CN108197739B - 一种城市轨道交通乘客流量预测方法 - Google Patents

Abstract

本发明提供一种城市轨道交通乘客流量预测方法，包括：基于目标轨道交通路线的当前时间段统计OD分布矩阵，利用根据预测需求建立，并使用所述目标轨道交通路线的历史OD分布矩阵训练获取的乘客流量预测模型，预测指定时间段内所述目标轨道交通路线指定路段的客流量。本发明能够有效简化乘客流量预测流程，提高计算速度和计算精度，为及时合理进行交通的管理和调度提供强有力的支持。

Description

一种城市轨道交通乘客流量预测方法

技术领域

本发明涉及人工智能技术领域，更具体地，涉及一种城市轨道交通乘客流量预测方法。

背景技术

轨道交通以其用地省、运能大、运行时间稳定、安全环保等优势，逐渐成为城市交通建设的热点。欧、美、日等国家和地区在轨道交通***的研发方面做了大量的研究，如欧洲的DRIVE***、美国的TRAVTEK***、日本的VICS***等。这些***通过车载诱导装置分析实时变化的路网交通信息，计算最佳行驶路径，合理调度车辆，达到均衡分配路网车流，提高运输效率的目的。

在交通信息分配理论的研究中，数学规划方法、图论方法及计算机技术的发展等，为合理的交通分配模型的研制及应用提供了坚实的基础。但是，由于城市轨道交通客流分配与道路交通流分配在研究对象、考虑因素、换乘问题等上有明显的不同，不能直接将这些研究成果应用到轨道交通上，而需要结合轨道交通特性进行分析。

国内针对城市轨道交通客流分配问题的研究主要是在城市道路交通流分配方面，以出行者选择行为为核心进行的研究。在分析乘客的交通选择行为的基础上，构造轨道交通客运网络的流量分配模型及优化算法。同时，基于用户平衡原理，建立城市轨道交通网络的客流量平衡分配模型。这些方法都可以用于轨道交通客流分配中。

现有城市轨道交通客流预测的基本思想是：从客流OD分布矩阵入手，根据出行者的出行行为总是选择出行时间最短的原则，按客流分配模型模拟出行者在轨道交通规划路网上的分布状态。通过比较出行者是否采用轨道交通***在出行时间上的差距，确定采用轨道交通客流的OD量，并将其分配到目标轨道交通线路上，得到目标轨道交通线路站点量和线路断面客流量。

出行者在选择出行方式和出行路径时往往有很多的影响因素，其中主要因素有出行时间、出行距离、费用以及线路布置等。在实际应用中将这些因素转换成广义出行时间。

传统的客流量预测方法，对于不同的目标路线需要搭建不同的模型，其中包括对出行距离、费用、线路布置等方面分别进行预测，进而修正原有模型对客流量的预测。因此，模型搭建工作量大，预测模型复用率低，不利于城市轨道交通的及时管理和调度。

发明内容

为了克服上述问题或者至少部分地解决上述问题，本发明提供一种城市轨道交通乘客流量预测方法，用以有效简化乘客流量预测流程，提高计算速度和计算精度，为及时合理进行交通的管理和调度提供强有力的支持。

本发明提供一种城市轨道交通乘客流量预测方法，包括：基于目标轨道交通路线的当前时间段统计OD分布矩阵，利用根据OD分布矩阵结构特性和乘客流量数据特性建立，并使用所述目标轨道交通路线的历史OD分布矩阵训练获取的乘客流量预测模型，预测指定时间段内所述目标轨道交通路线指定路段的客流量。

进一步的，在利用所述乘客流量预测模型，预测指定时间段内所述目标轨道交通路线指定路段的客流量的步骤之前，所述方法还包括：S01，基于OD分布矩阵的二维结构特性，以及乘客流量的时间相关特性，构建CNN-LSTM结构的初始乘客流量预测模型；S02，获取所述目标轨道交通路线指定历史时间段的历史OD分布矩阵，并将所述历史OD分布矩阵按时间顺序进行预处理，获取训练样本；S03，利用所述训练样本训练所述初始乘客流量预测模型，获取所述乘客流量预测模型。

其中，基于所述当前时间段统计OD分布矩阵，预测指定时间段内所述目标轨道交通路线指定路段的客流量的步骤进一步包括：将所述当前时间段统计OD分布矩阵输入CNN-LSTM结构的乘客流量预测模型，并通过网络前端CNN卷积神经网络提取当前时间段客流特征量；基于所述当前时间段客流特征量，利用LSTM神经网络预测指定时间段内所述目标轨道交通路线指定路段的客流量。

其中，所述乘客流量预测模型包括输入层、输出层和隐含层，所述输入层表示不同时刻的各断面客流量，所述输出层表示预测后不同时刻各断面的客流量，所述隐含层为LSTM层，用于根据期望输出和实际输出的误差值来逐次修正，以使所述实际输出跟随所述期望输出。

进一步的，在基于所述当前时间段统计OD分布矩阵，利用所述乘客流量预测模型进行乘客流量预测之前，所述方法还包括：对所述断面客流量的数据进行预处理；其中，按照时间顺序对所述断面客流量进行编号，并按照预测时间顺序进行分组；每个站点设定为一个断面，每组内部为一个矩阵，每隔设定时间对客流量进行统计，形成输入矩阵。

进一步的，所述方法还包括：将所述输入矩阵经隐藏层LSTM计算并经激活函数激活处理；将神经网络的输入矩阵经无效数据剔除后，整合输入神经网络，获取整体网络的输出。

其中，所述整体网络的输出包括当前时刻的中间输出和整体网络的预测输出；相应的，所述方法还包括：根据输入预测的客流数据，利用下一时刻客流数据对预测输出进行损失计算，并利用反向传播对网络各权重进行梯度计算，优化各权重参数。

进一步的，所述方法还包括：通过设置最大输入维度，限制输入矩阵的长度，其中不满足最大长度的用0进行填充，超过最大长度的进行截断。

进一步的，所述方法还包括：将预处理后的数据填充进299*299的矩阵，利用CNN网络进行特征提取，并将降维后的数据扁平化输入LSTM层，以加快计算速度。

本发明提供的一种城市轨道交通乘客流量预测方法，基于神经网络预测模型，可以在OD网络的支撑下，预先判断客流分布，能够有效简化乘客流量预测流程，提高计算速度和计算精度，为及时合理进行交通的管理和调度提供强有力的支持。

附图说明

图1为本发明实施例一种建立轨道交通乘客流量预测模型的流程图；

图2为本发明实施例一种基于神经网络的客流预测模型的结构示意图；

图3为本发明实施例一种乘客流量预测模型的LSTM层的结构示意图；

图4为本发明实施例一种基于CNN-LSTM神经网络的城市轨道交通乘客流量预测方法的流程图；

图5为本发明实施例一种乘客流量预测模型前置CNN网络的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。

作为本发明实施例的一个实施例，本实施例提供一种城市轨道交通乘客流量预测方法，包括：基于目标轨道交通路线的当前时间段统计OD分布矩阵，利用根据OD分布矩阵结构特性和乘客流量数据特性建立，并使用所述目标轨道交通路线的历史OD分布矩阵训练获取的乘客流量预测模型，预测指定时间段内所述目标轨道交通路线指定路段的客流量。

可以理解为，本实施例利用神经网络可以从复杂数据中提取有用特征的特性，且虽然每个出行者在各个时间点，不同的出行距离会有不同的选择，这是离散的，不规律的数据，但将整个出行人群作为一个整体来考虑，个体的差异会被磨平，进而呈现一种总体的规律。

同时，考虑到轨道交通作为整个城市交通***的重要组成部分，根据轨道交通需对旅客流量进行预测，进而排布相应的列车表，本实施例从客流OD分布矩阵入手，事先根据轨道交通线路历史OD分布矩阵训练神经网络预测模型，通过学习修正网络参数，获取预测精度满足设定标准的乘客流量预测模型。

在预测模型建立之后，根据数据预测依据，利用预测模型预测目标轨道交通路线中给定路段在给定时间段的客流量。其中数据预测依据为输入的确定量，本实施例取目标轨道交通路线的当前时间段统计OD分布矩阵，如待预测线路输入当前月份的OD统计数据。即将客流OD矩阵作为整个网络的输入，提取一段时间内某一路段的客流量。

在一个实施例中，在基于所述当前时间段统计OD分布矩阵，利用所述乘客流量预测模型进行乘客流量预测之前，所述方法还包括：对所述断面客流量的数据进行预处理；其中，按照时间顺序对所述断面客流量进行编号，并按照预测时间顺序进行分组；每个站点设定为一个断面，每组内部为一个矩阵，每隔设定时间对客流量进行统计，形成输入矩阵。

可以理解为，本实施例首先对断面客流量的数据进行预处理。按照时间顺序对乘客流量数据进行编号，即按照预测时间顺序分组。每组拥有唯一的编号，每一组内部为一个矩阵，假设一共有l个客运站点(一个断面)，每隔一段时间就对客流量进行统计，共统计矩阵有n行1列，每一行是当前时刻一个节点的客流量。即网络输入为：

X＝(x₁,x₂,...,x_l)^T；

式中，向量X表示神经网络模型输入向量，x₁,x₂,...,x_l分别表示第1至l个统计节点的客流量。

本发明实施例提供的一种城市轨道交通乘客流量预测方法，基于神经网络预测模型，可以在OD网络的支撑下，预先判断客流分布，能够有效简化乘客流量预测流程，提高计算速度和计算精度，为及时合理进行交通的管理和调度提供强有力的支持。

进一步的，在利用所述乘客流量预测模型，预测指定时间段内所述目标轨道交通路线指定路段的客流量的步骤之前，所述方法还包括如图1所示的处理流程，图1为本发明实施例一种建立轨道交通乘客流量预测模型的流程图，包括：

S01，基于OD分布矩阵的二维结构特性，以及乘客流量的时间相关特性，构建CNN-LSTM结构的初始乘客流量预测模型；

S02，获取所述目标轨道交通路线指定历史时间段的历史OD分布矩阵，并将所述历史OD分布矩阵按时间顺序进行预处理，获取训练样本；

S03，利用所述训练样本训练所述初始乘客流量预测模型，获取所述乘客流量预测模型。

可以理解为，根据上述实施例，在利用预测模型进行乘客流量的预测之前，先要根据现有条件建立该预测模型。步骤S01首先进行目标神经网络的初始化构建，考虑到现有条件，确定神经网络模型的结构及结构参数。具体考虑到OD矩阵为二维输入，选取二维处理神经网络为卷积神经网络。而乘客流量则是与时间相关的信息，因此采用长短时记忆网络是最好的，难点在于这两种网络是单独使用的，输入维度是不同的，设置LSTM神经网络作为预测核心。

另外，由于OD分布矩阵为矩阵形式，LSTM神经网络无法识别，首先需要对OD分布矩阵进行变换，提取特征量。本实施例通过在LSTM网络之前设置前置CNN卷积神经网络，对OD分布矩阵进行卷积处理，再将处理结果输入LSTM神经网络进行未来客流量的预测。

步骤S02可以理解为，本实施例以轨道交通路线指定历史时间段的历史OD分布矩阵为基础，进行未来数据的预测。首先通过一定的途径获取给定历史时间段内的OD分布矩阵，如从地跌运营公司可获取城市地铁过去某段时间内的OD分布矩阵。然后对获取的数据进行预处理，形成训练样本集。历史OD分布矩阵中分为时间在先的历史OD数据和时间在后的历史OD数据，时间在先和在后的OD数据对作为一组训练样本，进行标签分配。

步骤S03可以理解为，以时间在先的历史OD数据为神经网络的输入，通过正向计算获取预测结果，并通过预测结果与训练数据中时间在后的历史OD数据进行比较。根据比较结果修正网络参数，进行神经网络的逐步训练。并将最终预测结果与训练数据满足设定关系的神经网络作为最终乘客流量预测模型。

其中可选的，所述乘客流量预测模型包括输入层、输出层和隐含层，所述输入层表示不同时刻的各断面客流量，所述输出层表示预测后不同时刻各断面的客流量，所述隐含层为LSTM层，用于根据期望输出和实际输出的误差值来逐次修正，以使所述实际输出跟随所述期望输出。

可以理解为，如图2所示，为本发明实施例一种基于神经网络的客流预测模型的结构示意图。图中神经网络中输入层有t个节点，分别代表不同时刻的客流，而X_i则代表某一时刻的各个断面的客流量。输出为t个节点，代表各个时间段的客流量，h_i代表预测后的某一时刻各个断面的客流量。图中A块为神经网络核心的LSTM层。

LSTM层结构如图3所示，为本发明实施例一种乘客流量预测模型的LSTM层的结构示意图。神经网络的学习过程是由工作信号正向传播和误差信号反向传播所组成的。在正向传播过程中，输入信号从输入层经隐层传向输出层，如果输出层不能得到所期望的输出，则转入误差信号反向传播过程，将网络的实际输出与期望输出之间的误差由输出端开始逐层判断修正，使网络的实际输出更接近期望输出。

一般地，根据不同的网络结构采用不同的激活函数，在本申请的实施例中，采用relu和sigmoid函数作为激活函数。

其中可选的，基于所述当前时间段统计OD分布矩阵，预测指定时间段内所述目标轨道交通路线指定路段的客流量的进一步处理步骤参考图4，为本发明实施例一种基于CNN-LSTM神经网络的城市轨道交通乘客流量预测方法的流程图，包括：

S11，将所述当前时间段统计OD分布矩阵输入CNN-LSTM结构的乘客流量预测模型，并通过网络前端CNN卷积神经网络提取当前时间段客流特征量；

S12，基于所述当前时间段客流特征量，利用LSTM神经网络预测指定时间段内所述目标轨道交通路线指定路段的客流量。

可以理解为，在利用LSTM预测网络根据当前数据进行未来数据的预测之前，先通过CNN卷积神经网络对输入的OD分布矩阵进行卷积运算，提取当前时间段客流量特征数据，获取LSTM网络能够识别的输入X＝(x₁,x₂,...,x_l)^T。

然后，在网络输入层，根据下式对输入的数据进行加权激活运算：

式中，

表示输入层节点加权输出，ω_il表示输入数据权值，

表示矩阵第i层t时刻的输入数据，i表示矩阵第i层，i＝1,2,...,I，ω_cl表示上一时刻状态数据权值，

表示上一时刻输入状态值，

表示激活后的输入层节点输出，f()表示输入层激活函数。

即，上式的t为当前时刻，a为当前时刻输入，b为经过激活函数后输入网络的输入，激活函数一般选择为sigmoid，其中，后端为上一个时刻整个网络的输出。

在一个实施例中，所述方法还包括：将所述输入矩阵经隐藏层LSTM计算并经激活函数激活处理；将神经网络的输入矩阵经无效数据剔除后，整合输入神经网络，获取整体网络的输出。

可以理解为，根据当前时刻的输入，计算网络需要抛弃的数据，以便新数据进行输入，计算公式如下：

式中，ω_i表示输入门iφ矩阵权重，

表示矩阵第i层t时刻的输入数据，ω_cφ表示上一时刻c矩阵权重，s_c ^t-1表示上一时刻经激活函数后的状态参数。

其中，上式进行抛弃数据处理，将之前不需要的数据进行抛弃，权值为0-1的数，1为完全通过，0为完全不通过。经过这一层计算后，网络将所需要的数据。其中，s为上一层输入，x为这一层输入，w权值，b为激活函数后的输入，这里后端依旧为上一时刻整个网络的输出。

之后，计算网络中间层，将神经网络的输入经过数据抛弃后，将需要录入的数据整合进网络，计算公式如下：

式中，ω_ic表示ic矩阵的权重，

表示矩阵第i层t时刻输入，s_c ^t-1表示上一时刻经激活函数后的状态参数。

其中，式中是另一套权值w，前面为对进行遗忘处理，遗忘掉一些不需要的数据，这里对新输入的数据进行加权累加，将这一时刻数据添加到网络中，b为上一时刻输出，a_c为经过遗忘门没有经过g函数激活的结果。通过一个激活函数g来整合到b里，g一般取sigmod函数。

最后，计算整个网络的输出，网络输出为两个部分，一个为当前时刻的中间输出

另一个为整个网络的预测输出。计算公式如下：

式中，ω_iω是iω矩阵权重，

表示矩阵第i层t时刻输入，ω_cω表示cω矩阵权重，

表示t时刻经激活函数后的状态参数。

其中，需要对下一个时刻的网络后端变量即s进行计算，具体采用加权累加的方式。s为上一时刻输入更新后的状态参量，x为这一时刻输入的新数据经过f变换函数输出为b，f变换函数一般去tanh函数。

当前时刻预测输出为：

式中，h^t表示网络预测输出，

表示网络输出层节点经激活后输出，

表示t时刻经激活函数后的状态参数。

其中，将计算完毕后的输出s与更新经过f函数激活后的s进行矩阵相乘。

其中可选的，所述整体网络的输出包括当前时刻的中间输出和整体网络的预测输出；相应的，所述方法还包括：根据输入预测的客流数据，利用下一时刻客流数据对预测输出进行损失计算，并利用反向传播对网络各权重进行梯度计算，优化各权重参数。

可以理解为，通过上述计算，可以获取根据输入X(t)＝(x₁,x₂,...,x_l)^T经过隐藏层计算并经过激活函数处理后的输出，即预测的客流数据H(t)＝(h₁,h₂,...,h_m)^T。其中，向量H表示隐含层输出向量，h₁,h₂,...,h_m分别表示预测的未来第1至m个预测时间段客流量。

然后，利用下一时刻输入数据X(t+1)对当前预测输出H(t)进行损失计算，并利用反向传播对各权重进行梯度计算，进而优化各权重参数。其中，标签输出为Y＝(y₁,y₂,...,y_m)^T，表示t时刻X(t+1)的值。

根据标签的值与网络预测值，由交叉熵可以计算出损失函数：

式中，Γ(x,y)表示损失函数，y表示标签值，k表示矩阵维度，x表示网络输出值。

上式为交叉熵计算公式，预测数据与实际数据的偏差值y为实际数据x为预测数据。

利用损失函数可以反向传播修正每一个矩阵的权重。上面4组进行计算后梯度如下：

上式分别是损失函数对各权重的求偏导数，结果组成的向量为梯度向量，x表示网络输出，y表示标签值。

网络的基本计算公式如上述所述，从而达到预测目的。

进一步的，所述方法还包括：通过设置最大输入维度，限制输入矩阵的长度，其中不满足最大长度的用0进行填充，超过最大长度的进行截断。

可以理解为，整体实现需要对数据进行处理，因输入的数据经过处理后长度不一，而LSTM网络需要每一个维度的输入维度上是统一的，因此这里需要设置输入的最大长度max_len，不满足最大长度的用0进行填充，超过最大长度的进行截断。

进一步的，所述方法还包括：将预处理后的数据填充进299*299的矩阵，利用CNN网络进行特征提取，并将降维后的数据扁平化输入LSTM层，以加快计算速度。

可以理解为，为加快数据在LSTM网络的处理速度，将预处理后的数据填充进299*299的矩阵，利用CNN网络进行特征提取，并将降维后的数据扁平化输入进LSTM层，来加快整个网络计算速度。

其中，CNN网络的结构如图5所示，为本发明实施例一种乘客流量预测模型前置CNN网络的结构示意图。输入Input为经过填充后的矩阵，其大小为299*299；之后经过卷积、最大池化、卷积和最大池化处理，再经过全连接层进行扁平化，作为LSTM网络的输入数据。

其中，在一个实施例中，卷积层选择3*3的矩阵，内部权重符合(0,1)正态分布，填充为‘same’；池化为2*2的矩阵，步长为4。

在另一个实施例中，经过处理后的数据为二维矩阵，每一组为一个时间段的各个断面客流量，共n组，即共n个时间段。

之后，将二维矩阵变换为三维矩阵，形式如下：[samples，time steps，features]。其中，features取1，time steps取截断的最大长度max_len。再然后对标签Y进行one hotenconde处理，输入至LSTM网络，整个网络为32层。Loss函数选择‘categoricalcrossentropy’，优化选择‘adam’，根据数据量的大小选择训练轮数。

最后，经过LSTM网络运算的输出[batch,32]，由此可获知每个节点在未来32个时间周期内客流量变化的预测值。

根据网络计算获取的预测值，列车运营公司可以更精确的对不同路线的列车排布、司机轮休等进行合理的安排。改变以往根据节假日加大列车排布的简单分布方式，起到了高效精准的分配方式，为运营公司进行日常安排是提供重要决策支撑。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种城市轨道交通乘客流量预测方法，其特征在于，包括：

基于目标轨道交通路线的当前时间段统计OD分布矩阵，利用根据OD分布矩阵结构特性和乘客流量数据特性建立，并使用所述目标轨道交通路线的历史OD分布矩阵训练获取的乘客流量预测模型，预测指定时间段内所述目标轨道交通路线指定路段的客流量，其中，所述乘客流量预测模型为基于CNN-LSTM结构的乘客流量预测模型。

2.根据权利要求1所述的方法，其特征在于，在利用所述乘客流量预测模型，预测指定时间段内所述目标轨道交通路线指定路段的客流量的步骤之前，还包括：

S01，基于OD分布矩阵的二维结构特性，以及乘客流量的时间相关特性，构建CNN-LSTM结构的初始乘客流量预测模型；

S02，获取所述目标轨道交通路线指定历史时间段的历史OD分布矩阵，并将所述历史OD分布矩阵按时间顺序进行预处理，获取训练样本；

S03，利用所述训练样本训练所述初始乘客流量预测模型，获取所述乘客流量预测模型。

3.根据权利要求2所述的方法，其特征在于，基于所述当前时间段统计OD分布矩阵，预测指定时间段内所述目标轨道交通路线指定路段的客流量的步骤进一步包括：

将所述当前时间段统计OD分布矩阵输入CNN-LSTM结构的乘客流量预测模型，并通过网络前端CNN卷积神经网络提取当前时间段客流特征量；

基于所述当前时间段客流特征量，利用LSTM神经网络预测指定时间段内所述目标轨道交通路线指定路段的客流量。

4.根据权利要求2所述的方法，其特征在于，所述乘客流量预测模型包括输入层、输出层和隐含层，所述输入层表示不同时刻的各断面客流量，所述输出层表示预测后不同时刻各断面的客流量，所述隐含层为LSTM层，用于根据期望输出和实际输出的误差值来逐次修正，以使所述实际输出跟随所述期望输出。

5.根据权利要求4所述的方法，其特征在于，在基于所述当前时间段统计OD分布矩阵，利用所述乘客流量预测模型进行乘客流量预测之前，还包括：对所述断面客流量的数据进行预处理；

其中，按照时间顺序对所述断面客流量进行编号，并按照预测时间顺序进行分组；每个站点设定为一个断面，每组内部为一个矩阵，每隔设定时间对客流量进行统计，形成输入矩阵。

6.根据权利要求5所述的方法，其特征在于，还包括：

将所述输入矩阵经隐藏层LSTM计算并经激活函数激活处理；

将神经网络的输入矩阵经无效数据剔除后，整合输入神经网络，获取整体网络的输出。

7.根据权利要求6所述的方法，其特征在于，所述整体网络的输出包括当前时刻的中间输出和整体网络的预测输出；

相应的，所述方法还包括：

根据输入预测的客流数据，利用下一时刻客流数据对预测输出进行损失计算，并利用反向传播对网络各权重进行梯度计算，优化各权重参数。

8.根据权利要求4所述的方法，其特征在于，还包括：

通过设置最大输入维度，限制输入矩阵的长度，其中不满足最大长度的用0进行填充，超过最大长度的进行截断。

9.根据权利要求5所述的方法，其特征在于，还包括：

将预处理后的数据填充进299*299的矩阵，利用CNN网络进行特征提取，并将降维后的数据扁平化输入LSTM层，以加快计算速度。

Images