CN116957130A - 短时客流预测方法 - Google Patents

短时客流预测方法 Download PDF

Info

Publication number
CN116957130A
CN116957130A CN202310514257.8A CN202310514257A CN116957130A CN 116957130 A CN116957130 A CN 116957130A CN 202310514257 A CN202310514257 A CN 202310514257A CN 116957130 A CN116957130 A CN 116957130A
Authority
CN
China
Prior art keywords
passenger flow
station
target site
time
hour
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
CN202310514257.8A
Other languages
English (en)
Inventor
宫磊
张文杰
雷天
罗钦
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.)
Shenzhen Technology University
Original Assignee
Shenzhen Technology University
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 Shenzhen Technology University filed Critical Shenzhen Technology University
Priority to CN202310514257.8A priority Critical patent/CN116957130A/zh
Publication of CN116957130A publication Critical patent/CN116957130A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2458Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474Sequence data queries, e.g. querying versioned data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29Geographical information databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了短时客流预测方法,包括以下步骤:确定目标站点s的客流的时间属性times;将全天运营时间按整点划分为个h小时时段;计算各小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k及到目标站点s的tj,1,tj,2,…,tj,k,j∈[1,h],本发明根据线网站点间的客流流动关系,分小时时段计算得到对预测站点贡献较大的多个起始站,并以这些起始站的进站客流为依据,构建预测站点的初始动态空间关系,提高预测的准确性;取各起始站到预测站点的进站客流占各起始站总进站客流的比例作为修正系数,修正预测站点的初始空间关系,减少初始动态空间关系中无关客流的影响;本发明可为相关部门制定出站大客流疏散计划提供数据支撑。

Description

短时客流预测方法
技术领域
本发明涉及城市轨道交通短时客流预测技术领域,具体为短时客流预测方法。
背景技术
城市轨道交通因其准时、快速、舒适等特点已经成为城市居民出行的首选公共交通工具;同时城市轨道交通因其占用土地资源少,不与机动车争夺路权,能较好地缓解城市道路拥堵,许多城市已经确定了利用城市轨道交通作为其网络骨干的发展战略,规划其公共交通系统,客流预测能够帮助运营部门优化运营计划,为其他接驳交通提供数据支持,提高运营效率;及时疏散客流,保证乘客安全,为乘客出行路径选择提供参考,提高乘客出行的舒适度,国内外学者在城市轨道短时客流预测方面已经取得一定的成绩。
但现有的城市轨道交通短时客流预测研究方法大多只是聚焦于城市轨道交通客流的时序方面,忽略空间层面的线网站点间客流的联系,没有线网站点的客流对预测站点客流的影响,未建立站点间的关联关系。
发明内容
本发明的目的在于提供短时客流预测方法,以解决上述背景技术中提出的现有的城市轨道交通短时客流预测研究方法大多只是聚焦于城市轨道交通客流的时序方面,忽略空间层面的线网站点间客流的联系,没有线网站点的客流对预测站点客流的影响,未建立站点间的关联关系的问题。
为实现上述目的,本发明提供如下技术方案:短时客流预测方法,包括以下步骤:
步骤一、确定目标站点:确定目标站点s的客流的时间属性times
步骤二、划分时间段:将全天运营时间按整点划分为个h小时时段;
步骤三、出站前计算:计算各小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k及到目标站点s的tj,1,tj,2,…,tj,k,j∈[1,h];
步骤四、计算旅行客流:分别计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流矩阵和计算oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流矩阵
步骤五、构造动态空间:利用构造目标站点s的初始动态空间关系ISpatials
步骤六、计算空间修正系数矩阵:计算各小时目标站点s的空间修正系数矩阵Pj和计算目标站点s动态空间修正系数矩阵P;
步骤七、计算空间关系:计算目标站点各小时的空间关系为并且计算目标站点s的动态空间关系Spatials
步骤八、信息输入:将目标站点s的动态空间关系Spatials和客流时间属性times作为长短时记忆神经模型的输入;
步骤九、客流预测:根据输入的内容预测目标站点s的出站客流。
作为本发明的一种优选技术方案,所述步骤一确定目标站点的客流的时间属性的具体步骤为(1)目标站点s的出站客流按t时间间隔汇总g为t时间间隔的总数;(2)将每个t时间间隔客流对应的周一至周五的日期独热编码weeks;(3)目标站点s客流的时间属性times=[OUTs,weeks]。
作为本发明的一种优选技术方案,所述步骤三计算各小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k及到目标站点s的tj,1,tj,2,…,tj,k,j∈[1,h]具体为(1)统计目标站点s每个小时的总出站客流fj;(2)计算每个小时以目标站点s为终点站的OD集合Gj∈(Oj,S),Oj={oj,1,oj,2,…,oj,n},其中n为全网站点数;(3)计算每个小时Gj中各起始站点对目标站点s出站的贡献度i∈[1,n];(4):统计每个小时对目标站点s出站贡献前k的起始站点oj,1,oj,2…,oj,k,并计算各小时起始站点oj,1,oj,2,…,oj,k到目标站点s的平均旅行时间tj,1,tj,2,…,tj,k
作为本发明的一种优选技术方案,所述步骤四分别计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流矩阵和计算oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流矩阵具体为(1)计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流可由k×m的矩阵表示,其中m为小时划分t时间间隔的数量:
其中为第j个时段对站点s的出站贡献第k位的起始站oj,k,其在旅行时间tj,k之前的第m个t间隔的总进站客流量;(2)目标站点s的初始动态空间关系(3)oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流可由k×m的矩阵表示:
其中为起始站oj,k,其在旅行时间tj,k之前的第m个t时间间隔内进站到站点s出站的乘客数。
作为本发明的一种优选技术方案,所述步骤六计算各小时目标站点s的空间修正系数矩阵Pj和计算目标站点s动态空间修正系数矩阵P具体为,(1)计算第j个小时的第m个f时间间隔的目标站点s空间修正系数:
其中d为参与计算的历史天数;(2)第j个小时目标站点s的初始空间关系修正系数可由k×m的矩阵表示:
目标站点s初始动态空间关系的修正系数P=[P1,P2,P3,…,Ph];(3):第j个小时目标站点s的空间关系(4)目标站点s的动态空间关系
作为本发明的一种优选技术方案,所述步骤八将目标站点s的动态空间关系Spatials和客流时间属性times作为长短时记忆神经模型的输入具体为,(1)确定每个小时构建目标站点s空间关系的相关联的起始站点的数量k;(2)对输入长短时记忆神经网络的输入进行归一化处理;(3)将归一化后的数据应用到长短时记忆神经网络,训练模型,然后对客流进行预测;(4)计算模型预测性能指标均方根误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE):yi为实际客流量;为模型的预测值;N为参与计算的客流片段数量。
与现有技术相比,本发明的有益效果是:
1、本发明根据线网站点间的客流流动关系,分小时时段计算得到对预测站点贡献较大的多个起始站,并以这些起始站的进站客流为依据,构建预测站点的初始动态空间关系,提高预测的准确性;
2、取各起始站到预测站点的进站客流占各起始站总进站客流的比例作为修正系数,修正预测站点的初始空间关系,减少初始动态空间关系中无关客流的影响;
3、本发明可为相关部门制定出站大客流疏散计划提供数据支撑。
附图说明
图1为本发明的流程图;
图2为本发明的实施例方法的流程示意图;
图3为本发明刷卡原始数据;
图4为本发明车公庙站工作日5min间隔出站客流;
图5为本发明各小时对车公庙站出站累积贡献;
图6为本发明不同模型预测性能指标结果对比折线图;
图7为本发明LSTM-ST模型预测值与真实值对比。
具体实施方式
下面将结合本发明实施例,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,都属于本发明保护的范围。
请参阅图1-7,本发明提供了短时客流预测方法,包括以下步骤:
步骤一、确定目标站点:确定目标站点s的客流的时间属性times
步骤二、划分时间段:将全天运营时间按整点划分为个h小时时段;
步骤三、出站前计算:计算各小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k及到目标站点s的tj,1,tj,2,…,tj,k,j∈[1,h];
步骤四、计算旅行客流:分别计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流矩阵和计算oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流矩阵
步骤五、构造动态空间:利用构造目标站点s的初始动态空间关系ISpatials
步骤六、计算空间修正系数矩阵:计算各小时目标站点s的空间修正系数矩阵Pj和计算目标站点s动态空间修正系数矩阵P;
步骤七、计算空间关系:计算目标站点各小时的空间关系为并且计算目标站点s的动态空间关系Spatials
步骤八、信息输入:将目标站点s的动态空间关系Spatials和客流时间属性times作为长短时记忆神经模型的输入;
步骤九、客流预测:根据输入的内容预测目标站点s的出站客流。
步骤一确定目标站点的客流的时间属性的具体步骤为(1)目标站点s的出站客流按t时间间隔汇总g为t时间间隔的总数;(2)将每个t时间间隔客流对应的周一至周五的日期独热编码weeks;(3)目标站点s客流的时间属性times=[OUTs,weeks]。
步骤三计算各小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k及到目标站点s的tj,1,tj,2,…,tj,k,j∈[1,h]具体为(1)统计目标站点s每个小时的总出站客流fj;(2)计算每个小时以目标站点s为终点站的OD集合Gj∈(Oj,S),Oj={oj,1,oj,2,…,oj,n},其中n为全网站点数;(3)计算每个小时Gj中各起始站点对目标站点s出站的贡献度i∈[1,n];(4):统计每个小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k,并计算各小时起始站点oj,1,oj,2…,oj,k到目标站点s的平均旅行时间tj,1,tj,2,…,tj,k
步骤四分别计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流矩阵和计算oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流矩阵具体为(1)计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流可由k×m的矩阵表示,其中m为小时划分t时间间隔的数量:
其中为第j个时段对站点s的出站贡献第k位的起始站oj,k,其在旅行时间tj,k之前的第m个t间隔的总进站客流量;(2)目标站点s的初始动态空间关系(3)oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流可由k×m的矩阵表示:
其中为起始站oj,k,其在旅行时间tj,k之前的第m个t时间间隔内进站到站点s出站的乘客数。
步骤六计算各小时目标站点s的空间修正系数矩阵Pj和计算目标站点s动态空间修正系数矩阵P具体为,(1)计算第j个小时的第m个t时间间隔的目标站点s空间修正系数:
其中d为参与计算的历史天数;(2)第j个小时目标站点s的初始空间关系修正系数可由k×m的矩阵表示:
目标站点s初始动态空间关系的修正系数P=[P1,P2,P3,…,Ph];(3):第j个小时目标站点s的空间关系(4)目标站点s的动态空间关系
步骤八将目标站点s的动态空间关系Spatials和客流时间属性times作为长短时记忆神经模型的输入具体为,(1)确定每个小时构建目标站点s空间关系的相关联的起始站点的数量k;(2)对输入长短时记忆神经网络的输入进行归一化处理;(3)将归一化后的数据应用到长短时记忆神经网络,训练模型,然后对客流进行预测;(4)计算模型预测性能指标均方根误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE):yi为实际客流量;为模型的预测值;N为参与计算的客流片段数量。
本发明中,选择车公庙站作为研究对象,车公庙站位于深圳市福田中心区,是重要的通勤类型车站,同时还是深圳地铁1号线、7号线、9号线和11号线四线的重要换乘点。车公庙站作为深圳地铁重要的通勤与换乘站点,其在工作日的出站出现明显的单峰,所以车公庙站工作日出站客流预测具有重要意义。
表1为车公庙站8月1日-3日6:00-23:00每5min间隔的出站客流,车公庙站工作日5min间隔出站客流如所图3示。
表1车公庙站5min间隔出站客流
步骤1:确定车公庙站出站客流的时间属性times
使用车公庙站2019年8月7:00-23:00每5min间隔的出站客流本文使用5位独热编码对预测时段客流所处工作日日期属性进行编码,即(1,0,0,0,0)、(0,1,0,0,0)、(0,0,1,0,0)、(0,0,0,1,0)、(0,0,0,0,1)分别代表周一、周二、周三、周四、周五,构造OUTs对应的日期独热编码weeks,最终组成车公庙站出站客流的时间属性times=[OUTs,weeks]。
步骤2:将全天运营时间7:00-23:00按整点划分为16个时段,计算每个小时对车公庙站出站贡献前50的起始站oj,1,oj,2,…,oj,50及对应的旅行时间tj,1,tj,2,…,tj,50,j∈[1,16];
各小时对车公庙站出站累积贡献如图4所示,每个小时前50的起始站的对车公庙站的累积贡献达到70%以上,起始站达到50站以后每十站的起始站对车公庙站的出站客流的贡献减小幅度增大。所以本发明使用每小时对车公庙站贡献前50的起始站的进站客流构建车公庙站的动态空间关系。
步骤3:计算各小时在旅行时间tj,1,tj,2,…,tj,50之前oj,1,oj,2,…,oj,50站的进站客流可由50×12的矩阵表示:
其中为第j个时段对车公庙站的出站贡献第50位的起始站oj,50,其在旅行时间tj,50之前的第12个5min间隔的总进站客流量;
车公庙站的初始动态空间矩阵为
oj,1,oj,2,…,oj,50进站客流中到目标站点s的客流可由50×12的矩阵表示:
其中为起始站oj,50,其在旅行时间tj,50之前的第12个5min时间间隔内进站到车公庙站出站的乘客数;
步骤4:计算第j个小时的第12个5min时间间隔的车公庙站空间修正系数:
其中d为参与计算的历史天数,本发明实例的d为21;
第j个小时车公庙站的初始空间修正系数可由50×12的矩阵表示:
车公庙站初始动态空间的修正系数P=[P1,P2,P3,…,P16]
第j个小时车公庙站的空间关系
车公庙站的动态空间关系
车公庙站的动态空间关系构建如算法1所示:
步骤5:使用车公庙站出站客流的时间属性times=[OUTs,weeks]结合车公庙站的动态空间关系作为长短时记忆神经网络的输入,使用2019年8月前17天工作日的数据作为训练集数据,后4天工作日的客流作为模型测试集数据。
对于长短时记忆神经网络结构,首先需要确定网络的隐藏层神经元个数、初始学习率和Dropout值。我们使用不同隐藏层神经元个数、初始学习率和Dropout值进行随机组合,车公庙站出站客流的时间属性作为模型输入,其不同组合结果的预测值如表2所示。
表2不同参数组合下LSTM模型的预测结果
当隐藏层神经元个数、初始学习率和Dropout值分别为50、0.01和0时长短时记忆神经模型对车公庙站5min间隔的出站客流预测效果达到最优,所以本发明使用50隐藏层神经元个数、0.01的初始学习率无Dropout的长短时记忆神经网络对车公庙站的客流进行预测。
定义只有车公庙站出站客流时间属性的输入的模型为LSTM-T,客流时间属性结合车公庙站的初始动态空间关系的模型为LSTM-IST,动态空间关系结合客流时间属性的输入的模型为LSTM-ST。表3为相同数据集下不同模型的预测性能指标,图5为不同模型预测性能指标结果对比折线图。
表3不同模型预测性能
通过表3和图5,我们可以看出,在相同特征输入下,LSTM模型的预测精度要优于PSO-SVR模型的预测结果。同时,客流时间属性结合车公庙站初始动态空间关系的LSTM-IST、PSO-SVR-IST预测精度分别优于LSTM-T和PSO-SVR-T;车公庙站动态空间关系结合客流时间属性的LSTM-ST、PSO-SV-ST预测结果分别优于LSTM-IST、PSO-SVR-IST预测结果。
在数据集相同的情况下,车公庙站的LSTM-IST模型预测评价指标MAE和RMSE比LSTM-T降低了10.35%和8.96%,说明在考虑预测站点客流时间特征前提下,利用预测站点分时段贡献前k起始站的进站客流构建预测站点的初始动态空间关系,耦合预测站点客流的时空属性作为LSTM模型输入可以提高站点出站客流的预测结果,因为LSTM模型可以根据线网站点间的客流流向关系获得预测站点出站客流的相关信息。
在数据集相同的情况下,LSTM-ST模型的预测精度最高,其预测值与真实值的对比如图6所示,LSTM-ST模型预测评价指标MAE和RMSE比LSTM-IST降低了5.14%和3.31%,说明预测站点初始动态空间关系中存在与预测站点出站无关的客流信息,无关客流会影响出站客流的预测结果,通过利用关联起始站到预测站点的比例修正预测站点初始动态空间关系可以减少无关客流对预测结果的影响。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.短时客流预测方法,其特征在于,包括以下步骤:
步骤一、确定目标站点:确定目标站点s的客流的时间属性times
步骤二、划分时间段:将全天运营时间按整点划分为个h小时时段;
步骤三、出站前计算:计算各小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k及到目标站点s的tj,1,tj,2,…,tj,k,j∈[1,h];
步骤四、计算旅行客流:分别计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流矩阵和计算oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流矩阵
步骤五、构造动态空间:利用构造目标站点s的初始动态空间关系ISpatials
步骤六、计算空间修正系数矩阵:计算各小时目标站点s的空间修正系数矩阵Pj和计算目标站点s动态空间修正系数矩阵P;
步骤七、计算空间关系:计算目标站点各小时的空间关系为并且计算目标站点s的动态空间关系Spatials
步骤八、信息输入:将目标站点s的动态空间关系Spatials和客流时间属性times作为长短时记忆神经模型的输入;
步骤九、客流预测:根据输入的内容预测目标站点s的出站客流。
2.根据权利要求1所述的短时客流预测方法,其特征在于:所述步骤一确定目标站点的客流的时间属性的具体步骤为(1)目标站点s的出站客流按t时间间隔汇总g为t时间间隔的总数;(2)将每个t时间间隔客流对应的周一至周五的日期独热编码weeks;(3)目标站点s客流的时间属性times=[OUTs,weeks]。
3.根据权利要求1所述的短时客流预测方法,其特征在于:所述步骤三计算各小时对目标站点s出站贡献前k的起始站点oj,1,oj,2,…,oj,k及到目标站点s的tj,1,tj,2,…,tj,k,j∈[1,h]具体为(1)统计目标站点s每个小时的总出站客流fj;(2)计算每个小时以目标站点s为终点站的OD集合Gj∈(Oj,S),Oj={oj,1,oj,2,…,oj,n},其中n为全网站点数;(3)计算每个小时Gj中各起始站点对目标站点s出站的贡献度(4):统计每个小时对目标站点s出站贡献前k的起始站点oj,1,oj,2…,oj,k,并计算各小时起始站点oj,1,oj,2,…,oj到目标站点s的平均旅行时间tj,1,tj,2,…,tj,k
4.根据权利要求1所述的短时客流预测方法,其特征在于:所述步骤四分别计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流矩阵和计算oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流矩阵具体为(1)计算各小时在旅行时间tj,1,tj,2,…,tj,k之前oj,1,oj,2,…,oj,k站的进站客流可由k×m的矩阵表示,其中m为小时划分t时间间隔的数量:
其中为第j个时段对站点s的出站贡献第k位的起始站oj,k,其在旅行时间tj,k之前的第m个t间隔的总进站客流量;(2)目标站点s的初始动态空间关系(3)oj,1,oj,2,…,oj,k进站客流中到目标站点s的客流可由k×m的矩阵表示:
其中为起始站oj,k,其在旅行时间tj,k之前的第m个t时间间隔内进站到站点s出站的乘客数。
5.根据权利要求1所述的短时客流预测方法,其特征在于:所述步骤六计算各小时目标站点s的空间修正系数矩阵Pj和计算目标站点s动态空间修正系数矩阵P具体为,(1)计算第j个小时的第m个t时间间隔的目标站点s空间修正系数:
其中d为参与计算的历史天数;(2)第j个小时目标站点s的初始空间关系修正系数可由k×m的矩阵表示:
目标站点s初始动态空间关系的修正系数P=[P1,P2,P3,…,Ph];(3):第j个小时目标站点s的空间关系(4)目标站点s的动态空间关系
6.根据权利要求1所述的短时客流预测方法,其特征在于:所述步骤八将目标站点s的动态空间关系Spatials和客流时间属性times作为长短时记忆神经模型的输入具体为,(1)确定每个小时构建目标站点s空间关系的相关联的起始站点的数量k;(2)对输入长短时记忆神经网络的输入进行归一化处理;(3)将归一化后的数据应用到长短时记忆神经网络,训练模型,然后对客流进行预测;(4)计算模型预测性能指标均方根误差(Mean AbsoluteError,MAE)、均方根误差(Root Mean Square Error,RMSE): yi为实际客流量;为模型的预测值;N为参与计算的客流片段数量。
CN202310514257.8A 2023-05-08 2023-05-08 短时客流预测方法 Pending CN116957130A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310514257.8A CN116957130A (zh) 2023-05-08 2023-05-08 短时客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310514257.8A CN116957130A (zh) 2023-05-08 2023-05-08 短时客流预测方法

Publications (1)

Publication Number Publication Date
CN116957130A true CN116957130A (zh) 2023-10-27

Family

ID=88448095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310514257.8A Pending CN116957130A (zh) 2023-05-08 2023-05-08 短时客流预测方法

Country Status (1)

Country Link
CN (1) CN116957130A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272848A (zh) * 2023-11-22 2023-12-22 上海随申行智慧交通科技有限公司 基于时空影响的地铁客流预测方法及模型训练方法
CN118504375A (zh) * 2024-03-14 2024-08-16 交通运输部公路科学研究所 一种城市轨道交通的客流预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272848A (zh) * 2023-11-22 2023-12-22 上海随申行智慧交通科技有限公司 基于时空影响的地铁客流预测方法及模型训练方法
CN117272848B (zh) * 2023-11-22 2024-02-02 上海随申行智慧交通科技有限公司 基于时空影响的地铁客流预测方法及模型训练方法
CN118504375A (zh) * 2024-03-14 2024-08-16 交通运输部公路科学研究所 一种城市轨道交通的客流预测方法

Similar Documents

Publication Publication Date Title
CN116957130A (zh) 短时客流预测方法
CN101206801B (zh) 一种自适应交通控制方法
CN103198648B (zh) 用于公交系统的自适应调度方法
CN111653088A (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN102831478B (zh) 一种基于bp神经网络的地铁能耗综合预测方法
CN110415546A (zh) 泊车诱导方法、装置和介质
CN107919014A (zh) 面向多载客里程的出租车收入效率优化方法
CN112309119B (zh) 一种城市交通系统容量分析优化方法
CN111985619A (zh) 一种基于短时交通流预测的城市单交叉口控制方法
CN112906179B (zh) 一种基于流体排队网络的城市轨道交通客流控制优化方法
CN113592419B (zh) 考虑客流和节能的轨道交通快慢车时刻表优化方法
CN109522584B (zh) 一种有轨电车发车时刻表设计方法
CN108154250A (zh) 一种基于k-means算法的公共自行车智能调度系统区域划分方法
Qin et al. Analysis of the travel intent for park and ride based on perception
Si et al. Modeling the congestion cost and vehicle emission within multimodal traffic network under the condition of equilibrium
Zhao et al. Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm.
Bo et al. Commuting in the Storm: Adaptation of Transit Riders and Measures for Transit Operator—A Case in Shanghai
CN114255596B (zh) 一种基于大数据的停车场车位推荐系统及方法
CN108197748B (zh) 一种基于思维进化算法的人流量预测方法
CN111091286A (zh) 一种公共自行车调度模型与求解方法
CN116307181A (zh) 电动汽车充电站智能选址定容方法
CN116129651A (zh) 一种基于居民出行行为选择的交通容量计算方法
CN112488422B (zh) 一种基于多任务学习的多模式出行需求预测方法
CN114275014A (zh) 一种地铁拥挤程度缓解方法、装置、服务器和存储介质
CN115759319B (zh) 一种考虑职住分布的快递网点和中转站选址方法

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