CN117275243B - 基于多源交通出行数据的区域流控预测预警方法及应用 - Google Patents
基于多源交通出行数据的区域流控预测预警方法及应用 Download PDFInfo
- Publication number
- CN117275243B CN117275243B CN202311562750.3A CN202311562750A CN117275243B CN 117275243 B CN117275243 B CN 117275243B CN 202311562750 A CN202311562750 A CN 202311562750A CN 117275243 B CN117275243 B CN 117275243B
- Authority
- CN
- China
- Prior art keywords
- regional
- early warning
- reachable
- passenger
- inflow
- 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 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000002093 peripheral effect Effects 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000000586 desensitisation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源交通出行数据的区域流控预测预警方法及应用。所述区域流控预测预警方法包括：获取多源交通出行数据并确定核心管控区域；圈定多个慢行可达圈和公共交通可达圈；划分为多个扇面区域且划分为多个时空网格；将多源交通出行数据映射，计算扇面区域的区域客流；基于区域客流建立预测模型，并预测未来的流入流出特征；进行分级预警。本发明通过融合多源交通方式数据，建立了具有较强可复用性、较高可移植性的可计算时空网格体系，实现预测预警，为区域流控保障提供数据支撑和决策依据，还充分地解析了外围空间对核心管控区的复杂综合影响，通过深度学习算法的综合解析和运算，构建了一种准确性强、可信度高的风险预警体系。
Description
技术领域
本发明涉及交通风险预测技术领域，尤其涉及一种基于多源交通出行数据的区域流控预测预警方法及应用。
背景技术
随着经济的发展，人们的经济水平提高，出现旅行潮等现象，出行城市出现饱和、游客拥挤等问题也日益凸显出来，进而影响游客的出游体验和交通环境问题。同时，上下班高峰期以及节假日等重要公共场合会出现大客流的情况，容易造成人员密集、交通堵塞、踩踏事件等一系列安全隐患问题。
目前，区域客流量受多种因素的影响，包括空间影响、时间影响、季节影响等因素。因此综合考虑多种因素的干扰，一些现有技术提出了一种基于上海MaaS数据底座的区域客流预测预警方法。不仅能准确、及时地掌握当前区域内的客流信息，而且能够对客流的变化趋势做出预测，以便提前部署各种管理、响应措施。
例如文章《基于时空残差网络的区域客流量预测方法[J]. 计算机测量与控制,2020,28(6):170-174.》提供了一种考虑了多种影响区域客流的预测方法，结合多种因素提出了基于时空残差网络的区域客流量预测方法，该方法主要是利用残差网络模拟时空数据的时间与空间特征，并且利用全连接网络模拟季节性影响。通过四个残差网络来模拟时间的临近性、相似性、周期性和趋势性。
而申请号为CN201610027157.2的中国发明专利：一种区域客流趋势的预测方法及装置中，使用现有的基站来获取蜂窝小区的移动终端信号，定位用户移动情况,首先确定统计区域内各个蜂窝小区在第一时长的用户移动信息，生成用户移动矩阵，并进一步确定统计区域中的目标区域中用户的停留概率和邻区用户移入概率，从而可以确定在第二时长结束时目标区域的用户总数,同时还考虑了目标区域的邻区用户向目标区域的移动情况，从而使得目标区域的用户预测更加准确。
而诸多现有技术在进行流量预测以及风险预警时，通常并未考虑到多种不同的出行方式的时空规律的差异，以及多种不同出行方式对于热点核心区域的未来影响，对于潜在的客流风险的预测与预警往往难以准确。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于多源交通出行数据的区域流控预测预警方法及应用。
为实现前述发明目的，本发明采用的技术方案包括：
第一方面，本发明提供一种基于多源交通出行数据的区域流控预测预警方法，其包括：
获取多源交通出行数据并确定核心管控区域；
在所述核心管控区周围圈定多个慢行可达圈和公共交通可达圈；
在所述核心管控区的周向将所述慢行可达圈和公共交通可达圈划分为多个扇面区域且将所述扇面区域划分为多个时空网格；
将所述多源交通出行数据映射至对应的时空网格中，分别计算多个所述扇面区域的区域客流，所述区域客流包括多种出行方式对应的客流；
基于多个所述扇面区域的区域客流，建立基于深度学习算法的预测模型，并预测所述核心管控区域以及各扇面区域中未来的流入流出特征，所述流入流出特征包括多种出行方式对应的流入与流出量；
基于所述流入流出特征进行分级预警。
进一步地，所述多源交通出行数据包括地铁线路站点基础信息、地铁实时和历史进出站客流数据；公交线路站点基础信息、公交线路客流信息；共享单车实时关锁、开锁数据；网约车订单数据；停车场基础信息和实时泊位信息。
进一步地，所述慢行可达圈包括步行第一时长可达圈和/或骑行第二时长可达圈；所述公共交通可达圈包括公共交通第三时长可达圈；其中第三时长大于第一时长和第二时长。
基于上述技术方案，本发明提供了一种多源综合的区域流控预测预警方法，充分考虑多种出行方式对于流入流出特征的影响；并且涵盖了对于核心管控区域周围通过换乘或切换慢行方式进入核心管控区的人员流量的影响，例如在公共交通可达圈之内，通过停车换乘公共交通流动至核心管控区内，亦或是在慢行可达圈内，通过自驾车停车换行，或者网约车下车步行/骑行（常见于核心管控区拥堵的情况下）或者地铁出站/公交车下车后步行/骑行（常见于地铁管制或拥挤的情况下）的方式进入核心管控区内。充分融合了多源数据以及多源交通方式之间桥接后带来的综合流量变化，更加贴近实际的客流规律，利用深度学习算法训练的方式进行综合训练模拟与预测，从而能够得出更加准确的预测结果，基于该预测结果的预警也更加具有可解释性以及准确性。
具体的，通常情况下，核心管控区在一些时段内会进行管控，仅允许步行或者仅允许步行及骑行的方式进入，诸如网约车、自驾等出行方式将被限制，而此时，在核心管控区周围的公共交通可达圈以及慢行可达圈会通过切换出行的方式产生上述复杂影响，想要深度解析这种复杂影响就必须建立与之相匹配的预测预警体系，而依赖现有技术中的常见模型等往往难以面临这种复杂情形给出可以信赖的预测预警结果。
进一步地，所述区域客流的计算过程具体包括：
在所述时空网格中，加权累加所述多源交通出行数据中的地铁出站客流量、共享单车关锁数量和网约车下车订单量，计算所述时空网格的流入客流；加权累加所述多源交通出行数据中的地铁进站客流量、共享单车开锁数量和网约车上车订单量，计算所述时空网格的流出客流；
汇集对应的多个时空网格中的流入客流和流出客流，获取所述扇面区域的区域客流。
进一步地，所述区域客流的计算过程表示为：
；
其中，表示所述时空网格的流入客流；/>表示所述时空网格的流出客流；/>表示所述地铁出站客流量；/>表示所述共享单车关锁数量；/>表示所述网约车下车订单量；表示所述地铁进站客流量；/>表示所述共享单车开锁数量；/>表示所述网约车上车订单量；、/>和/>表示权重系数。
本发明的发明人在实践中发现，不同的交通方式对应的区域客流对于交通体系的压力以及对于核心管控区流入流出特征的影响是不同的，若均赋予统一的权重系数（即1：1：1的权重统计方式），则在实际预测和风险预警时容易失真，产生误报或者漏报的问题；而基于长期数据累积与统计，得以提出以不同权重系数来进行不同交通方式的客流影响程度的加权累加的方式来综合计算影响程度，采用这种计算方式的预测结果和预警结果将更加具有可信度。
当然，对于不同的城市，上述权重系数的选择范围可能有所差异，但均在相似的范围内浮动，也符合近似的大小规律；而更优的实施方式是，将上述权重设置为浮动变量并赋予初始值，该初始值可以源自于本发明所提供的经验，在进行模型训练时，通过多次迭代使上述权重值得以确定。
进一步地，所述预测模型的建立过程具体包括：
提供初始模型；
基于过去的所述多个所述扇面区域的区域客流作为训练集，以及历史记录的所述核心管控区的流入流出特征作为验证集，对所述初始模型进行训练，获得所述预测模型。
具体的，所述的初始模型例如可以选择长短时记忆网络LSTM NN、MLP等模型结构，且不限于此。
进一步地，所述分级预警的过程具体包括：
对于多个所述扇面区域，基于预测得到的对应的流入流出特征，计算客流量阈值分位数；
按照所述客流量阈值分位数所落入的数值区间，将对应的扇面区域中的不同交通类别划分为多个风险等级。
更加具体的详细计算方法中，对于所述核心管控区，还可以赋予预测得到的所述慢行可达圈和公共交通可达圈的流出客流量不同的权重并累加汇集，作为所述核心管控区的预计流入量；基于所述预计流入量和所述核心管控区的历史评估承载量的数量关系，对所述核心管控区的客流量进行风险等级划分。
进一步地，对于所述核心管控区，所述预计流入量的计算过程可以是考虑到在慢行可达圈下地铁或者下车的客流，以及慢行可达圈中的停车场的停车，有可能这些客流容易通过转换成慢行方式进入核心区，因此，累加的项目不仅包含公交可达圈的地铁网约车上车流量、慢行圈的共享单车开锁量，还应该包含在慢行圈的下地铁、下车、以及甚至还要考虑在步行圈里共享单车锁车的流量，并分配不同的权重系数以最终得到最贴近预测目的的计算依据。
第二方面，本发明还提供了一种基于多源交通出行数据的区域流控预测预警系统，其包括：
基础数据模块，用于获取多源交通出行数据并确定核心管控区域；
可达圈划分模块，用于在所述核心管控区周围圈定多个慢行可达圈和公共交通可达圈；
扇形划分模块，用于在所述核心管控区的周向将所述慢行可达圈和公共交通可达圈全部划分为多个扇面区域且将所述扇面区域划分为多个时空网格；
客流计算模块，用于将所述多源交通出行数据映射至对应的时空网格中，分别计算多个所述扇面区域的区域客流，所述区域客流包括多种出行方式对应的客流；
客流预测模块，用于基于多个所述扇面区域的区域客流，建立基于深度学习算法的预测模型，并预测所述核心管控区域以及各扇面区域未来的流入流出特征，所述流入流出特征包括多种出行方式对应的流入与流出量；
分级预警模块，用于基于所述流入流出特征进行分级预警。
对应的，第三方面，本发明还提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被运行时执行上述区域流控预测预警方法的步骤。
基于上述技术方案，与现有技术相比，本发明的有益效果至少包括：
本发明所提供的区域流控预测预警方法通过融合多源交通方式数据，建立了具有较强可复用性、较高可移植性的可计算时空网格体系，能够实现对区域客流进行预测预警，为区域流控保障提供数据支撑和决策依据，此外，还充分地解析了外围空间对核心管控区的复杂综合影响，通过考虑多种不同交通方式以及对应的多个周围可达区域的深度学习算法的综合解析和运算，构建了一种准确性强、可信度高的风险预警体系。
上述说明仅是本发明技术方案的概述，为了能够使本领域技术人员能够更清楚地了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合详细附图说明如后。
附图说明
图1是本发明一典型实施案例提供的区域流控预测预警方法中的核心管控区域以及多个可达圈影响区域的划分示意图；
图2是本发明一典型实施案例提供的区域流控预测预警方法中的扇面区域划分示意图；
图3是本发明一典型实施案例提供的区域流控预测预警方法中的扇面区域的区域客流计算与预测示意图；
图4是本发明一典型实施案例提供的区域流控预测预警方法中的各区域预警等级及状态示意图。
具体实施方式
鉴于现有技术中的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明实施例提供一种基于多源交通出行数据的区域流控预测预警方法，其包括如下的步骤：
获取多源交通出行数据并确定核心管控区域。
在所述核心管控区周围圈定多个慢行可达圈和公共交通可达圈。
在所述核心管控区的周向将所述慢行可达圈和公共交通可达圈划分为多个扇面区域且将所述扇面区域划分为多个时空网格。
将所述多源交通出行数据映射至对应的时空网格中，分别计算多个所述扇面区域的区域客流，所述区域客流包括多种出行方式对应的客流，具体例如包含了共享单车、网约车、地铁、停车场停车换乘等等多种可统计的出行方式。
基于多个所述扇面区域的区域客流，建立基于深度学习算法的预测模型，并预测所述核心管控区域以及各扇面区域中未来的流入流出特征，所述流入流出特征包括多种出行方式对应的流入与流出量。
基于所述流入流出特征进行分级预警。
对应于上述区域流控预测预警方法，本发明实施例还提供了一种基于多源交通出行数据的区域流控预测预警系统，其包括如下模块：
基础数据模块，用于获取多源交通出行数据并确定核心管控区域。
可达圈划分模块，用于在所述核心管控区周围圈定多个慢行可达圈和公共交通可达圈。
扇形划分模块，用于在所述核心管控区的周向将所述慢行可达圈和公共交通可达圈全部划分为多个扇面区域且将所述扇面区域划分为多个时空网格。
客流计算模块，用于将所述多源交通出行数据映射至对应的时空网格中，分别计算多个所述扇面区域的区域客流。
客流预测模块，用于基于多个所述扇面区域的区域客流，建立基于深度学习算法的预测模型，并预测所述核心管控区域以及各扇面区域未来的流入流出特征。
分级预警模块，用于基于所述流入流出特征进行分级预警。
作为上述技术方案的一些典型的应用示例，本发明的典型代表性实施案例针对当前大客流场景下区域客流预测预警方法，基于上海MaaS数据底座提出一种融合多公共交通出行数据的区域客流预测预警方法。该方法充分融合宏观层面各种交通方式客流的时空影响，补充了基于交通公共出行数据进行区域客流预测预警的空白，创新MaaS理念落地，充分发挥数据要素价值。
本实施例提出的基于上海MaaS数据底座的区域客流预测预警方法可通过下述步骤来实现。本发明是一种融合多种公共交通出行数据的区域客流预测预警方法，其具有显著特征的主要步骤包括：
（1）打通交通领域公共出行数据孤岛。
（2）确定客流预测预警目标区域边界。
（3）区域时空网格化处理。
（4）区域四向处理。
（5）建立预测预警机制。
所述步骤（1）具体为：将超大城市交通公共出行领域数据统一汇聚到MaaS数据底座，打通交通领域公共出行数据孤岛。包括地铁线路站点基础信息、地铁实时和历史进出站客流数据；公交线路站点基础信息、公交线路客流信息；共享单车实时关锁、开锁数据；网约车订单数据（脱敏）；停车场基础信息和实时泊位信息等。其中，网约车订单信息可能会含有用户出行信息，脱敏是指通过将网约车订单信息映射到可计算geohash网格上，有效规避了个人信息，当然具体的脱敏方式不限于此例举的方式。
当然，对应于不同的应用场景，并不仅限于汇聚到MaaS数据底座这一种实现形式，能够实现多源交通数据的汇集和调用的任何实施方式均属于本发明的可实施范围之内。
所述步骤（2）具体为：基于地图划定目标区域边界，定义该区域为核心管控区。在此基础上，结合慢行交通15min生活、公共交通30分钟可达圈理念，以核心管控区为中心，建立15min步行可达圈、15min骑行可达圈、30min地铁可达圈，一些典型的划分结果如图1所示。
而上述时间划分的方式下，所依据的时间也并非仅限于上述示例的范围，例如步行的第一时长可以上下调整为10-20min，骑行同理；但通常人们对于公共交通行程耗时的接受程度较高，因此，公共交通可达圈的地铁的第三时长显著长于第一时长和第二时长，约为前者的2倍左右。
所述步骤（3）具体为：基于步骤（2）中划定的各区域，通过Geohash算法将目标区域基于经纬度坐标划分成若干个矩形区域，定义该矩形区域为时空网格，将时空网格作为数据计算的最小基本单元。针对任意时空网格，根据经纬度坐标将地铁、公交、网约车、共享单车、停车数据映射到时空网格中，将该网格定义为可计算时空网格。基于任意可计算时空网格计算该时空网格上1）静态标签化信息：地铁站站点数、公交站站点数、停车场数量；2）实时动态数据：基于该网格的地铁出站客流、基于该网格的地铁进站客流、可用共享单车数量、网约车下车订单量、网约车上车订单量、网约车平均等候时长。
所述步骤（4）具体为：针对步骤（2）中定义的15min步行可达圈、15min骑行可达圈、30min地铁可达圈，或者其他方式的可达圈，分别进行东、西、南、北四向划分，形成3个主影响区域和其中的12个扇面区域，如图2所示。针对图2中任意一个扇面区域，基于上一步骤划分的可计算时空网格分别计算流入、流出该区域的客流。具体如下：
a.将地铁出站客流、共享单车关锁数量、网约车下车订单量映射到可计算时空网格上，计算具有相同标签的扇区和影响区流入客流，计算方法为：
其中，w1、w2、w3 为分别对应地铁、共享单车、网约车三种出行方式的权重；根据经验值，通常取w1 = 1.25 ， w2 = 1 ， w3= 2 。metro_out_flow表示地铁出站客流、sharing_bike_locked_num 表示共享单车关锁数量、car_hailing_off_num 表示网约车下车订单量。
上述权重系数的取值是基于统计经验或在模型训练过程中调整获得，当然，针对于不同情形，上述权重系数可以上下浮动一定数值例如上下浮动10-20%；而对于不同的城市，上述权重系数亦可能不同，但整体的大小规律应是近似的，例如通常w3＞w1＞w2。
b.将地铁进站客流、共享单车开锁数量、网约车上车订单量映射到可计算时空网格上，计算方式为：
其中，w1、w2、w3 为分别对应地铁、共享单车、网约车三种出行方式的权重；根据经验值，通常取 w1 = 1.25 ， w2 =1 ， w3 =2 。 metro_in_flow 表示地铁进站客流、sharing_bike_unlocked_num 表示共享单车开锁数量、car_hailing_up_num 表示网约车上车订单量。
c.通过步骤a、b计算出流入任意扇面区域和影响区以及流出扇面区域和影响区的客流。结果见下图3所示。
但需要说明的是，上述步骤（3）和步骤（4）并非严格限定的先后关系，其可能倒序执行或同步执行，例如不同于上述执行顺序，先进行扇面区域的划分，然后再进行时空网格的划分，亦可实现同样的功能效果；甚至在划分网格的同步进行时空网格的划分亦可；这说明，本发明所提供的技术方案，各个步骤之间的执行关系由具体的内在逻辑关系所限制，而非限于文字的先后顺序。
所述步骤（5）为：建立基于节点-区域的流控四级预警机制。结合各扇面区域，通过挖掘历史数据特征，建立基于深度学习算法的预测模型预测下一小时区域流入、流出特征，结合区域内各节点数据的历史峰值、通行能力，建立区域流控四级预警机制。具体计算结果如下表1所示，在一些应用场景下的实际预警结果见图4所示：
表1 各种出行方式对应的分级预警指标
当然，上述分级方式仅仅是作为一种示例的形式，采取历史极值的97分位数的方式进行风险分级，但可实施的风险分级方式却不仅限于此，例如对应于不同的等级划分程度，其他数值的分位数如95分位数等亦可；基于前述步骤，已经获得了多个影响区域以及多个影响方向以及多种不同交通形式所带来的客流风险预估，即所述流入流出特征，基于该风险预估数据来采取任意其他形式的风险分级方式均属于本发明的可实施范围之内，亦受到本发明的保护。
并且，上述示例的内容为东南西北四向划分，当然考虑到不同的可实施形式，其他数目的划分方式亦属于本发明的可实施范围，例如更加精细化的八向划分，具体如东南西北及东北、西北、东南、西南这8个方向划分，甚至在一些热门来客方向上进行更精细的划分，而在其他非热门来客方向上进行大角度划分等等，例如划分出一些小角度扇面区域（例如12°小扇面等）专门朝向火车站、飞机场的方向等；或者是非严格的南北向划分等等形式（例如与正南正北有一定偏转角度），种种实施方式均利用了同样的原理，均属于本发明的保护范围之内。
而更加优选的风险分级方式中，还应当考虑多种交通方式之间的切换带来的客流影响，具体的：
对于所述核心管控区，赋予预测得到的所述慢行可达圈和公共交通可达圈的流出客流量不同的权重并累加汇集，作为所述核心管控区的预计流入量。
基于所述预计流入量和所述核心管控区的历史评估承载量的数量关系，对所述核心管控区的客流量进行风险等级划分。
更进一步的优选方案中，对于所述核心管控区，所述预计流入量的计算过程应当考虑到在慢行可达圈下地铁或者下车的客流，以及慢行可达圈中的停车场的停车，有可能这些客流容易通过转换成慢行方式进入核心区，因此，累加的项目不仅包含公交可达圈的地铁网约车上车流量、慢行圈的共享单车开锁量，还应该包含在慢行圈的下地铁、下车、以及甚至还要考虑在步行圈里共享单车锁车的流量，公交可达圈的停车场饱和度，以及慢行圈的停车，并分配不同的权重系数以进行最终预测计算。
这是由于，核心管控区往往属于热门区域，其中的客流交通方式复杂多样，例如可能由地铁换乘公交抵达（对应了地铁出站）；亦或是自驾停车后换乘公共交通工具抵达（对应了相关区域的停车场饱和度以及地铁进站流量）；亦可能是停车较近，换用步行或共享单车的方式抵达（对应了慢行可达圈内的停车场饱和度等数据），还存在通过网约车或地铁抵达慢行可达圈内，然后切换慢行的方式抵达核心管控区（对应了慢行可达圈内的下车订单、地铁出站，甚至步行可达圈中的共享单车锁车量等等）。
不同交通方式的切换下最终抵达核心管控区的实际流量贡献是不同的，因此，针对于不同的交通方式在不同位置的上客流量以及下客流量，需要依据经验或训练从而赋予不同权重，从而才能够获得最终较为可靠且准确的预期数据和风险等级。
在一非常具体的应用场景中，通过上述技术方法构建了上海这一特大城市的区域流控预测预警方法和系统，并针对热点区域持续进行了流量预测和风险评估；通过一段时间的统计，预测值和实际值的偏差较小，所给出的风险预警信息与实际发生的流量峰值对应的风险等级切合度也较高。这充分说明了本发明所提供的技术方案在可信度和准确性方面的技术效果。
基于上述实施案例，可以明确，本发明实施例所提供的区域流控预测预警方法通过融合多源交通方式数据，建立了具有较强可复用性、较高可移植性的可计算时空网格体系，能够实现对区域客流进行预测预警，为区域流控保障提供数据支撑和决策依据，此外，还充分地解析了外围空间对核心管控区的客流的复杂综合影响，通过多种不同交通方式以及对应的多个周围可达区域的深度学习算法的综合解析和运算，构建了一种准确性强、可信度高的风险预警体系。
应当理解，上述实施例仅为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于多源交通出行数据的区域流控预测预警方法，其特征在于，包括：
获取多源交通出行数据并确定核心管控区域；
在所述核心管控区周围圈定多个慢行可达圈和公共交通可达圈；
在所述核心管控区的周向将所述慢行可达圈和公共交通可达圈划分为多个扇面区域且将所述扇面区域划分为多个时空网格；
将所述多源交通出行数据映射至对应的时空网格中，分别计算多个所述扇面区域的区域客流，所述区域客流包括多种出行方式对应的客流；
基于多个所述扇面区域的区域客流，建立基于深度学习算法的预测模型，并预测所述核心管控区域以及各扇面区域中未来的流入流出特征，所述流入流出特征包括多种出行方式对应的流入与流出量；
基于所述流入流出特征进行分级预警；
其中，所述区域客流的计算过程包括：
在所述时空网格中，加权累加所述多源交通出行数据中的地铁出站客流量、共享单车关锁数量和网约车下车订单量，计算所述时空网格的流入客流；加权累加所述多源交通出行数据中的地铁进站客流量、共享单车开锁数量和网约车上车订单量，计算所述时空网格的流出客流；
汇集对应的多个时空网格中的流入客流和流出客流，获取所述扇面区域的区域客流；
并表示为：
；
其中，表示所述时空网格的流入客流；/>表示所述时空网格的流出客流；表示所述地铁出站客流量；/>表示所述共享单车关锁数量；/>表示所述网约车下车订单量；/>表示所述地铁进站客流量；/>表示所述共享单车开锁数量；表示所述网约车上车订单量；w1、w2和w3 表示权重系数，并且 w3＞w1＞w2；
具体的，对于所述慢行可达圈和公共交通可达圈，针对于不同的交通方式在不同可达圈的上客流量以及下客流量，赋予不同权重进行所述流入流出特征的预测；对于所述核心管控区，赋予预测得到的所述慢行可达圈和公共交通可达圈的流出客流量不同的权重并累加汇集，作为所述核心管控区的预计流入量；
基于所述预计流入量和所述核心管控区的历史评估承载量的数量关系，对所述核心管控区的客流量进行风险等级划分。
2.根据权利要求1所述的区域流控预测预警方法，其特征在于，所述多源交通出行数据包括地铁线路站点基础信息、地铁实时和历史进出站客流数据；公交线路站点基础信息、公交线路客流信息；共享单车实时关锁、开锁数据；网约车订单数据；停车场基础信息和实时泊位信息。
3.根据权利要求2所述的区域流控预测预警方法，其特征在于，所述慢行可达圈包括步行第一时长可达圈和/或骑行第二时长可达圈；
所述公共交通可达圈包括公共交通第三时长可达圈；
其中第三时长大于第一时长和第二时长。
4.根据权利要求1所述的区域流控预测预警方法，其特征在于，所述预测模型的建立过程具体包括：
提供初始模型；
基于过去的所述多个所述扇面区域的区域客流作为训练集，以及历史记录的所述核心管控区的流入流出特征作为验证集，对所述初始模型进行训练，获得所述预测模型。
5.根据权利要求1所述的区域流控预测预警方法，其特征在于，所述分级预警的过程具体包括：
对于多个所述扇面区域和核心管控区，基于预测得到的对应的流入流出特征，计算客流量阈值分位数；
按照所述客流量阈值分位数所落入的数值区间，将对应的扇面区域中的不同交通类别划分为多个风险等级。
6.根据权利要求5所述的区域流控预测预警方法，其特征在于，所述阈值分位数包括97分位数。
7.一种用于实现权利要求1-6中任意一项所述区域流控预测预警方法的基于多源交通出行数据的区域流控预测预警系统，其特征在于，包括：
基础数据模块，用于获取多源交通出行数据并确定核心管控区域；
可达圈划分模块，用于在所述核心管控区周围圈定多个慢行可达圈和公共交通可达圈；
扇形划分模块，用于在所述核心管控区的周向将所述慢行可达圈和公共交通可达圈全部划分为多个扇面区域且将所述扇面区域划分为多个时空网格；
客流计算模块，用于将所述多源交通出行数据映射至对应的时空网格中，分别计算多个所述扇面区域的区域客流，所述区域客流包括多种出行方式对应的客流；
客流预测模块，用于基于多个所述扇面区域的区域客流，建立基于深度学习算法的预测模型，并预测所述核心管控区域以及各扇面区域未来的流入流出特征，所述流入流出特征包括多种出行方式对应的流入与流出量；
分级预警模块，用于基于所述流入流出特征进行分级预警。
8.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被运行时执行权利要求1-6中任意一项所述的区域流控预测预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562750.3A CN117275243B (zh) | 2023-11-22 | 2023-11-22 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311562750.3A CN117275243B (zh) | 2023-11-22 | 2023-11-22 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117275243A CN117275243A (zh) | 2023-12-22 |
| CN117275243B true CN117275243B (zh) | 2024-02-02 |
Family
ID=89218265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311562750.3A Active CN117275243B (zh) | 2023-11-22 | 2023-11-22 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117275243B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512772A (zh) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | 一种基于移动网络信令数据的动态人流量预警方法 |
| CN107180270A (zh) * | 2016-03-12 | 2017-09-19 | 上海宏理信息科技有限公司 | 客流预测方法及系统 |
| CN108229400A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 地铁车站大客流识别预警方法及系统 |
| CN108876033A (zh) * | 2018-06-13 | 2018-11-23 | 华南理工大学 | 一种基于多源数据融合的客流爆点人流量预测方法 |
| CN108960532A (zh) * | 2018-08-01 | 2018-12-07 | 北京交通大学 | 一种车站实时客流状态预测与预警系统及方法 |
| CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
| CN111160622A (zh) * | 2019-12-09 | 2020-05-15 | 北京建筑大学 | 基于混合神经网络模型的景区客流预测方法和装置 |
| CN114399726A (zh) * | 2021-12-06 | 2022-04-26 | 上海市黄浦区城市运行管理中心(上海市黄浦区城市网格化综合管理中心、上海市黄浦区大数据中心) | 实时智能监测客流及预警的方法和系统 |
| WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
| CN116089875A (zh) * | 2023-01-13 | 2023-05-09 | 广州市城市规划勘测设计研究院 | 融合多源时空数据的交通流量预测方法、装置及存储介质 |
| CN116933946A (zh) * | 2023-08-07 | 2023-10-24 | 扬州大学 | 一种基于客流去向结构的轨道交通od客流预测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| CN105868845A (zh) * | 2016-03-24 | 2016-08-17 | 百度在线网络技术（北京）有限公司 | 风险预警方法和装置 |
| CN105893491A (zh) * | 2016-03-29 | 2016-08-24 | 东南大学 | 一种基于区域城际流强度测算模型的划定大都市圈的方法 |
-
2023
- 2023-11-22 CN CN202311562750.3A patent/CN117275243B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512772A (zh) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | 一种基于移动网络信令数据的动态人流量预警方法 |
| CN107180270A (zh) * | 2016-03-12 | 2017-09-19 | 上海宏理信息科技有限公司 | 客流预测方法及系统 |
| CN108229400A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 地铁车站大客流识别预警方法及系统 |
| CN108876033A (zh) * | 2018-06-13 | 2018-11-23 | 华南理工大学 | 一种基于多源数据融合的客流爆点人流量预测方法 |
| CN108960532A (zh) * | 2018-08-01 | 2018-12-07 | 北京交通大学 | 一种车站实时客流状态预测与预警系统及方法 |
| CN111160622A (zh) * | 2019-12-09 | 2020-05-15 | 北京建筑大学 | 基于混合神经网络模型的景区客流预测方法和装置 |
| CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
| WO2022126669A1 (zh) * | 2020-12-16 | 2022-06-23 | 中电海康集团有限公司 | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 |
| CN114399726A (zh) * | 2021-12-06 | 2022-04-26 | 上海市黄浦区城市运行管理中心(上海市黄浦区城市网格化综合管理中心、上海市黄浦区大数据中心) | 实时智能监测客流及预警的方法和系统 |
| CN116089875A (zh) * | 2023-01-13 | 2023-05-09 | 广州市城市规划勘测设计研究院 | 融合多源时空数据的交通流量预测方法、装置及存储介质 |
| CN116933946A (zh) * | 2023-08-07 | 2023-10-24 | 扬州大学 | 一种基于客流去向结构的轨道交通od客流预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于时空残差网络的区域客流量预测方法;董丽丽;柳佳欢;费城;张翔;;计算机测量与控制(第06期);全文 * |
| 多源数据融合的大型活动人流监测与分析技术;晏松等;中国安全科学学报;第33卷;正文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117275243A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hussain et al. | Transit OD matrix estimation using smartcard data: Recent developments and future research challenges | |
| CN105718946A (zh) | 一种基于地铁刷卡数据的乘客出行行为分析方法 | |
| CN104167092A (zh) | 一种确定出租车上下客热点区域中心的方法以及装置 | |
| CN109729518B (zh) | 基于手机信令的城市交通早高峰拥堵源头识别方法 | |
| CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
| CN107180534B (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
| Qu et al. | Location optimization for urban taxi stands based on taxi GPS trajectory big data | |
| CN108629450A (zh) | 一种液化天然气公交车尾气排放预测方法 | |
| Liu et al. | Quantifying the impact of weather on ride-hailing ridership: Evidence from Haikou, China | |
| Kan et al. | Understanding space-time patterns of vehicular emission flows in urban areas using geospatial technique | |
| Wan et al. | Taxi origin-destination areas of interest discovering based on functional region division | |
| Wang et al. | STLoyal: A spatio-temporal loyalty-based model for subway passenger flow prediction | |
| Wu et al. | Uncovering the spatiotemporal impacts of built environment on traffic carbon emissions using multi-source big data | |
| Sun et al. | The relative roles of different land-use types in bike-sharing demand: A machine learning-based multiple interpolation fusion method | |
| Hui et al. | Hotspots identification and classification of dockless bicycle sharing service under electric fence circumstances | |
| CN117275243B (zh) | 基于多源交通出行数据的区域流控预测预警方法及应用 | |
| Wang et al. | Relationship between urban road traffic characteristics and road grade based on a time series clustering model: a case study in Nanjing, China | |
| CN109887275A (zh) | 一种多源轨迹数据居民通勤分析系统及方法 | |
| Cartenì et al. | Design of sustainable urban transport infrastructures: a real case application in Italy | |
| CN113935583B (zh) | 基于站点吸引力的轨道交通选址方法、装置及存储介质 | |
| Jiang et al. | Sustainable transport data collection and application: china urban transport database | |
| CN115510056A (zh) | 一种利用手机信令数据进行宏观经济分析的数据处理系统 | |
| Yao et al. | Forecasting passenger flow distribution on holidays for urban rail transit based on destination choice behavior analysis | |
| Li et al. | A simulation approach to detect arterial traffic congestion using cellular data | |
| CN114724414A (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
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 |