修正预测量;依据更新后的第一修正预测量和更新后的第二修正预测量,更新第一误差和第二误差。
可选地,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,包括:确定目标时段中的多个时段对应的多个预测修正量;将预测修正量分配至多个时段对应的多个预测修正量。
根据本申请实施例的另一方面,还提供了一种客流信息的预测装置,包括:预测模块,用于依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;修正模块,用于依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;确定模块,用于依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息。
根据本申请实施例的又一方面,还提供了一种电子设备,包括:存储器,用于存储程序指令;处理器,与存储器连接,用于执行实现以下功能的程序指令:依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,该非易失性存储介质包括存储的计算机程序,其中,该非易失性存储介质所在设备通过运行计算机程序执行上述客流信息的预测方法。
在本申请实施例中,通过获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息,达到了对预测客流量进行实时修正的目的,从而实现了提高预测的准确率的技术效果,进而解决了相关技术中的短期客流预测在非预知情况发生时会出现较大的预测偏差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现客流信息的预测方法的计算机终端(或电子设备)的硬件结构框图;
图2是根据本申请实施例的一种客流信息的预测方法的流程图;
图3a是根据本申请实施例的一种实时修正方案的示意图;
图3b是根据本申请实施例的一种趋势预测工作流程图;
图3c是根据本申请实施例的一种修正前后路网进站量误差对比示意图;
图3d是根据本申请实施例的一种15分钟粒度路网进站量修正前后平均绝对百分比误差示意图;
图3e是根据本申请实施例的一种30分钟粒度路网进站量修正前后平均绝对百分比误差示意图;
图3f是根据本申请实施例的一种15分钟粒度车站进站量修正前后平均绝对百分比误差示意图;
图3g是根据本申请实施例的一种30分钟粒度车站进站量修正前后平均绝对百分比误差示意图;
图4是根据本申请实施例的一种客流信息的预测装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请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。
首先,在对本申请实施例进行解释说明的过程中出现的部分名词或术语适用于如下解释:
前向加权修正法:将本时段预测量和前面若干时段的实际量加权求和,作为本时段的修正预测量。
移动误差反向加权修正法:将本时段预测量与前面若干时段绝对误差的相反数做加权求和,作为本时段的修正预测量。
实时预测一般是针对进出站量、上下车量、断面客流量这样的指标进行,但预测指标间常常出现逻辑不自洽的情况,例如预测某时段的断面客流量与途径车站的上下车量累加有较大差异、换乘站换入量与进站量之和与上车量有较大差异等。相关技术中对于客流的预测范围一般在未来一周或一个月内,时间跨度大,当遇到突发状况或恶劣天气等非预知情况发生时会出现较大预测偏差。为解决相关技术中存在的问题,本申请实施例提供了相应的解决方案,以下详细说明。
本申请实施例所提供的客流信息的预测方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现客流信息的预测方法的计算机终端(或电子设备)的硬件结构框图。如图1所示,计算机终端10(或电子设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器(处理器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,计算机终端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机终端10(或电子设备)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,如本申请实施例中的客流信息的预测方法对应的程序指令/数据存储装置,处理器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,即实现上述的客流信息的预测方法。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机终端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机终端10(或电子设备)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(或电子设备)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(或电子设备)中的部件的类型。
在上述运行环境下,本申请实施例提供了一种客流信息的预测方法实施例,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。
图2是根据本申请实施例的一种客流信息的预测方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;
步骤S204,依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;
步骤S206,依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息。
通过图3a所示的实时修正方案的示意图对上述步骤S202至步骤S206进行解释说明。在图3a中,根据获取精细化客流预测数据和实时AFC(自动售检票系统)刷卡数据,对预测客流信息进行实时修正,实时修正主要包括实时预测清分(当前时刻前)、趋势修正(当前时刻后)和指标修正三部分。实时预测清分主要针对当前时刻前进站且未出站的乘客,由于这些乘客尚未出站,所以需要大数据分析挖掘乘客的历史出行规律,为这些乘客预测出站信息,生成清分结果(即上述预测出站信息)。具体地,根据实时刷卡数据,进行实时D站预测,对所有乘客进行快速清分后,筛选出进站但未出站OD清分结果。趋势修正则是根据当前时刻以前各车站AFC实时进站数据(即上述进站客流量)及客流预测数据(即上述进站预测客流量),采用训练好的修正方法(即上述目标修正方法)及参数并利用预测OD(交通出行量)分布规律,对下一时段(即上述目标时段)预测OD量及清分结果(即上述预测修正量)进行精细化修正。具体地,首先对不同修正方法中的权值进行离线权值训练,根据训练后的最优修正方法对实时进站客流量进行修正,并进行实时OD量修正,实现未来短期预测清分修正。最后,将趋势修正的清分结果与实时预测清分结果合并,计算下一时段的进出站量、换乘站、客运量、换乘量、各断面客流量、单车满载率、客流来去向等指标(即上述客流信息),完成指标修正。
在上述客流信息的预测方法中的步骤S202中,预测目标乘客在目标车站的预测出站信息,具体包括如下步骤:依据去向概率分布为目标乘客分配出站车站信息,并预测目标车站的出站客流量;依据目标乘客的进站信息和目标乘客的出站车站信息,确定目标乘客的预测出站信息。
在上述客流信息的预测方法中,去向概率分布是通过以下方式得到的:确定当前时刻对应的日期类型,其中,日期类型包括以下之一:工作日和非工作日;从历史出行数据中找到当前时刻之前,且与当前时刻的日期类型相同的目标历史日期;获取目标历史日期中的当前时刻之前的预设时间段内的第一客流信息,其中,第一客流信息包括预设时间段内的进站车站到出站车站的客流量和预设时间段内进站车站的总进站客流量;依据第一客流信息,确定目标乘客在目标车站的去向概率分布,其中,去向概率分布表示在预设时间段内从进站车站到出站车站的去向概率分布。
在本申请实施例中,客流实时预测清分主要针对当前时刻前0-T分钟进站且未出站的乘客,利用该T分钟预测进站的出站分布概率分配实际进站量的出站分布,生成预测出站车站及出站时间,进而利用清分模型系统推算其在路网的出行路径、换乘站及乘车车次等信息(即上述预测出站信息),具体步骤如下:
步骤1:计算历史相似日(即上述目标历史日期)当前时刻前0-T分钟(下文用第t-1时段表示,也即上述预设时间段),车站i到路网其他车站j的去向概率分布(数值在0到1之间)对应的公式(1)如下:
其中,表示第t-1时段从i站到j站的去向概率分布,/>表示第t-1时段从i站到j站的OD客流量(即上述预设时间段内的进站车站到出站车站的客流量),/>表示第t-1时段i站的进站量(即上述预设时间段内进站车站的总进站客流量)。进而计算车站i到路网其他车站的累积概率分布(即上述去向概率分布)。
步骤2:对于当日第t-1时段从i站进站的每位乘客,采用轮盘赌算法,根据上述去向累积概率分布分配出站车站,形成预测OD。
步骤3:对于每一个OD,统计近期一个月相同日期类型(工作日、双休日)的OD时间,然后采用拉依达准则剔除不合理时间。
步骤4:对于当日第t-1时段从i站进站、预测从j站出站的每位乘客,在剩余OD时间范围内随机时间sij,并叠加实际进站时间,生成预测出站时间。
步骤5:利用清分模型系统,结合计划运行图对生成的OD出行记录进行快速清分,生成包含OD出行路径、换乘站、乘车车次等信息的清分结果,结合前面所有时段实时预测清分结果,筛选出已进未出OD的清分结果(即上述目标乘客的预测出站信息),用于后续指标修正。
在上述客流信息的预测方法中的步骤S204中,采用目标修正方法对目标车站在目标时段的进站客流量进行修正之前,方法还包括如下步骤:判断当前时段之前的多个时段的预测进站客流量与对应的实际进站客流量的误差的绝对值是否大于预设阈值,且误差的持续时长是否大于预设时长;在误差的绝对值大于预设阈值,且误差的持续时长大于预设时长的情况下,采用目标修正方法对目标车站在目标时段的进站客流量进行修正。
在上述客流信息的预测方法中的步骤S204中,采用目标修正方法对目标车站在目标时段的进站客流量进行修正之前,方法还包括如下步骤:采用第一修正方法对目标时段的预测进站客流量进行修正,得到第一修正预测量,其中,第一修正方法为当前时段的预测进站客流量和当前时段之前的多个时段的实际进站客流量进行加权求和;采用第二修正方法对目标时段的预测进站客流量进行修正,得到第二修正预测量,其中,第二修正方法为当前时段的预测进站客流量与当前时段之前的多个时段的预测进站客流量和实际进站客流量的绝对误差的相反数进行加权求和;确定与第一修正预测量对应的第一误差,以及确定与第二修正预测量对应的第二误差,其中,第一误差至少由第一修正预测量和目标时段的实际进站客流量确定,第二误差至少由第二修正预测量和目标时段的实际进站客流量确定;将第一误差和第二误差中的最小值所对应的修正方法确定为目标修正方法。
在上述步骤中,将第一误差和第二误差中的最小值所对应的修正方法确定为目标修正方法之前,方法还包括如下步骤:确定第一修正方法中的第一权重,以及确定第二修正方法中的第二权重;按照预设方式调整第一权重后,依据调整第一权重后的第一修正方法对目标时段的预测进站客流量进行修正,得到更新后的第一修正预测量;按照预设方式调整第二权重后,依据调整第二权重后的第二修正方法对目标时段的预测进站客流量进行修正,得到更新后的第二修正预测量;依据更新后的第一修正预测量和更新后的第二修正预测量,更新第一误差和第二误差。
在上述客流信息的预测方法中的步骤S204中,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,具体包括如下步骤:确定目标时段中的多个时段对应的多个预测修正量;将预测修正量分配至多个时段对应的多个预测修正量。
在本申请实施例中,需将每日划分为多个时段,例如从5:00至23:00每T分钟划分1个时段。如果路网前n时段的预测与实际进站客流量相对误差的绝对值持续大于预设阈值(例如10%),则对每个车站根据当前时刻下一时段(简称第t时段)的预测进站量、当前时刻前的实际进站量,利用训练的最优修正方法(即上述目标修正方法)及权值计算进站客流量的修正量。以下对目标修正方法的确定方式进行详细说明。
通过离线权值训练的过程得到上述目标修正方法,如图3b所示的趋势预测工作流程图,在图3b中,离线权值训练(车站)的具体步骤如下:
步骤一:选择预测日的相似日(默认为同日期类型前一天),从5:00至23:00每T分钟划分1个修正时段。
步骤二:分别采用前向加权修正法和移动误差反向加权修正法,初始化前向加权修正法对应的第一权重和移动误差反向加权修正法对应的第二权重,根据路网各车站各时段的实际进站客流量及预测进站客流量(即根据各时段相似日预测与实际进站量),对下一时段该站进站量进行预测修正,并计算两种方法修正后分别对应的平均绝对百分比误差(即上述第一误差和第二误差)。这里的平均绝对百分比误差(MAPE)对应的公式如下述公式(2)所示:
其中,EP表示平均绝对百分比误差,pvi表示当前时段之前的第i个时段对应的预测修正量,ri表示当前时段之前的第i个时段对应的实际进站客流量,m表示划分时段的总个数。
在上述步骤二中,前向加权修正法(即上述第一修正方法)为将本时段(即上述目标时段,可以为当前时段,也可以为当前时段之后的某一时段)预测进站客流量和前面若干时段的实际进站客流量加权求和,作为本时段的修正预测量。具体计算公式如下述公式(3)所示:
pv0=a0p0+a1r-1+...+amr-m
其中,pv0在公式(3)中表示当前时段预测修正量(即上述第一修正预测量),p0表示当前时段的预测进站客流量,r-1,...,r-m表示当前时段的前1至前m时段的实际进站客流量,a0,a1,...,am为加权系数(即上述第一权重),且a0+a1+...+am=1。在实际进站客流量对比日常突发持续增加或减少时,前向加权修正通过引入前面时段实际进站客流量,缩小预测与实际误差,但是修正结果会出现实际量的延误。
在上述步骤二中,移动误差反向加权修正法(即上述第二修正方法)为将本时段预测进站客流量与前面若干时段的预测进站客流量和实际进站客流量的绝对误差的相反数做加权求和,作为本时段的修正预测量。具体计算公式如下述公式(4)所示:
pv0=p0-c1(p-1-r-1)-...-cn(p-n-r-n)
其中,pv0在公式(4)中表示当前时段预测修正量(即上述第二修正预测量),p0表示当前时段的预测进站客流量,p-1,...,p-n表示当前时段的前1至前n时段的预测进站客流量,r-1,...,r-n表示当前时段的前1至前n时段的实际进站客流量,c1,...,cn为加权系数(即上述第二权重),且c1,...,cn∈[0,1]。移动误差反向加权修正法是一种普适性较高的方法,但当实际量与预测值差异持续过大时,该方法易产生过量修正,此时适合采用前向加权修正法。
步骤三:针对每个车站,采用网格搜索(Grid Search)方式(即上述预设方式)调整第一权重a0,a1,...,am和第二权重c1,...,cn(即调整下一网格权值),计算两种方法各权值系数组合下,下一时段预测进站客流量的修正值及平均绝对百分比误差,记录误差最小的方法(即上述目标修正方法)及权值组合。需要说明的是,上述预设方式可以采用网格搜索、随机搜索或贝叶斯搜索等常用超参数搜索方法,此处不做限定。
在图3b中,在预测当日,需要根据实际情况进行实时进站量及OD修正,具体步骤如下:
步骤一:与训练日相同,从5:00至23:00每T分钟划分1个时段。
步骤二:如果路网前n时段的预测与实际进站客流量相对误差的绝对值持续大于预设阈值(例如10%),则对每个车站根据当前时刻下一时段(简称第t时段)的预测进站量、当前时刻前的实际进站量(即图3b中前n时段各车站实际进站量和当前时段各车站预测进站量),利用训练的最优修正方法及权值(即最小平均绝对百分比误差采用的方法及权值)计算进站客流量的修正量。若路网前n时段的预测与实际进站客流量相对误差的绝对值小于或等于预设阈值,则不使用最优修正方法及权值计算进站客流量的修正量。
步骤三:对各车站,计算相似日该时段各车站到路网其他车站的去向概率分布(数值在0到1之间,即图3b中的当前时段各车站预测去向分布),进而确定进站修正量。
步骤四:将第t时段进站客流量修正量分配到各个去向车站上,形成第t时段OD修正量(即图3b中的当前时段OD量修正)。
步骤五:根据原预测数据中第t时段每分钟粒度的OD分布规律,将OD修正量分配到1分钟粒度(即图3b中的1分钟OD修正量)。最后在预测清分结果中找到该时间的OD清分结果,并根据修正量的正负,对清分结果复制或删除,形成更新后的清分结果(即图3b中的预测清分结果修正)。
将趋势修正得到的清分结果与实时预测清分得到的已进未出OD清分结果合并,统计第t时段出站量、换乘站换乘量、各断面客流量、单车满载率、客流来去向等精细化指标,完成指标修正。
图3c是根据本申请实施例的一种修正前后路网进站量误差对比示意图,在图3c中,利用2022年4月26日15分钟和30分钟粒度各站进站量进行参数训练,可得到各车站的最优模型及参数。然后利用训练好的最优模型及参数实时修正2022年4月27日的预测量,修正前后路网进站量误差如图3c所示,15分钟粒度和30分钟粒度路网进站量修正前后MAPE(平均绝对百分比误差)分别如图3d和图3e所示。从图3d和图3e中可以看出采用此方法对近期变化趋势相同的预测修正效果较好,而且无论是路网总的进站量误差还是平均绝对百分比误差,15分钟粒度比30分钟粒度的误差低。15分钟粒度和30分钟粒度车站进站量修正前后MAPE(平均绝对百分比误差)分别如图3f和图3g所示。由于一般车站平峰期15分钟粒度和30分钟粒度进站量数值小,导致平均绝对百分比误差较大,但是修正后仍比修正前误差低很多。以发生特殊状况的某地区为例,某地区附近车站的进出站量比预测有较大下降,本申请提出的算法能较好修正这些由于特殊状况等导致进站量突降的情况。系统采用Flink分布式流处理框架实现预测实时修正,考虑到工作日早高峰进站并发量最大,系统测试时部署了3台服务器,每15分钟粒度修正全量预测指标大约可在1分钟内完成,实现了实时客流预测修正的目标。
本申请实施例提供的客流信息的预测方法,是一种基于AFC数据的城市轨道交通短期客流预测实时修正方法,基于短期精细化客流预测数据及实时AFC进出站量,采用自下而上方式对未来时段的客流预测及指标进行实时修正,由于有短期精细化客流预测量做基础,修正后的指标比短时客流预测的精度高,而且能实现全量指标的快速生成,可以大幅修正非预知事件引起的短期预测偏差,对提高路网运营全貌监视及实时调度辅助决策提供更准确的依据。
本申请实施例提供的客流信息的预测方法具有如下优点:1)预测修正精细化:提出的修正方法针对短期精细化客流预测,修正结果时间粒度为1分钟,空间粒度为OD。2)预测修正自学习:修正模型训练能够较好的跟踪、记录前一日的客流变化趋势,而突发状况等引起的路网车站客流变化有一定的趋势延续性,所以本申请提供的方法对于突发事件等有较好的自学习性。另外,修正模型对于当天的预测修正会利用前序几个时段的实际客流信息,对于非延续性的如突发天气变化等场合也有较好的修正作用。3)修正指标全覆盖:修正指标覆盖全路网、线路、车站、区间、单车的客流分布,以及全路网车站、换乘、区间、单车的精细化客流来源去向预测数据。4)修正流程全自动:实时修正所有流程均设计为自动化,保证短期客流预测修正自动开启和关闭;同时支持特定场景下的人工干预,提高短期客流预测的准确性。5)修正过程准实时:例如15分钟和30分钟粒度修正清分结果均可在1分钟内完成,如果采用滚动预测方式,还会给运营组织提供更充裕的调整时间。
图4是根据本申请实施例的一种客流信息的预测装置的结构图,如图4所示,该装置包括:
预测模块402,用于依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;
修正模块404,用于依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;
确定模块406,用于依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息。
在上述客流信息的预测装置中的预测模块中,预测目标乘客在目标车站的预测出站信息,具体包括如下过程:依据去向概率分布为目标乘客分配出站车站信息,并预测目标车站的出站客流量;依据目标乘客的进站信息和目标乘客的出站车站信息,确定目标乘客的预测出站信息。
在上述客流信息的预测装置中,去向概率分布是通过以下方式得到的:确定当前时刻对应的日期类型,其中,日期类型包括以下之一:工作日和非工作日;从历史出行数据中找到当前时刻之前,且与当前时刻的日期类型相同的目标历史日期;获取目标历史日期中的当前时刻之前的预设时间段内的第一客流信息,其中,第一客流信息包括预设时间段内的进站车站到出站车站的客流量和预设时间段内进站车站的总进站客流量;依据第一客流信息,确定目标乘客在目标车站的去向概率分布,其中,去向概率分布表示在预设时间段内从进站车站到出站车站的去向概率分布。
在上述客流信息的预测装置中的修正模块中,采用目标修正方法对目标车站在目标时段的进站客流量进行修正之前,该修正模块还用于判断当前时段之前的多个时段的预测进站客流量与对应的实际进站客流量的误差的绝对值是否大于预设阈值,且误差的持续时长是否大于预设时长;在误差的绝对值大于预设阈值,且误差的持续时长大于预设时长的情况下,采用目标修正方法对目标车站在目标时段的进站客流量进行修正。
在上述客流信息的预测装置中的修正模块中,采用目标修正方法对目标车站在目标时段的进站客流量进行修正之前,该修正模块还用于采用第一修正方法对目标时段的预测进站客流量进行修正,得到第一修正预测量,其中,第一修正方法为当前时段的预测进站客流量和当前时段之前的多个时段的实际进站客流量进行加权求和;采用第二修正方法对目标时段的预测进站客流量进行修正,得到第二修正预测量,其中,第二修正方法为当前时段的预测进站客流量与当前时段之前的多个时段的预测进站客流量和实际进站客流量的绝对误差的相反数进行加权求和;确定与第一修正预测量对应的第一误差,以及确定与第二修正预测量对应的第二误差,其中,第一误差至少由第一修正预测量和目标时段的实际进站客流量确定,第二误差至少由第二修正预测量和目标时段的实际进站客流量确定;将第一误差和第二误差中的最小值所对应的修正方法确定为目标修正方法。
在上述客流信息的预测装置中的修正模块中,将第一误差和第二误差中的最小值所对应的修正方法确定为目标修正方法之前,该修正模块还用于确定第一修正方法中的第一权重,以及确定第二修正方法中的第二权重;按照预设方式调整第一权重后,依据调整第一权重后的第一修正方法对目标时段的预测进站客流量进行修正,得到更新后的第一修正预测量;按照预设方式调整第二权重后,依据调整第二权重后的第二修正方法对目标时段的预测进站客流量进行修正,得到更新后的第二修正预测量;依据更新后的第一修正预测量和更新后的第二修正预测量,更新第一误差和第二误差。
在上述客流信息的预测装置中的修正模块中,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,具体包括如下步骤:确定目标时段中的多个时段对应的多个预测修正量;将预测修正量分配至多个时段对应的多个预测修正量。
需要说明的是,图4所示的客流信息的预测装置用于执行图2所示的客流信息的预测方法,因此上述客流信息的预测方法中的相关解释说明也适用于该客流信息的预测装置,此处不再赘述。
本申请实施例还提供了一种非易失性存储介质,该非易失性存储介质包括存储的计算机程序,其中,该非易失性存储介质所在设备通过运行计算机程序执行以下客流信息的预测方法:依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,目标乘客为当前时刻之前进站且未出站的乘客;依据目标车站的进站客流量以及目标车站的进站预测客流量,采用目标修正方法对目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,目标车站的进站预测客流量是依据历史出行数据得到的,目标时段为当前时刻之后的时段;依据预测出站信息和预测修正量,确定目标车站在目标时段的客流信息。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,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,可以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,在本申请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,本申请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)执行本申请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。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种客流信息的预测方法,其特征在于,包括:
依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,所述目标乘客为当前时刻之前进站且未出站的乘客;
依据所述目标车站的进站客流量以及所述目标车站的进站预测客流量,采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,所述目标车站的进站预测客流量是依据所述历史出行数据得到的,所述目标时段为所述当前时刻之后的时段;
依据所述预测出站信息和所述预测修正量,确定所述目标车站在所述目标时段的客流信息;
采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正之前,还包括:采用第一修正方法对所述目标时段的预测进站客流量进行修正,得到第一修正预测量,其中,所述第一修正方法为当前时段的预测进站客流量和所述当前时段之前的多个时段的实际进站客流量进行加权求和;采用第二修正方法对所述目标时段的预测进站客流量进行修正,得到第二修正预测量,其中,所述第二修正方法为所述当前时段的预测进站客流量与所述当前时段之前的多个时段的预测进站客流量和实际进站客流量的绝对误差的相反数进行加权求和;确定与所述第一修正预测量对应的第一误差,以及确定与所述第二修正预测量对应的第二误差,其中,所述第一误差至少由所述第一修正预测量和所述目标时段的实际进站客流量确定,所述第二误差至少由所述第二修正预测量和所述目标时段的实际进站客流量确定;将所述第一误差和所述第二误差中的最小值所对应的修正方法确定为所述目标修正方法;
将所述第一误差和所述第二误差中的最小值所对应的修正方法确定为所述目标修正方法之前,所述方法还包括:确定所述第一修正方法中的第一权重,以及确定所述第二修正方法中的第二权重;按照预设方式调整所述第一权重后,依据调整所述第一权重后的第一修正方法对所述目标时段的预测进站客流量进行修正,得到更新后的第一修正预测量;按照所述预设方式调整所述第二权重后,依据调整所述第二权重后的第二修正方法对所述目标时段的预测进站客流量进行修正,得到更新后的第二修正预测量;依据所述更新后的第一修正预测量和所述更新后的第二修正预测量,更新所述第一误差和所述第二误差。
2.根据权利要求1所述的方法,其特征在于,预测目标乘客在目标车站的预测出站信息,包括:
依据去向概率分布为所述目标乘客分配出站车站信息,并预测所述目标车站的出站客流量;
依据所述目标乘客的进站信息和所述目标乘客的出站车站信息,确定所述目标乘客的预测出站信息。
3.根据权利要求2所述的方法,其特征在于,所述去向概率分布是通过以下方式得到的:
确定所述当前时刻对应的日期类型,其中,所述日期类型包括以下之一:工作日和非工作日;
从所述历史出行数据中找到所述当前时刻之前,且与所述当前时刻的日期类型相同的目标历史日期;
获取所述目标历史日期中的当前时刻之前的预设时间段内的第一客流信息,其中,所述第一客流信息包括所述预设时间段内的进站车站到出站车站的客流量和所述预设时间段内所述进站车站的总进站客流量;
依据所述第一客流信息,确定所述目标乘客在所述目标车站的去向概率分布,其中,所述去向概率分布表示在所述预设时间段内从所述进站车站到所述出站车站的去向概率分布。
4.根据权利要求1所述的方法,其特征在于,采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正之前,所述方法还包括:
判断当前时段之前的多个时段的预测进站客流量与对应的实际进站客流量的误差的绝对值是否大于预设阈值,且所述误差的持续时长是否大于预设时长;
在所述误差的绝对值大于所述预设阈值,且所述误差的持续时长大于所述预设时长的情况下,采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正。
5.根据权利要求1所述的方法,其特征在于,采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正,得到预测修正量,包括:
确定所述目标时段中的多个时段对应的多个预测修正量;
将所述预测修正量分配至所述多个时段对应的多个预测修正量。
6.一种客流信息的预测装置,其特征在于,包括:
预测模块,用于依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,所述目标乘客为当前时刻之前进站且未出站的乘客;
修正模块,用于依据所述目标车站的进站客流量以及所述目标车站的进站预测客流量,采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,所述目标车站的进站预测客流量是依据所述历史出行数据得到的,所述目标时段为所述当前时刻之后的时段;采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正之前,还包括:采用第一修正方法对所述目标时段的预测进站客流量进行修正,得到第一修正预测量,其中,所述第一修正方法为当前时段的预测进站客流量和所述当前时段之前的多个时段的实际进站客流量进行加权求和;采用第二修正方法对所述目标时段的预测进站客流量进行修正,得到第二修正预测量,其中,所述第二修正方法为所述当前时段的预测进站客流量与所述当前时段之前的多个时段的预测进站客流量和实际进站客流量的绝对误差的相反数进行加权求和;确定与所述第一修正预测量对应的第一误差,以及确定与所述第二修正预测量对应的第二误差,其中,所述第一误差至少由所述第一修正预测量和所述目标时段的实际进站客流量确定,所述第二误差至少由所述第二修正预测量和所述目标时段的实际进站客流量确定;将所述第一误差和所述第二误差中的最小值所对应的修正方法确定为所述目标修正方法;将所述第一误差和所述第二误差中的最小值所对应的修正方法确定为所述目标修正方法之前,还包括:确定所述第一修正方法中的第一权重,以及确定所述第二修正方法中的第二权重;按照预设方式调整所述第一权重后,依据调整所述第一权重后的第一修正方法对所述目标时段的预测进站客流量进行修正,得到更新后的第一修正预测量;按照所述预设方式调整所述第二权重后,依据调整所述第二权重后的第二修正方法对所述目标时段的预测进站客流量进行修正,得到更新后的第二修正预测量;依据所述更新后的第一修正预测量和所述更新后的第二修正预测量,更新所述第一误差和所述第二误差;
确定模块,用于依据所述预测出站信息和所述预测修正量,确定所述目标车站在所述目标时段的客流信息。
7.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,与所述存储器连接,用于执行实现以下功能的程序指令:依据获取到的乘客的历史出行数据,预测目标乘客在目标车站的预测出站信息,其中,所述目标乘客为当前时刻之前进站且未出站的乘客;依据所述目标车站的进站客流量以及所述目标车站的进站预测客流量,采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正,得到预测修正量,其中,所述目标车站的进站预测客流量是依据所述历史出行数据得到的,所述目标时段为所述当前时刻之后的时段;依据所述预测出站信息和所述预测修正量,确定所述目标车站在所述目标时段的客流信息;采用目标修正方法对所述目标车站在目标时段的进站客流量进行修正之前,还包括:采用第一修正方法对所述目标时段的预测进站客流量进行修正,得到第一修正预测量,其中,所述第一修正方法为当前时段的预测进站客流量和所述当前时段之前的多个时段的实际进站客流量进行加权求和;采用第二修正方法对所述目标时段的预测进站客流量进行修正,得到第二修正预测量,其中,所述第二修正方法为所述当前时段的预测进站客流量与所述当前时段之前的多个时段的预测进站客流量和实际进站客流量的绝对误差的相反数进行加权求和;确定与所述第一修正预测量对应的第一误差,以及确定与所述第二修正预测量对应的第二误差,其中,所述第一误差至少由所述第一修正预测量和所述目标时段的实际进站客流量确定,所述第二误差至少由所述第二修正预测量和所述目标时段的实际进站客流量确定;将所述第一误差和所述第二误差中的最小值所对应的修正方法确定为所述目标修正方法;将所述第一误差和所述第二误差中的最小值所对应的修正方法确定为所述目标修正方法之前,还包括:确定所述第一修正方法中的第一权重,以及确定所述第二修正方法中的第二权重;按照预设方式调整所述第一权重后,依据调整所述第一权重后的第一修正方法对所述目标时段的预测进站客流量进行修正,得到更新后的第一修正预测量;按照所述预设方式调整所述第二权重后,依据调整所述第二权重后的第二修正方法对所述目标时段的预测进站客流量进行修正,得到更新后的第二修正预测量;依据所述更新后的第一修正预测量和所述更新后的第二修正预测量,更新所述第一误差和所述第二误差。
8.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的计算机程序,其中,所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至5中任意一项所述的客流信息的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563097.8A CN115759472B (zh) | 2022-12-07 | 2022-12-07 | 客流信息的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211563097.8A CN115759472B (zh) | 2022-12-07 | 2022-12-07 | 客流信息的预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759472A CN115759472A (zh) | 2023-03-07 |
CN115759472B true CN115759472B (zh) | 2023-12-22 |
Family
ID=85343983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211563097.8A Active CN115759472B (zh) | 2022-12-07 | 2022-12-07 | 客流信息的预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759472B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010018221A (ja) * | 2008-07-14 | 2010-01-28 | Railway Technical Res Inst | プログラム、旅客流動推定装置、運転整理案作成装置、旅客流動推定方法及び運転整理案作成方法 |
JP2018039441A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社日立製作所 | 評価システム及び評価方法 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN110766474A (zh) * | 2019-10-30 | 2020-02-07 | 浙江易时科技股份有限公司 | 基于人脸识别技术的销售展厅客流批次统计 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN114037158A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于od路径的客流预测方法及应用方法 |
CN114331234A (zh) * | 2022-03-16 | 2022-04-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和系统 |
CN114386708A (zh) * | 2022-01-19 | 2022-04-22 | 上海兴容信息技术有限公司 | 一种门店客流量的预测方法和系统 |
CN114819290A (zh) * | 2022-04-04 | 2022-07-29 | 南京行者易智能交通科技有限公司 | 一种基于stacking的多环境下短时公交客流预测方法 |
-
2022
- 2022-12-07 CN CN202211563097.8A patent/CN115759472B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010018221A (ja) * | 2008-07-14 | 2010-01-28 | Railway Technical Res Inst | プログラム、旅客流動推定装置、運転整理案作成装置、旅客流動推定方法及び運転整理案作成方法 |
JP2018039441A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社日立製作所 | 評価システム及び評価方法 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN110766474A (zh) * | 2019-10-30 | 2020-02-07 | 浙江易时科技股份有限公司 | 基于人脸识别技术的销售展厅客流批次统计 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN114037158A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于od路径的客流预测方法及应用方法 |
CN114386708A (zh) * | 2022-01-19 | 2022-04-22 | 上海兴容信息技术有限公司 | 一种门店客流量的预测方法和系统 |
CN114331234A (zh) * | 2022-03-16 | 2022-04-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和系统 |
CN114819290A (zh) * | 2022-04-04 | 2022-07-29 | 南京行者易智能交通科技有限公司 | 一种基于stacking的多环境下短时公交客流预测方法 |
Non-Patent Citations (1)
Title |
---|
城市轨道交通进站客流量短时预测模型研究;刘美琪;《城市轨道交通研究》;第31-35+47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115759472A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111492559B (zh) | 用于能量存储系统的最佳控制的系统和方法 | |
Xu et al. | Large-scale order dispatch in on-demand ride-hailing platforms: A learning and planning approach | |
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 | |
CN107766994B (zh) | 一种共享自行车调度方法与调度系统 | |
Sáez et al. | Hybrid predictive control strategy for a public transport system with uncertain demand | |
US10109013B1 (en) | Usage-based insurance cost determination system and method | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
CN113723659B (zh) | 一种城市轨道交通全场景客流预测方法及系统 | |
Besbes et al. | Dynamic pricing with financial milestones: Feedback-form policies | |
CN115392752B (zh) | 一种地铁短时客流预测方法、系统、电子设备及存储介质 | |
CN102740341B (zh) | 网络业务量的预测方法及设备 | |
CN116205329A (zh) | 一种节假日客流量预测方法 | |
CN114971135A (zh) | 基于5g物联网的智能充电站电力设备管理系统及调度方法 | |
CN107145714B (zh) | 基于多因素的公共自行车使用量预测方法 | |
CN115759472B (zh) | 客流信息的预测方法、装置及电子设备 | |
Seo et al. | Predicting demand for a bike-sharing system with station activity based on random forest | |
US20150032490A1 (en) | Identifying driver report data based upon transportation system schedule information | |
Yang et al. | MILP formulations and a TS algorithm for reliable last train timetabling with uncertain transfer flows | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN107480824B (zh) | 城市轨道交通站点短时客流预测系统及方法 | |
CN111383055B (zh) | 租车中心仓选品方法、装置、设备及计算机可读存储介质 | |
CN115423393B (zh) | 一种基于lstm的动态自适应调度周期的订单调度方法及装置 | |
CN115620525A (zh) | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
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 |