CN116051173A - 一种客流量预测方法、系统及公交派车方法 - Google Patents
一种客流量预测方法、系统及公交派车方法 Download PDFInfo
- Publication number
- CN116051173A CN116051173A CN202310324197.3A CN202310324197A CN116051173A CN 116051173 A CN116051173 A CN 116051173A CN 202310324197 A CN202310324197 A CN 202310324197A CN 116051173 A CN116051173 A CN 116051173A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- flow volume
- target
- unit time
- level
- 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 52
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000012937 correction Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及客流预测领域,尤其涉及一种客流量预测方法、系统及公交派车方法。所述客流量预测方法包括:设置数据周期,数据周期由多个单位时间组成;将数据周期分为多个评估层级,每个评估层级包含一个单位时间或者多个连续的单位时间;设置评估层级权重;然后获取目标时间所在的评估层级作为目标层级;结合目标层级中各单位时间上客流量历史数据以及目标层级中各单位时间的权重计算目标时间上的客流量预测值P。本发明,结合历史数据进行分层预测,考虑到不同评估层级上的客流量特征,大大提高了客流量预测精确度。
Description
技术领域
本发明涉及客流预测领域,尤其涉及一种客流量预测方法、系统及公交派车方法。
背景技术
客流是各行各业运营的基础,提前预测客流,以调整服务机制非常重要。例如城市公交运营中,公交客流信息对调度、计划排版的准确性都有着“牵一发动全身”的影响,甚至会出现“级联失效”现象。因此,准确的客流预测是公交车辆运营计划的投资和建设。目前的客流预测主要集中在时间序列分析、统计预测、神经网络等预测方法。该类方法对参数依赖性较大,且只能在宏观角度对客流进行把控,但在实际运营中,客流会受到多种因素的影响,基于统计学和机器学习的预测方法确定性较低,因此客流预测的精准度受到了限制。
发明内容
为了解决上述现有技术中客流预测精确度低的缺陷,本发明提出了一种客流量预测方法,结合历史数据进行分层预测,考虑到不同评估层级上的客流量特征,大大提高了客流量预测精确度。
本发明采用以下技术方案:
一种客流量预测方法,包括以下步骤:
S1、设置数据周期,数据周期由多个单位时间组成;结合历史数据中各单位时间上的客流量对数据周期内的单位时间进行分层,获得多个评估层级,每个评估层级包含一个单位时间或者多个连续的单位时间;
针对每个评估层级,根据各个单位时间上的客流量设置单位时间的权重;一个评估层级中单位时间的权重之和等于1;
S2、将待预测客流量的目标单位时间记作目标时间,获取目标时间所在的评估层级作为目标层级;结合目标层级中各单位时间上客流量历史数据以及目标层级中各单位时间的权重计算目标时间上的客流量预测值P。
优选的,令目标层级包含I个单位时间,第i个单位时间的权重记作W(i),历史数据中距离目标时间最近的第一个数据周期中目标层级上第i个时间单位的客流量记作N(1,i),历史数据中距离目标时间最近的第k个数据周期中目标层级上第i个时间单位的客流量记作N(k,i);1≦i≦I,1≦k≦K;目标时间上的客流量预测值P的计算公式为:
P=A(1)×W(1)+A(2)×W(2)+...+A(i)×W(i)+...+A(I)×W(I)
A(i)=[N(1,i)+N(2,i)+...+N(k,i)+...+N(K,i)]/K
其中,A(i)表示目标层级中第i个时间单位最近K个数据周期上的客流量均值;K为设定值。
优选的,在步骤S2之后还包括步骤S3-S5;
S3、设置影响因素以及各影响因素对应修正函数,修正函数用于结合影响因素对客流预测值进行修正,以获得该影响因素对应的客流量预测修正值;
S4、结合历史数据,设置各影响因素的权重,影响因素的权重用于表征影响因素对客流量变化趋势的影响程度;影响因素的权重之和等于1;
S5、结合各影响因素的权重以及各影响因素对应的客流量预测修正值计算最终客流量预测值P’。
优选的,最终客流量预测值P’的计算公式为:
P’=P(1)×Q(1)+P(2)×Q(2)+...+P(m)×Q(m)+...P(M)×Q(M)
其中,P(m)表示第m个影响因素对应的客流量预测修正值,Q(m)表示第m个影响因素对应的权重。
优选的,步骤S3中还包括获取目标时间上各影响因素的等级的预测值;修正函数结合目标时间上影响因素的等级的预测值计算客流量预测修正值。
优选的,至少部分影响因素对应的的客流量预测修正值的计算公式为:
P(*)=[N’+P]/[(J+1)×Z(*)]
N’=N(1)+N(2)+...+N(j)+...+N(J)
*表示影响因素,P(*)表示影响因素*对应的客流量预测修正值,Z(*)表示影响因素的等级,P表示客流量预测值;N’表示根据历史数据计算获得的目标时间对应的年度总值;N(j)表示前j年中目标时间所在单位时间上的客流量,1≦j≦J,J为设定值。
优选的,至少部分影响因素对应的的客流量预测修正值的计算公式为:
P(*)=P/Z(*)
其中,*表示影响因素,P(*)表示影响因素*对应的客流量预测修正值,Z(*)表示影响因素的等级。
优选的,影响因素由领域专家设置;影响因素的权重通过SPSSAU计算,或者,由领域专家设置。
优选的,S1中通过SPSSAU根据客流量历史数据对数据周期内的单位时间进行分层,并赋予各评估层级对应的权重;或者由领域专家对数据周期内的单位时间进行分层,并赋予各评估层级对应的权重。
优选的,所述数据周期设置为日、周、月或者年;所述单位时间设置为时、日、周、月或者年。
本发明还提出了一种客流量预测系统,为上述客流量预测方法提供了载体,所述系统包括存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时用于所述的客流量预测方法。
本发明还提出了一种公交派车方法,结合上述客流量预测方法,有利于结合精确的客流量预测值实现更加优化的公交资源配置。
本发明提出的一种公交派车方法,包括以下步骤:
SA1、设置单位时间为日,设置数据周期为周,将周一周五作为第一评估层级,周二、周三和周四作为第二评估层级,周六周日作为第三评估层级;设置各评估层级中不同日期的权重,单个评估层级中所有日期的权重之和为1;
设置影响因素为风力、温度和天气;
SA2、获取待制定派车方案的日期作为目标时间,获取目标时间的气象数据,结合气象数据提取目标时间的风力等级、温度等级和天气等级;
SA3、执行所述的客流量预测方法,获取目标时间的最终客流量预测值P’,并结合最终客流量预测值P’制定派车方案。
本发明的优点在于:
(1)本发明根据不同单位时间上的客流量表征对数据周期进行分层,针对每个评估层级单独进行预测,使得各个评估层级上的客流量预测更加依赖于该评估层级上的特异性,从而提高了客流量预测精确度。
(2)本发明中,结合历史数据中最接近的本评估层级的客流量进行目标时间的客流量预测,参照对象更加充分,而权重的设置,进一步考虑到不同时间段上的客流量对当前预测的影响,进一步提高了本发明的可靠性。
(3)本发明中首先仅根据客流量的数量特征进行预测,获得客流量预测值;然后结合影响因素修正客流量预测值,获得最终客流量预测值。如此,本发明充分考虑了天气、风力、温度等影响因素对客流量的影响,实现了结合影响因素的预测对客流量预测进行修正,使得客流量预测不仅参照了历史数据,也结合了目标时间上的可预测的有关因素,使得客流量预测更具有参照价值。
(4)本发明中通过客流量预测修正值将影响因素对客流量预测值的影响具现化,然后结合客流量预测修正值和影响因素的权重计算最终客流量预测值,客流量预测修正值的计算偏重考虑影响因素对客流量的直接影响,影响因素的权重考虑到了不同年份同一单位时间可能处于不同评估层级,可见本发明计算最终客流量预测值时综合、全面的考虑到了评估层级、影响因素和历史数据,有利于提高最终客流量预测值的精度。且,本发明提供了多种客流量预测修正值计算方法,有利于通过适应影响因素的客流量预测修正方式进一步提高影响因素修正准确度,从而提高最终客流量预测值的精确度。
(5)本发明中,通过SPSSAU实现数据分层和权重设置,方便简单,便于该客流量预测方法的推广。本发明中还可通过领域专家实现数据分层和权重设置,使得该客流量预测方法的适用范围更加广泛,操作更加灵活。
(6)本发明提出的公交派车方法,结合上述客流量预测方法精确预测未来时间上的客流量,从而结合客流量进行派车,使得公交派车更加合理,有利于优化公交资源配置。
附图说明
图1为第一种客流量预测方法流程图;
图2为第二种客流量预测方法流程图。
具体实施方式
实施例1:第一种客流量预测方法
本实施例采用图1提供的客流量预测方法,用于预测公交客流量。
本实施例中,选取A地区线路3上2022年7月的客流量数据作为历史数据。具体的,本实施例中利用车载机传回的刷卡数据计算客流量。具体的,后台统计刷卡次数,根据设定的过滤机制过滤数据,例如设定时间内的多次刷卡算一次刷卡数据;然后结合过滤后的数据统计刷卡次数作为客流量。
本实施例中,设置单位时间为一日,数据周期为一周。
本实施例中,将2022年7月份每天的客流量输入SPSSAU(Statistical Productand Service Software Automatically, 自动化统计产品和服务软件)工具,实现对周一到周日的分层,最终获得三个评估层级,即包括周一、周五的第一评估层级;包括周二、周三和周四的第二评估层级;包括周六、周日的第三评估层级。
本实施例中,通过SPSSAU工具对2022年7月份的客流量进行层析分析,获得各评估层级中每一个日期的权重,分析结果如下:
表1:实施例1中单位时间层析分析结果
本实施例中采用以下公式预测目标时间上的客流量预测值P。
P=A(1)×W(1)+A(2)×W(2)+...+A(i)×W(i)+...+A(I)×W(I) (1)
A(i)=[N(1,i)+N(2,i)+...+N(k,i)+...+N(K,i)]/K (2)
I表示目标时间所在的评估层级即目标层级包含的单位时间数量;
A(i)表示目标层级中第i个时间单位最近K个数据周期上的客流量均值;A(1)表示目标层级中第1个时间单位最近K个数据周期上的客流量均值;A(2)表示目标层级中第2个时间单位最近K个数据周期上的客流量均值;A(I)表示目标层级中第I个时间单位最近K个数据周期上的客流量均值;
W(i)表示第i个单位时间的权重,W(1)表示第1个单位时间的权重,W(2)表示第2个单位时间的权重,W(I)表示第I个单位时间的权重;
N(1,i)表示历史数据中距离目标时间最近的第一个数据周期中目标层级上第i个时间单位的客流量,N(2,i)表示历史数据中距离目标时间最近的第2个数据周期中目标层级上第i个时间单位的客流量,N(k,i)表示历史数据中距离目标时间最近的第k个数据周期中目标层级上第i个时间单位的客流量,N(K,i)表示历史数据中距离目标时间最近的第K个数据周期中目标层级上第i个时间单位的客流量;1≦i≦I,1≦k≦K。
本实施例中,设置K=5;
第一评估层级包含周一、周五,当目标时间位于第一评估层级,I=2;
第二评估层级包含周二、周三、周四,当目标时间位于第二评估层级,I=3;
第三评估层级包含周六、周日,当目标时间位于第三评估层级,I=2。
本实施例中,已知A地区线路3上2022年7月1日到2022年8月04日每一天的客流量。本实施例中,为了便于表述,将2022年x年y月上的客流量记作N(x/y)。
为了证明本发明提供的第一种客流量预测方法的有效性,本实施例中分别预测A地区线路3上2022年8月5日、2022年8月07日、2022年8月17日的客流量数据。
本实施例中,可知2022年8月5日、2022年8月07日、2022年8月17日分别为第一评估层级、第二评估层级和第三评估层级。
本实施例中,计算2022年8月5日的客流量预测值P时,I=2;
令i=1时表示周五,i=2时表示周一;
N(1,1)=N(7/1),N(2,1)=N(7/8),N(3,1)=N(7/15),N(4,1)=N(7/22),N(5,1)=N(7/29);A(1)=[N(1,1)+N(2,1)+N(3,1)+N(4,1)+N(5,1)]/5 (1-1)
N(1,2)=N(7/4),N(2,2)=N(7/11),N(3,2)=N(7/18),N(4,2)=N(7/25),N(5,2)=N(8/1);A(2)=[N(1,2)+N(2,2)+N(3,2)+N(4,2)+N(5,2)]/5 (1-2)
P=A(1)×W(1)+A(2)×W(2) (1-3)
结合表1可知,W(1)=48.718%,W(2)=51.282%;
本实施例中,可从历史数据中获得公式(1-1)、(1-2)所需的计算数据;本实施例中,结合公式(1-1)、(1-2)、(1-3)计算结果如下表2所示;
表2:第一评估层级的历史数据客流量和预测结果
预测正确率=min(预测值,实际值)/max(预测值,实际值),min表示取较小值,max表示取较大值。
计算2022年8月7日的客流量预测值P时,I=2;
令i=1时表示周六,i=2时表示周日;
N(1,1)=N(7/2),N(2,1)=N(7/9),N(3,1)=N(7/16),N(4,1)=N(7/23),N(5,1)=N(7/30);A(1)=[N(1,1)+N(2,1)+N(3,1)+N(4,1)+N(5,1)]/5 (2-1)
N(1,2)=N(7/3),N(2,2)=N(7/10),N(3,2)=N(7/17),N(4,2)=N(7/24),N(5,2)=N(7/31);A(2)=[N(1,2)+N(2,2)+N(3,2)+N(4,2)+N(5,2)]/5 (2-2)
P=A(1)×W(1)+A(2)×W(2) (2-3)
结合表1可知,W(1)=49.505%,W(2)=50.495%;
本实施例中,可从历史数据中获得公式(2-1)、(2-2)所需的计算数据;本实施例中,结合公式(2-1)、(2-2)、(2-3)计算结果如下表3所示。
表3:第三评估层级的历史数据客流量和预测结果
计算2022年8月17日的客流量预测值P时,I=3;
令i=1时表示周二,i=2时表示周三,i=3时表示周四;
N(1,1)=N(7/5),N(2,1)=N(7/12),N(3,1)=N(7/19),N(4,1)=N(7/26),N(5,1)=N(8/2);A(1)=[N(1,1)+N(2,1)+N(3,1)+N(4,1)+N(5,1)]/5 (3-1)
N(1,2)=N(7/6),N(2,2)=N(7/13),N(3,2)=N(7/20),N(4,2)=N(7/27),N(5,2)=N(8/3);A(2)=[N(1,2)+N(2,2)+N(3,2)+N(4,2)+N(5,2)]/5 (3-2)
N(1,3)=N(7/7),N(2,3)=N(7/14),N(3,3)=N(7/21),N(4,3)=N(7/28),N(5,3)=N(8/4);A(3)=[N(1,3)+N(2,3)+N(3,3)+N(4,3)+N(5,3)]/5 (3-3)
P=A(1)×W(1)+A(2)×W(2)+A(3)×W(3) (3-4)
结合表1可知,W(1)=34.131%,W(2)=33.327%,W(3)=32.542%;
本实施例中,可从历史数据中获得公式(3-1)、(3-2)、(3-3)所需的计算数据;本实施例中,结合公式(3-1)、(3-2)、(3-3)、(3-4)计算结果如下表4所示。
表4:第二评估层级的历史数据客流量和预测结果
结合表2、表3、表4可知,本实施例中,任一评估层级的客流量预测正确率均大于80%,证明了本发明提供的第一种客流量预测方法的正确率有保证,可满足公交客流预测需求。
实施例2:第二种客流量预测方法
参照图2,在实施例1的基础上,本实施例还结合设定的的影响因素对客流量预测值P进行修正,以获得最终客流量预测值P’。本实施例结合2022年8月7日的客流量预测值P的修正进行说明。
本实施例中,设置影响因素包括:风力、天气和温度。
本实施例中,根据以下公式计算最终客流量预测值P’。
P’=P(风力)×Q(风力)+P(天气)×Q(天气)+P(温度)×Q(温度) (4-1)
其中,P(风力)表示风力对应的客流量预测修正值,Q(风力)表示风力对应的权重;P(天气)表示天气对应的客流量预测修正值,Q(天气)表示天气对应的权重;P(温度)表示温度对应的客流量预测修正值,Q(温度)表示温度对应的权重;
P(风力)=P/Z(风力) (4-2)
P(天气)=P/Z(天气) (4-3)
P(温度)=[N’+P]/[(J+1)×Z(温度)] (4-4)
N’=N(1)+N(2)+...+N(j)+...+N(J) (4-5)
Z(风力)表示风力等级,Z(天气)表示天气等级,Z(温度)表示温度等级;风力等级、天气等级和温度等级根据相关规定标定;P表示客流量预测值;
N’表示根据历史数据计算获得的目标时间对应的年度总值;N(1)表示前一年即去年目标时间所在单位时间上的客流量,N(2)表示前两年即前年目标时间所在单位时间上的客流量,N(j)表示前j年中目标时间所在单位时间上的客流量,N(J)表示前J年中目标时间所在单位时间上的客流量,1≦j≦J,J为设定值。
本实施例中,通过SPSSAU(Statistical Product and Service SoftwareAutomatically, 自动化统计产品和服务软件)工具对各影响因素进行权重分析,得到各影响因素的权重如下表5所示。
表5:影响因素权重统计
本实施例中,首先根据气象预测获得2022年8月7日各影响因素的等级,具体结果如下表所示。
表6:2022年8月5日气象数据
在实施例1的基础上,本实施例中,以2022年8月7日作为目标时间,则2021年8月7日的客流量记作N(1),2020年8月7日的客流量记作N(2),2019年8月7日的客流量记作N(3),2018年8月7日的客流量记作N(4);
令J=4,结合上述2018年到2021年的数据可计算N’;
将表5、表6中数据以及N’代入公式(4-1)到公式(4-4),获得:
P(风力)=P/Z(风力)=603.78/2=301.89
P(天气)=P/Z(天气)=603.78/1=603.78
P(温度)=[N’+P]/[(J+1)×Z(温度)]=[N’+603.78]/[5×1]=572.2
2022年8月7日的最终客流量预测值为:
P’=301.89×46.23%+603.78×38.35%+572.2×15.42%=459.62
2022年8月7日的实际值为506
修正后的预测准确度=min(实际值,P’)/max(实际值,P’)=90.83%;
通过实施例1和实施例2对比,2022年8月7日客流量通过实施例1不考虑影响因素进行预测,得到的预测准确率为83.81%;2022年8月7日客流量通过实施例2考虑影响因素后进行预测,得到的预测准确率为90.83%。可见,结合影响因素进行修正后的最终客流量预测值P’更加靠近客流量实际值,进一步提高了客流量预测的准确率。
实施例3:一种公交派车方法
本实施例提出的一种公交派车方法,可结合实施例1或者实施例2计算目标时间例如某日的客流量,然后结合设定的客流量与派车方案映射关系选择派车方案,根据选择的派车方案进行派车。
具体的,派车方案包含派车密度,即同一路线上相邻两个班次的发车时间间隔。本实施例中,预测的客流量也大,则选择派车密度越密集的派车方案。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (12)
1.一种客流量预测方法,其特征在于,包括以下步骤:
S1、设置数据周期,数据周期由多个单位时间组成;结合历史数据中各单位时间上的客流量对数据周期内的单位时间进行分层,获得多个评估层级,每个评估层级包含一个单位时间或者多个连续的单位时间;
针对每个评估层级,根据各个单位时间上的客流量设置单位时间的权重;一个评估层级中单位时间的权重之和等于1;
S2、将待预测客流量的目标单位时间记作目标时间,获取目标时间所在的评估层级作为目标层级;结合目标层级中各单位时间上客流量历史数据以及目标层级中各单位时间的权重计算目标时间上的客流量预测值P。
2.如权利要求1所述的客流量预测方法,其特征在于,令目标层级包含I个单位时间,第i个单位时间的权重记作W(i),历史数据中距离目标时间最近的第一个数据周期中目标层级上第i个时间单位的客流量记作N(1,i),历史数据中距离目标时间最近的第k个数据周期中目标层级上第i个时间单位的客流量记作N(k,i);1≦i≦I,1≦k≦K;目标时间上的客流量预测值P的计算公式为:
P=A(1)×W(1)+A(2)×W(2)+...+A(i)×W(i)+...+A(I)×W(I)
A(i)=[N(1,i)+N(2,i)+...+N(k,i)+...+N(K,i)]/K
其中,A(i)表示目标层级中第i个时间单位最近K个数据周期上的客流量均值;K为设定值。
3.如权利要求1所述的客流量预测方法,其特征在于,在步骤S2之后还包括步骤S3-S5;
S3、设置影响因素以及各影响因素对应修正函数,修正函数用于结合影响因素对客流预测值进行修正,以获得该影响因素对应的客流量预测修正值;
S4、结合历史数据,设置各影响因素的权重,影响因素的权重用于表征影响因素对客流量变化趋势的影响程度;影响因素的权重之和等于1;
S5、结合各影响因素的权重以及各影响因素对应的客流量预测修正值计算最终客流量预测值P’。
4.如权利要求3所述的客流量预测方法,其特征在于,最终客流量预测值P’的计算公式为:
P’=P(1)×Q(1)+P(2)×Q(2)+...+P(m)×Q(m)+...P(M)×Q(M)
其中,P(m)表示第m个影响因素对应的客流量预测修正值,Q(m)表示第m个影响因素对应的权重。
5.如权利要求3所述的客流量预测方法,其特征在于,步骤S3中还包括获取目标时间上各影响因素的等级的预测值;修正函数结合目标时间上影响因素的等级的预测值计算客流量预测修正值。
6.如权利要求5所述的客流量预测方法,其特征在于,至少部分影响因素对应的的客流量预测修正值的计算公式为:
P(*)=[N’+P]/[(J+1)×Z(*)]
N’=N(1)+N(2)+...+N(j)+...+N(J)
*表示影响因素,P(*)表示影响因素*对应的客流量预测修正值,Z(*)表示影响因素的等级,P表示客流量预测值;N’表示根据历史数据计算获得的目标时间对应的年度总值;N(j)表示前j年中目标时间所在单位时间上的客流量,1≦j≦J,J为设定值。
7.如权利要求5所述的客流量预测方法,其特征在于,至少部分影响因素对应的的客流量预测修正值的计算公式为:
P(*)=P/Z(*)
其中,*表示影响因素,P(*)表示影响因素*对应的客流量预测修正值,Z(*)表示影响因素的等级。
8.如权利要求3所述的客流量预测方法,其特征在于,影响因素由领域专家设置;影响因素的权重通过SPSSAU计算,或者,由领域专家设置。
9.如权利要求1所述的客流量预测方法,其特征在于,S1中通过SPSSAU根据客流量历史数据对数据周期内的单位时间进行分层,并赋予各评估层级对应的权重;或者由领域专家对数据周期内的单位时间进行分层,并赋予各评估层级对应的权重。
10.如权利要求1所述的客流量预测方法,其特征在于,所述数据周期设置为日、周、月或者年;所述单位时间设置为时、日、周、月或者年。
11.一种客流量预测系统,其特征在于,包括存储器,所述存储器中存储有计算机程序,所述计算机程序被执行时用于实现如权利要求1-10任一项所述的客流量预测方法。
12.一种公交派车方法,其特征在于,包括以下步骤:
SA1、设置单位时间为日,设置数据周期为周,将周一周五作为第一评估层级,周二、周三和周四作为第二评估层级,周六周日作为第三评估层级;设置各评估层级中不同日期的权重,单个评估层级中所有日期的权重之和为1;
设置影响因素为风力、温度和天气;
SA2、获取待制定派车方案的日期作为目标时间,获取目标时间的气象数据,结合气象数据提取目标时间的风力等级、温度等级和天气等级;
SA3、执行如权利要求3-8任一项所述的客流量预测方法,获取目标时间的最终客流量预测值P’,并结合最终客流量预测值P’制定派车方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324197.3A CN116051173B (zh) | 2023-03-30 | 2023-03-30 | 一种客流量预测方法、系统及公交派车方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324197.3A CN116051173B (zh) | 2023-03-30 | 2023-03-30 | 一种客流量预测方法、系统及公交派车方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051173A true CN116051173A (zh) | 2023-05-02 |
CN116051173B CN116051173B (zh) | 2023-06-30 |
Family
ID=86125866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310324197.3A Active CN116051173B (zh) | 2023-03-30 | 2023-03-30 | 一种客流量预测方法、系统及公交派车方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051173B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004062594A (ja) * | 2002-07-30 | 2004-02-26 | Equos Research Co Ltd | 道路の渋滞予測方法およびプログラム |
US20070038587A1 (en) * | 2005-07-27 | 2007-02-15 | Fujitsu Limited | Predicting apparatus, predicting method, and computer product |
WO2009057896A1 (en) * | 2007-11-01 | 2009-05-07 | Sk Marketing & Company Co., Ltd. | Method for providing traffic information |
US20170161614A1 (en) * | 2015-12-07 | 2017-06-08 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
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 |
CN110276474A (zh) * | 2019-05-22 | 2019-09-24 | 南京理工大学 | 一种城市轨道交通车站短时客流预测方法 |
CN111339978A (zh) * | 2020-03-02 | 2020-06-26 | 北京建筑大学 | 利用卷积神经网络模型识别交通指数时间序列模式的方法 |
CN111860992A (zh) * | 2020-07-13 | 2020-10-30 | 上海云角信息技术有限公司 | 客流量预测方法、装置、设备及存储介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113344380A (zh) * | 2021-06-03 | 2021-09-03 | 安徽富煌科技股份有限公司 | 一种公交营运指标分类及评价方法 |
US20210303996A1 (en) * | 2020-03-31 | 2021-09-30 | Quanta Computer Inc. | Consumption prediction system and consumption prediction method |
US20210342867A1 (en) * | 2020-04-30 | 2021-11-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Methods for predicting economic state and establishing economic state prediction model and corresponding apparatuses |
CN114037138A (zh) * | 2021-11-04 | 2022-02-11 | 南京地铁建设有限责任公司 | 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 |
CN114372628A (zh) * | 2022-01-08 | 2022-04-19 | 安徽交欣科技股份有限公司 | 一种基于站点利用率的单条线路优化方法 |
US20230080545A1 (en) * | 2021-05-11 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Distributed Additive Manufacturing Platform for Value Chain Networks |
-
2023
- 2023-03-30 CN CN202310324197.3A patent/CN116051173B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004062594A (ja) * | 2002-07-30 | 2004-02-26 | Equos Research Co Ltd | 道路の渋滞予測方法およびプログラム |
US20070038587A1 (en) * | 2005-07-27 | 2007-02-15 | Fujitsu Limited | Predicting apparatus, predicting method, and computer product |
WO2009057896A1 (en) * | 2007-11-01 | 2009-05-07 | Sk Marketing & Company Co., Ltd. | Method for providing traffic information |
US20170161614A1 (en) * | 2015-12-07 | 2017-06-08 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
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 |
CN110276474A (zh) * | 2019-05-22 | 2019-09-24 | 南京理工大学 | 一种城市轨道交通车站短时客流预测方法 |
CN111339978A (zh) * | 2020-03-02 | 2020-06-26 | 北京建筑大学 | 利用卷积神经网络模型识别交通指数时间序列模式的方法 |
US20210303996A1 (en) * | 2020-03-31 | 2021-09-30 | Quanta Computer Inc. | Consumption prediction system and consumption prediction method |
US20210342867A1 (en) * | 2020-04-30 | 2021-11-04 | Baidu Online Network Technology (Beijing) Co., Ltd. | Methods for predicting economic state and establishing economic state prediction model and corresponding apparatuses |
CN111860992A (zh) * | 2020-07-13 | 2020-10-30 | 上海云角信息技术有限公司 | 客流量预测方法、装置、设备及存储介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
US20230080545A1 (en) * | 2021-05-11 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Distributed Additive Manufacturing Platform for Value Chain Networks |
CN113344380A (zh) * | 2021-06-03 | 2021-09-03 | 安徽富煌科技股份有限公司 | 一种公交营运指标分类及评价方法 |
CN114037138A (zh) * | 2021-11-04 | 2022-02-11 | 南京地铁建设有限责任公司 | 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 |
CN114372628A (zh) * | 2022-01-08 | 2022-04-19 | 安徽交欣科技股份有限公司 | 一种基于站点利用率的单条线路优化方法 |
Non-Patent Citations (1)
Title |
---|
滕靖;李金洋;: "考虑日期属性和天气因素的铁路城际短期客流预测方法", 中国铁道科学, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN116051173B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7577513B2 (en) | Traffic information prediction system | |
US7363144B2 (en) | Method and apparatus for predicting future travel times over a transportation network | |
CN109615760B (zh) | 基于机器学习对银行atm机智能加清钞的方法及系统 | |
Bie et al. | Time of day intervals partition for bus schedule using GPS data | |
US7236881B2 (en) | Method and apparatus for end-to-end travel time estimation using dynamic traffic data | |
CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
CN108305459B (zh) | 一种基于数据驱动的路网运行指数预测方法 | |
CN107368915B (zh) | 一种地铁乘客出行时间选择行为分析方法 | |
CN110276557A (zh) | 一种跨网格调度工单创建方法 | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
CN107862415A (zh) | 一种产量预测方法 | |
CN116051173B (zh) | 一种客流量预测方法、系统及公交派车方法 | |
CN113643538A (zh) | Ic卡历史数据和人工调查数据融合的公交客流测算方法 | |
JP3762984B2 (ja) | Od交通量修正システム | |
CN116911717B (zh) | 一种用于城市贸易中的运力分配方法及系统 | |
Boronico et al. | Capacity planning for toll roadways incorporating consumer wait time costs | |
CN115169638A (zh) | 基于相似日选择的城市轨道交通客流预测方法 | |
Banks | Optimal headways for multiroute transit systems | |
Abbas et al. | Methodology for determination of optimal traffic responsive plan selection control parameters | |
CN110991698B (zh) | 基于混合处理的季节性交通流灰色预测方法 | |
Yin et al. | Managed lane operations--adjusted time of day pricing vs. near-real time dynamic pricing: volume I, dynamic pricing and operations of managed lanes. | |
Lägnert | An Extreme Value Approach to Road Safety Analysis | |
Chaudhry et al. | Capacity analysis of signalised intersection using micro-simulation | |
Kim et al. | Pigouvian Congestion Tolls and the Welfare Gain: Estimates for California Freeways |
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 |