CN108280540A - 轨道交通站点短时客流状态预测方法及装置 - Google Patents
轨道交通站点短时客流状态预测方法及装置 Download PDFInfo
- Publication number
- CN108280540A CN108280540A CN201810024755.3A CN201810024755A CN108280540A CN 108280540 A CN108280540 A CN 108280540A CN 201810024755 A CN201810024755 A CN 201810024755A CN 108280540 A CN108280540 A CN 108280540A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- flow
- passengers
- volume
- targeted sites
- 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 34
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种轨道交通站点短时客流状态预测方法及装置,方法包括:根据获取的轨道交通目标站点及目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列;对客流和速度时间序列进行一阶差分运算,得到平稳时间序列;采用平稳时间序列的历史样本数据构建向量自回归模型;根据相同时段的原始客流量、客流和速度时间序列的历史样本数据,得到误差修正项;建立目标站点客流量和客流速度的向量误差修正模型;计算时间间隔t内目标站点客流量和客流速度的预测值。本发明提供的轨道交通站点短时客流状态预测方法及装置使用相关站点客流和速度参数数据,建立向量误差修正模型以进行目标站点客流量和客流速度的预测,提高了客流短时预测的准确性和可靠性。
Description
技术领域
本发明涉及一种城市轨道交通管理技术领域,具体地涉及一种轨道交通站点短时客流状态预测方法及装置。
背景技术
城市轨道交通以其快速、舒适、整洁等优点,吸引了越来越多的居民选择轨道交通出行,引起了客流时空分布的巨大变化,进而对运营管理提出了更高的要求。轨道交通客流状态预测是轨道交通运营、管理和控制的关键技术之一,准确、可靠的预测不仅能够反映客流实时变化规律、提供运能分析和运量匹配的数据支撑,也是服务水平、***运行状态评价的重要决策指标,对其进行深入研究具有重要意义。
目前,轨道交通短时客流预测也开展了一些研究,如神经网络模型、时间序列模型等预测方法,由于站点客流具有时间序列特性,时间序列模型已经成为短时客流预测的经典模型之一。但现有的轨道交通站点客流状态预测大多是依据本站点历史客流,采用单输入单输出的预测模型为主,忽视了参数之间的内在联系,以及网络化运营下站点之间时空相关性等有效信息,难以准确预测客流状态。因此,深入挖掘轨道交通客流参数之间的时空相关性,并在此基础上构建轨道交通站点客流状态多变量时间序列模型,能够进一步提高客流状态预测的准确性。
发明内容
本发明的目的在于提出一种轨道交通站点短时客流状态预测方法及装置,以提高客流短时预测的准确性和可靠性。
为达此目的,本发明采用以下技术方案:
一种轨道交通站点短时客流状态预测方法,所述方法包括:
根据获取的轨道交通目标站点及所述目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,Sit=(qit,vit)T,i=1、2、3,分别表示所述目标站点上游相邻站点、所述目标站点和所述目标站点的下游相邻站点,qit为客流量,vit为客流速度:
对所述客流和速度时间序列进行一阶差分运算,得到平稳时间序列s′it=(q′it,v′it)T,其中,s′it为第i个站点在时间间隔t内的一阶差分值;
采用所述平稳时间序列的历史样本数据构建向量自回归模型;
根据相同时段的原始客流量、所述客流和速度时间序列的历史样本数据,检验所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt-1;
根据所述向量自回归模型以及所述误差修正项,建立目标站点客流量和客流速度的向量误差修正模型;
根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。
上述方案中,所述向量自回归模型为:
其中,p,q为向量自回归过程的滞后阶数,Δq2t为目标站点客流量在时间间隔t内的一阶差分值,Δv2t为目标站点客流速度在时间间隔t内的一阶差分值,Δq1(t-m)、Δq3(t-m)为上游和下游相邻站点客流量在时间间隔(t-m)内一阶差分值,Δv1(t-m)、Δv3(t-m)为上游和下游相邻站点客流速度在时间间隔(t-m)内一阶差分值;αxm、βxm、γxm、δxm、εxm、∈xm、αym、βym、γym、δym、εym、∈ym、cx、cy为所述向量自回归模型的待估参数;∈xt、∈yt为所述向量自回归模型的误差项。
上述方案中,所述向量误差修正模型为:
其中,λ1、λ2位对应的误差修正系数,λ1ecmt-1、λ2ecmt-1为误差修正项。
上述方案中,根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值,包括:
从视频获取在时间间隔(t-1),(t-2),(t-3)……(t-p+1)的实际观测值;
根据所述实际观测值及所述向量误差修正模型计算在时间间隔t内目标站点客流量和客流速度一阶差分时间序列的预测值Δq2t、Δv2t;
根据所述站点客流量和客流速度一阶差分时间序列的预测值Δq2t、Δv2t,计算时间间隔t内目标站点客流量和客流速度的预测值。
上述方案中,所述生成客流和速度时间序列之前,所述方法还包括:根据所述轨道交通车站通道内的视频检测器采集到的视频数据,获取所述客流量和所述客流速度。
上述方案中,所述向量自回归模型中的滞后阶数p、q通过贝叶斯准则确定。
上述方案中,所述原始客流量和所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系通过Johansen协整检验方法进行检验。
上述方案中,所述待估参数:αxm、βxm、γxm、δxm、εxm、∈xm、αym、βym、γym、δym、εym、∈ym、cx、cy,以及所述误差修正系数λ1、λ2均采用最小二乘法估计得到。
一种轨道交通站点短时客流状态预测装置,所述装置包括:
客流和速度时间序列生成单元,用于根据获取的轨道交通目标站点及所述目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,Sit=(qit,vit)T,i=1、2、3,分别表示目标站点上游相邻站点、所述目标站点和所述目标站点的下游相邻站点,qit为客流量,vit为客流速度;
差分运算单元,用于对所述客流和速度时间序列进行一阶差分运算,得到平稳时间序列S′it=(q′it,v′it)T,其中,S′it为第i个站点在时间间隔t内的一阶差分值;
第一建模单元,用于采用包括所述平稳时间序列的历史样本数据构建向量自回归模型;
协整关系检验单元,用于根据相同时段的原始客流量、所述客流和速度时间序列的历史样本数据,检验所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt-1;
第二建模单元,用于根据所述向量自回归模型以及所述误差修正项,建立目标站点客流量和客流速度的向量误差修正模型;
预测值计算单元,用于根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。
上述方案中,所述装置还包括客流信息获取单元,用于根据所述轨道交通车站通道内的视频检测器采集到的视频数据,获取所述客流量和所述客流速度。
本发明提供的轨道交通站点短时客流状态预测方法及装置,使用相关站点客流和速度参数数据,建立向量误差修正模型以进行目标站点客流量和客流速度的预测,提高了客流短时预测的准确性和可靠性。
附图说明
图1是本发明实施例轨道交通站点短时客流状态预测方法的实现流程图;
图2是本发明实施例中车站早高峰客流量短时预测值与实际观测值拟合效果图;
图3为本发明实施例中车站早高峰客流速度短时预测值与实际观测值拟合效果图;
图4是本发明实施例轨道交通站点短时客流状态预测装置的组成结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
如图1所示,本发明实施例提供的轨道交通站点短时客流状态预测方法包括:
步骤110,根据获取的轨道交通目标站点及目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,Sit=(qit,vit)T,i=1、2、3,分别表示目标站点上游相邻站点、目标站点和目标站点的下游相邻站点,qit为客流量,vit为客流速度。
步骤120,对客流和速度时间序列进行一阶差分运算,得到平稳时间序列S′it=(q′it,v′it)T,其中,S'it为第i个站点在时间间隔t内的一阶差分值。
步骤130,采用平稳时间序列的历史样本数据构建向量自回归模型。
步骤140,根据相同时段的原始客流量、客流和速度时间序列的历史样本数据,检验客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt-1。
步骤150,根据向量自回归模型以及误差修正项,建立目标站点客流量和客流速度的向量误差修正模型。
步骤160,根据向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。
本发明实施例提供的技术方案考虑到站点客流量和速度参数之间存在协整关系,采用客流和速度参数作为预测的输入,弥补了单变量预测对参数间的均衡关系的忽视;同时考虑了站点之间客流的空间相关性,引入具有相关性站点的客流数据,建立向量误差修正模型,进一步提高了客流短时预测的准确性和可靠性。
在步骤110之前,根据轨道交通车站通道内的视频检测器采集到的视频数据,获取客流量和客流速度。
之后,在步骤110中,根据客流量和客流速度生成的客流和速度时间序列是以5分钟为时间间隔的连续时间序列数据。
在步骤120中,一阶差分运算公式为:
S′it=Si(t+1)-Sit
式中:S'it为第i个站点在时间间隔t内的一阶差分值,Sit为第i个站点在时间间隔t内的时间序列。
在步骤130中,向量自回归模型为:
其中,p,q为向量自回归过程的滞后阶数,Δq2t为目标站点客流量在时间间隔t内的一阶差分值,Δv2t为目标站点客流速度在时间间隔t内的一阶差分值,Δq1(t-m)、Δq3(t-m)为上游和下游相邻站点客流量在时间间隔(t-m)内一阶差分值,Δv1(t-m)、Δv3(t-m)为上游和下游相邻站点客流速度在时间间隔(t-m)内一阶差分值;αxm、βxm、γxm、δxm、εxm、∈xm、αym、βym、γym、δym、εym、∈ym、cx、cy为向量自回归模型的待估参数;∈xt、∈yt为向量自回归模型的误差项。
其中待估参数:αxm、βxm、γxm、δxm、εxm、∈xm、αym、βym、γym、δym、εym、∈ym、cx、cy采用最小二乘法估计得到。
其中,向量自回归模型中的滞后阶数p、q通过贝叶斯准则确定。
在步骤140中,原始客流量和客流和速度时间序列{Sit,i=1,2,3}之间的协整关系通过Johansen协整检验方法进行检验。
在步骤150中,向量误差修正模型为:
其中,λ1、λ2位对应的误差修正系数,λ1ecmt-1、λ2ecmt-1为误差修正项。其中,误差修正系数λ1、λ2采用最小二乘法估计得到。
在步骤160中,从视频获取在时间间隔(t-1),(t-2),(t-3)……(t-p+1)的实际观测值;
根据实际及向量误差修正模型计算在时间间隔t内目标站点客流量和客流速度一阶差分时间序列的预测值Δq2t、Δv2t;
根据站点客流量和客流速度一阶差分时间序列的预测值Δq2t、Δv2t,计算时间间隔t内目标站点客流量和客流速度的预测值。
其中,
在本发明实施例的一个例子中,选取某城市轨道交通第一车站为目标站点,其相邻车站第二车站和第三车站分别为第一车站上游车站和下游车站,由于短时客流具有明显的早晚高峰特性,本发明实施例只对目标站点即第一车站早晚高峰客流状态进行预测。
首先,根据2016年8月1日到8月26日四周内工作日早高峰视频监控拍到的画面,用方向梯度直方图特征描述器结合支持向量机分类器识别地铁监控视频中的行人目标,采用连续自适应的均值漂移算法(Continuously daptive Mean-SHIFT,简称Camshift)算法对目标窗口进行跟踪,实现客流量和速度参数的统计。以5分钟为时间间隔,前三周工作日早高峰的数据作为样本数据,用于模型参数的标定,后一周的数据用于模型预测性能的评估。
之后,根据获取的客流量和客流速度需要获取原始序列,并进行一阶差分运算,以转化为平稳时间序列。
之后,对平稳时间序列建立向量自回归模型,表达式如下:
通过贝叶斯信息准则,可以确定目标站点向量自回归模型的滞后阶数p,q,结果在表1中给出。
表1鼓楼车站向量自回归模型滞后阶数
在滞后阶数确定的基础上,采用基于回归系数的Johansen协整检验法对目标站点及相邻车站的参数原始序列进行协整关系检验。本实施例提供第一车站点及其相邻车站上下游站点的协整关系检验结果如表2所示。
表2目标站点及相邻站点协整关系检验结果
Johansen协整检验的原理是用极大似然估计法来判断变量之间的协整关系,其中特征根统计量和临界值均为95%置信水平下的统计值,当特征根统计量大于临界值,拒绝原假设,反之接受。由结果可以看出,目标站点与上下游站点参数序列之间存在协整关系,可以建立向量误差修正(Vector Error Correction,简称VEC)模型。
之后,构建向量误差修正模型,结合向量自回归模型以及协整关系,建立客流变量滞后阶数为3,速度变量滞后阶数为2的向量误差修正模型如下:
用样本数据对所有待估参数采用普通最小二乘法进行估计,结果见表3,由于***cx、cy的估计结果在统计上不显著,因此在第一车站点的VEC模型中,cx、cy均为0。
表3VEC模型参数估计结果
最后,计算第一车站点客流量和客流和速度时间序列的一阶差分时间序列预测值Δq2t、Δv2t,并进一步推算时间间隔t内水平序列的预测值为q2t=q2(t-1)+Δq2t,v2t=v2(t-1)+Δv2t,客流量和客流速度预测值与实际观测值的拟合效果如图2和图3。其中,如图2所示,曲线201为客流量观测值,曲线202为客流量预测值。如图3所示,曲线301为客流速度观测值,曲线302为客流速度预测值。
本实施例采用均方根误差(RMSE)、平均绝对误差(MAE)以及平均绝对百分比误差(MAPE)对目标站点客流和速度的预测性能进行评估。为与传统预测方法比较,采用同样的样本数据构建单变量时间序列模型ARIMA(0,1,1),该模型未考虑时空相关性、参数之间的均衡关系,针对两种模型预测的结果对比如表4。
表4VEC与ARIMA模型预测性能对比
从表4给出的结果可以看出,VEC模型在客流量和速度的预测都要明显优于ARIMA模型,本发明所构建的VEC模型具有较好的预测性能。
本发明提供的轨道交通站点短时客流状态预测方法,使用相关站点客流和速度参数数据,建立向量误差修正模型以进行目标站点客流量和客流速度的预测,提高了客流短时预测的准确性和可靠性。
实施例二
本发明实施例提供一种轨道交通站点短时客流状态预测装置,该装置包括:
客流和速度时间序列生成单元410,用于根据获取的轨道交通目标站点及目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,Sit=(qit,vit )T,i=1、2、3,分别表示目标站点上游相邻站点、目标站点和目标站点的下游相邻站点,qit为客流量,vit为客流速度。
差分运算单元420,用于对客流和速度时间序列进行一阶差分运算,得到平稳时间序列S'it=(q′it,v′it)T,其中,S′it为第i个站点在时间间隔t内的一阶差分值。
第一建模单元430,用于采用包括平稳时间序列的历史样本数据构建向量自回归模型。
协整关系检验单元440,用于根据相同时段的原始客流量、客流和速度时间序列的历史样本数据,检验客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt-1。
第二建模单元450,用于根据向量自回归模型以及误差修正项,建立目标站点客流量和客流速度的向量误差修正模型。
预测值计算单元460,用于根据向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。
本发明实施例提供的技术方案考虑到站点客流量和速度参数之间存在协整关系,采用客流和速度参数作为预测的输入,弥补了单变量预测对参数间的均衡关系的忽视;同时考虑了站点之间客流的空间相关性,引入具有相关性站点的客流数据,建立向量误差修正模型,进一步提高了客流短时预测的准确性和可靠性。
本发明提供的轨道交通站点短时客流状态预测装置还包括客流信息获取单元,用于根据轨道交通车站通道内的视频检测器采集到的视频数据,获取客流量和客流速度。
本发明提供的轨道交通站点短时客流状态预测装置,使用相关站点客流和速度参数数据,建立向量误差修正模型以进行目标站点客流量和客流速度的预测,提高了客流短时预测的准确性和可靠性。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种轨道交通站点短时客流状态预测方法,其特征在于,所述方法包括:
根据获取的轨道交通目标站点及所述目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,所述客流量和客流速度由通道内的视频数据获取;Sit=(qit,vit)T,i=1、2、3,分别表示所述目标站点上游相邻站点、所述目标站点和所述目标站点的下游相邻站点,qit为客流量,vit为客流速度;
对所述客流和速度时间序列进行一阶差分运算,得到平稳时间序列S′it=(q′it,v′it)T,其中,S′it为第i个站点在时间间隔t内的一阶差分值;
采用所述平稳时间序列的历史样本数据构建向量自回归模型;
根据相同时段的原始客流量、所述客流和速度时间序列的历史样本数据,检验所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt-1;
根据所述向量自回归模型以及所述误差修正项,建立目标站点客流量和客流速度的向量误差修正模型;
根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。
2.根据权利要求1所述的方法,其特征在于,所述向量自回归模型为:
其中,p,q为向量自回归过程的滞后阶数,Δq2t为目标站点客流量在时间间隔t内的一阶差分值,Δv2t为目标站点客流速度在时间间隔t内的一阶差分值,Δq1(t-m)、Δq3(t-m)为上游和下游相邻站点客流量在时间间隔(t-m)内一阶差分值,Δv1(t-m)、Δv3(t-m)为上游和下游相邻站点客流速度在时间间隔(t-m)内一阶差分值;αxm、βxm、γxm、δxm、εxm、∈xm、αym、βym、γym、δym、εym、∈ym、cx、cy为所述向量自回归模型的待估参数;∈xt、∈yt为所述向量自回归模型的误差项。
3.根据权利要求2所述的方法,其特征在于,所述向量误差修正模型为:
其中,λ1、λ2位对应的误差修正系数,λ1ecmt-1、λ2ecmt-1为误差修正项。
4.根据权利要求3所述的方法,其特征在于,所述根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值,包括:
从视频获取在时间间隔(t-1),(t-2),(t-3)……(t-p+1)的实际观测值;
根据所述实际观测值及所述向量误差修正模型计算在时间间隔t内目标站点客流量和客流速度一阶差分时间序列的预测值Δq2t、Δv2t;
根据所述站点客流量和客流速度一阶差分时间序列的预测值Δq2t、Δv2t,计算时间间隔t内目标站点客流量和客流速度的预测值。
5.根据权利要求4所述的方法,其特征在于,所述生成客流和速度时间序列之前,所述方法还包括:根据所述轨道交通车站通道内的视频检测器采集到的视频数据,获取所述客流量和所述客流速度。
6.根据权利要求5所述的方法,其特征在于,所述向量自回归模型中的滞后阶数p、q通过贝叶斯准则确定。
7.根据权利要求6所述的方法,其特征在于,所述原始客流量和所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系通过Johansen协整检验方法进行检验。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述待估参数:αxm、βxm、γxm、δxm、εxm、∈xm、αym、βym、γym、δym、εym、∈ym、cx、cy,以及所述误差修正系数λ1、λ2均采用最小二乘法估计得到。
9.一种轨道交通站点短时客流状态预测装置,其特征在于,所述装置包括:
客流和速度时间序列生成单元,用于根据获取的轨道交通目标站点及所述目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,所述客流量和客流速度由通道内的视频数据获取;Sit=(qit,vit)T,i=1、2、3,分别表示目标站点上游相邻站点、所述目标站点和所述目标站点的下游相邻站点,qit为客流量,vit为客流速度;
差分运算单元,用于对所述客流和速度时间序列进行一阶差分运算,得到平稳时间序列S′it=(q′it,v′it)T,其中,S′it为第i个站点在时间间隔t内的一阶差分值;
第一建模单元,用于采用所述平稳时间序列的历史样本数据构建向量自回归模型;
协整关系检验单元,用于根据相同时段的原始客流量、所述客流和速度时间序列的历史样本数据,检验所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt-1;
第二建模单元,用于根据所述向量自回归模型以及所述误差修正项,建立目标站点客流量和客流速度的向量误差修正模型;
预测值计算单元,用于根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括客流信息获取单元,用于根据所述轨道交通车站通道内的视频检测器采集到的视频数据,获取所述客流量和所述客流速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810024755.3A CN108280540B (zh) | 2018-01-10 | 2018-01-10 | 轨道交通站点短时客流状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810024755.3A CN108280540B (zh) | 2018-01-10 | 2018-01-10 | 轨道交通站点短时客流状态预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280540A true CN108280540A (zh) | 2018-07-13 |
CN108280540B CN108280540B (zh) | 2021-09-28 |
Family
ID=62803389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810024755.3A Active CN108280540B (zh) | 2018-01-10 | 2018-01-10 | 轨道交通站点短时客流状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280540B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877272A (zh) * | 2018-08-02 | 2018-11-23 | 哈尔滨工程大学 | 一种基于目的地状态的车辆导航***和导航方法 |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
CN111401643A (zh) * | 2020-03-19 | 2020-07-10 | 卡斯柯信号有限公司 | 一种城市轨道交通客流回路自适应的智能列车调度方法 |
CN112418518A (zh) * | 2020-11-20 | 2021-02-26 | 佳都新太科技股份有限公司 | 基于时间特征权重和线网拓扑的客流预测方法及装置 |
CN113159408A (zh) * | 2021-04-14 | 2021-07-23 | 交控科技股份有限公司 | 轨道交通站点客流预测方法及装置 |
CN113537596A (zh) * | 2021-07-16 | 2021-10-22 | 南京理工大学 | 一种城市轨道交通新线站点短时客流预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN107067076A (zh) * | 2017-05-27 | 2017-08-18 | 重庆大学 | 一种基于时滞narx神经网络的客流预测方法 |
-
2018
- 2018-01-10 CN CN201810024755.3A patent/CN108280540B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN107067076A (zh) * | 2017-05-27 | 2017-08-18 | 重庆大学 | 一种基于时滞narx神经网络的客流预测方法 |
Non-Patent Citations (2)
Title |
---|
邴其春等: "基于向量误差修正模型的短时交通参数预测", 《吉林大学学报》 * |
陈小鸿等: "城市轨道交通客流增长滞后性与预测方法研究", 《城市轨道交通研究》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877272A (zh) * | 2018-08-02 | 2018-11-23 | 哈尔滨工程大学 | 一种基于目的地状态的车辆导航***和导航方法 |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
CN111401643A (zh) * | 2020-03-19 | 2020-07-10 | 卡斯柯信号有限公司 | 一种城市轨道交通客流回路自适应的智能列车调度方法 |
CN111401643B (zh) * | 2020-03-19 | 2022-10-04 | 卡斯柯信号有限公司 | 一种城市轨道交通客流回路自适应的智能列车调度方法 |
CN112418518A (zh) * | 2020-11-20 | 2021-02-26 | 佳都新太科技股份有限公司 | 基于时间特征权重和线网拓扑的客流预测方法及装置 |
CN113159408A (zh) * | 2021-04-14 | 2021-07-23 | 交控科技股份有限公司 | 轨道交通站点客流预测方法及装置 |
CN113159408B (zh) * | 2021-04-14 | 2023-11-21 | 交控科技股份有限公司 | 轨道交通站点客流预测方法及装置 |
CN113537596A (zh) * | 2021-07-16 | 2021-10-22 | 南京理工大学 | 一种城市轨道交通新线站点短时客流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108280540B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280540A (zh) | 轨道交通站点短时客流状态预测方法及装置 | |
Lu et al. | A combined method for short-term traffic flow prediction based on recurrent neural network | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN107610464A (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN107346460A (zh) | 基于智能网联***下前车运行信息的未来工况预测方法 | |
CN104408913A (zh) | 一种考虑时空相关性的交通流三参数实时预测方法 | |
US11526827B2 (en) | Non-intrusive workflow assessment (NIWA) for manufacturing optimization | |
CN110209999A (zh) | 一种车载设备故障趋势预测方法 | |
CN114495507B (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
CN112185124A (zh) | 一种全路网交通状态预测方法及装置 | |
US20230032819A1 (en) | Methods, apparatuses, systems and computer program products for estimating road surface temperature | |
CN116796043A (zh) | 一种智能园区数据可视化方法及*** | |
CN117746626A (zh) | 基于车流量的智慧交通管理方法及*** | |
CN115326026A (zh) | 基于非接触式测量-水动力融合同化获取水力特征的方法及装置 | |
CN117313537B (zh) | 数据驱动的覆冰预测方法及*** | |
Hargrove et al. | Empirical evaluation of the accuracy of technologies for measuring average speed in real time | |
CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
Guan et al. | The Statistical Data-driven Remaining Useful Life Prediction—A Review on the Wiener Process-based Method | |
Gregori et al. | Assessment of catenary condition monitoring by means of pantograph head acceleration and Artificial Neural Networks | |
Zhang et al. | An approach for real-time urban traffic state estimation by fusing multisource traffic data | |
Hu et al. | Travel time prediction for urban networks: the comparisons of simulation-based and time-series models | |
JP2017218856A (ja) | 用水路監視装置 | |
Dabbas et al. | Floating car data for traffic demand estimation-field and simulation studies | |
CN110414808A (zh) | 一种基于干扰指数对地铁站行人服务水平的评价方法 | |
Abdulla et al. | A survey on citywide traffic estimation techniques |
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 |