CN108537392B - 一种基于时空特征预测轨道交通站点出站客流量的方法 - Google Patents
一种基于时空特征预测轨道交通站点出站客流量的方法 Download PDFInfo
- Publication number
- CN108537392B CN108537392B CN201810382271.6A CN201810382271A CN108537392B CN 108537392 B CN108537392 B CN 108537392B CN 201810382271 A CN201810382271 A CN 201810382271A CN 108537392 B CN108537392 B CN 108537392B
- Authority
- CN
- China
- Prior art keywords
- time
- station
- representing
- rail transit
- passenger flow
- 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 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于时空特征预测轨道交通站点出站客流量的方法,包括如下步骤:S1采集轨道交通客流量的历史数据;S2从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;S3建立LSTM人工神经网络模型,将0至t时刻目标站点的空间特征和时序特征作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的空间特征和时序特征输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。本发明方法将空间特征和时序特征进行结合,用于预测轨道交通目标站点的客流量,预测精度高。
Description
技术领域
本发明涉及轨道交通客流量预测技术领域,尤其涉及一种基于时空特征预测轨道交通站点出站客流量的方法。
背景技术
轨道交通客流预测具有很高的价值,在宏观层面,可以为运营调控、线路规划等工程提供支持;在微观层面,可以为大众用户的出行选择提供建议。所以如何准确地预测轨道交通客流成为了一个热门的问题。
轨道交通数据的一个显著特点就是具有时间维度,传统的人工神经网络,例如CNN、RNN 等,并不能很好的处理时序数据,从而不能很好的根据历史数据来预测轨道交通客流。后来研究人员提出的一些模型,这些模型都可以很好的处理时序数据,但是这些模型对轨道交通客流的预测精度较低,在轨道交通客流预测领域不具有实用性。
发明内容
针对现有技术之不足,本发明提供了一种轨交通客流量预测方法,该方法基于时序特征预测精度高。
为实现上述目的,本发明采用如下技术方案:一种基于时空特征预测轨道交通站点出站客流量的方法,包括如下步骤:
S1:采集轨道交通客流量的历史数据;
S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;
S3:建立LSTM人工神经网络模型,将0至t时刻目标站点的空间特征和时序特征作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的空间特征和时序特征输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。
作为改进,所述步骤S1中采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:
xj,t,in=∑i∈M{i|i.otime∈t;i.ostation=j} (1-1);
xj,t,out=∑i∈M{i|i.dtime∈t;i.dstation=j} (1-2);
其中,i代表整个轨道交通数据集M中的一条数据,otime,dtime,ostation,dstation 是数据i的属性,分别代表进站刷卡时间、出站刷卡时间、起始站编号和终点站编号。
作为改进,所述步骤S2中0至t时刻目标站点的空间特征采用如下方法计算:
其中:Sj,r是指r时刻其他站点将要到达目标站点j的客流总数,即r时刻目标站点的空间特征;
N是轨交通全网站点的集合;
N代表站点集合N的总数据量;
Pk,j,r是指r时刻站点k与目标站点j在t时刻的空间关联因子;
Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;
ΔT是站点k与目标站点j的平均旅行时间差;
其中,Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;
i代表整个轨道交通数据集M中的一条数据;
m代表轨道交通数据集M的总数据量;
xk,j,r-ΔT代表的是r-ΔT时间段,从站点k到目标站点j的客流人数;
w代表时间周期;
Pk,j,r就是r时刻所有历史同期的pk,j,r的平均值。
作为改进,所述步骤S2中0至t时刻目标站点的时序特征采用如下方法获得:
Tj,r=(tj,rtj,r-1…tj,r-time_step)T (3);
其中,Tj,r是指r时刻历史时间段内目标站点j的出站客流总数;
tj,r代表的是r时刻,目标站点j的出站人数;
time_step代表的是时间步。
作为改进,所述步骤S3建立的LSTM人工神经网络模型如下:
ar=σ(Wa,r·xr+ba,r) (3-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (3-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (3-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (3-6);
hr=or*tanh(Cr) (3-7);
其中,ar表示r时刻全连接层输出,Wa,r表示r时刻全连接层权重,ba,r表示r时刻全连接层的偏置,xr表示r时刻的输入;
fr表示r时刻遗忘门限,hr-1表示r-1时刻单元的输出,Wf,r表示r时刻遗忘门权重,bf,r表示r时刻遗忘门的偏置;
ir表示r时刻输入门限,Wi,r表示r时刻输入门权重,bi,r表示r时刻输入门的偏置;
Cr表示r时刻的cell总状态;
or表示r时刻输出门限,Wo,r表示r时刻输出门的权重,bo,r表示r时刻输出门的偏置;
hr表示r时刻的输出。
作为改进,所述步骤S3建立的LSTM人工神经网络模型的训练过程如下:
1)令r=1;
2)r时刻目标站点的空间特征和时序特征作为输入,即令xr=<Sj,r,Tj,r>,并执行如下关系式的计算:
ar=σ(Wa,r·xr+ba,r) (3-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (3-2);
ir=σ(Wi,r·[hf-1,ar]+bi,r) (3-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (3-6);
hr=or*tanh(Cr) (3-7);
3)当r>t时,执行下一步,否则令r=r+1,并返回2);
输出当前LSTM人工神经网络模型,该模型即为训练后的LSTM人工神经网络模型。
作为改进,所述步骤S2中将t时刻目标站点的空间特征和时序特征作为输入,输入训练后的LSTM人工神经网络模型,即令xr=t=<Sj,t,Tj,t>,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的轨道交通t+1时刻目标站点j的出站客流量。
本发明具有以下有益效果:
本发明创新性的引入了轨道交通两种维度的特征,时间特征和空间特征,建立LSTM模型,将0-t时刻目标站点的时间特征和空间特征作为输入训练LSTM人工神经网络模型,再将t时刻目标站点的空间特征和时序特征作为输入,预测目标站点t+1时刻出站客流量,预测精度高。
附图说明
图1是本发明方法的流程简图。
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明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
轨道交通数据具有时空二维性。
时间性:一定时间段内的客流数据具有一定的规律,相邻时间段之间的数据也存在着一定的关联。
空间性:两个站点之间在空间上存在着一定的关联。每两个不同站点,在不同时间段的往来存在着一定的规律。
本发明将轨道数据的时间性特征和空间性特征作为一维数据进行处理。
由于轨道交通数据除了时间性,还具有空间性,每两个站点之间在空间上存在着一定的关联,这种关联最直接的体现就是旅客的旅行时间。通过将两站点间的空间距离转化为旅行的时间,也就是时间差ΔT,就可以表达两站点间的空间关系,本发明通过构建时间差矩阵T 来引入全网站点间的空间位置关系。此外,对于某一给定的时间段,每两个站点间的往来客流量存在着一定规律,通过引入空间影响因子矩阵SIM,来引入这种关系。
在本发明提出的架构中,将空间影响量转化为时间差来进行处理,这样就可以用处理时序数据的人工神经网络来处理空间性。将时序数据与空间影响量结合,来预测站点的进出站数据,得到了很好的效果。
参见图1,一种基于时空特征预测轨道交通站点出站客流量的方法,包括如下步骤:
S1:采集轨道交通客流量的历史数据;
具体地,采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:
xj,t,in=∑i∈M{i|i.otime∈t;i.ostation=j} (1-1);
xj,t,out=∑i∈M{i|i.dtime∈t;i.dstation=j} (1-2);
其中,i代表整个轨道交通数据集M中的一条数据,otime,dtime,ostation,dstation 是数据i的属性,分别代表进站刷卡时间、出站刷卡时间、起始站编号和终点站编号。
S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;
具体地,所述步骤S2中0至t时刻目标站点的空间特征采用如下方法计算:
其中:Sj,r是指r时刻其他站点将要到达目标站点j的客流总数,即r时刻目标站点的空间特征;
N是轨交通全网站点的集合;
N代表站点集合N的总数据量;
Pk,j,r是指r时刻站点k与目标站点j在t时刻的空间关联因子;
Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;
ΔT是站点k与目标站点j的平均旅行时间差;所有站点两两之间的ΔT组成了T矩阵,下文详述)所有的P就构成了SIM矩阵(SIM矩阵后面详述),就是目标站点j的出站人数与全网其余站点进站人数的转换概率矩阵(t时间段,从站点k到站点j的进站人数占站点k 总进站人数的比率。
其中,Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;
i代表整个轨道交通数据集M中的一条数据;
m代表轨道交通数据集M的总数据量;
xk,j,r-ΔT代表的是r-ΔT时间段,从站点k到目标站点j的客流人数;
w代表时间周期;
Pk,j,r就是r时刻所有历史同期的pk,j,r的平均值。
历史同期:每周的同一时间段,比如所有周数周一的8点30分,就组成了周一8点30分的历史同期组,注意:这里的8点30分指的是一段时间,代表的是8:21~8点30。这段时间为10分钟,是因为我们的实验中预测精度是10分钟,如果预测精度为v,那么t时间段指的就是t–v到t这一段时间。
具体地,0至t时刻目标站点的时序特征采用如下方法获得:
Tj,r=(tj,rtj,r-1…tj,r-time_step)T (3);
其中,Tj,r是指r时刻历史时间段内目标站点j的出站客流总数;
tj,r代表的是r时刻,目标站点j的出站人数;
time_step代表的是时间步。LSTM神经网络中的常量,由使用者给定具体数值。
即将作为LSTM人工神经网络模型的输入,经过全连接层处理,全连接层的输出Outputfull作为输入层的输入在作为输入层的输入;最后输出一个长度为1的一维向量。该输出即为目标站点j客流总数的预测值。其实LSTM人工神经网络模型的输出为一个具体的数。
S3:建立LSTM人工神经网络模型,将0至t时刻目标站点的空间特征和时序特征作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的空间特征和时序特征输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。
具体地,步骤S3建立的LSTM人工神经网络模型如下:
ar=σ(Wa,r·xr+ba,r) (3-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (3-2);
ir=σ(Wi,r·[hf-1,ar]+bi,r) (3-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (3-6);
hr=or*tanh(Cr) (3-7);
其中,ar表示r时刻全连接层输出,Wa,r表示r时刻全连接层权重,ba,r表示r时刻全连接层的偏置,xr表示r时刻的输入;
fr表示r时刻遗忘门限,hr-1表示r-1时刻单元的输出,Wf,r表示r时刻遗忘门权重,bf,r表示r时刻遗忘门的偏置;
ir表示r时刻输入门限,Wi,r表示r时刻输入门权重,bi,r表示r时刻输入门的偏置;
Cr表示r时刻的cell总状态;
or表示r时刻输出门限,Wo,r表示r时刻输出门的权重,bo,r表示r时刻输出门的偏置;
hr表示r时刻的输出。
在传统的LSTM人工神经网络的输入层前,加入一个全连接层,全连接层的作用是将上文中的形状为[time_step,2]的向量转化为形状为[time_step,rnn_unit]的向量(rnn_unit 是细胞数,LSTM神经网络中的常量,由使用者给定具体数值),将转化后的向量输入LSTM的输入层。
具体地,所述步骤S3建立的LSTM人工神经网络模型的训练过程如下:
1)令r=1;
2)r时刻目标站点的空间特征和时序特征作为输入,即令xr=<Sj,r,Tj,r>,并执行如下关系式的计算,即将空间特征和时序特征作为一维向量直接输入LSTM人工神经网络模型进行计算:
ar=σ(Wa,r·xr+ba,r) (3-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (3-2);
ir=σ(Wi,r·[hf-1,ar]+bi,r) (3-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (3-6);
hr=or*tanh(Cr) (3-7);
3)当r>t时,执行下一步,否则令r=r+1,并返回2);
输出当前LSTM人工神经网络模型,该模型即为训练后的LSTM人工神经网络模型。所述步骤S2中0至t时刻目标站点的空间特征和时序特征作为步骤S3中的输入对LSTM人工神经网络模型进行训练,得到Wa,r、ba,r、Wf,r、bf,r、Wi,r、bi,r、Wc,r、bC,r、Wo,r和bo,r,确定训练后的LSTM人工神经网络模型。
所述步骤S2中将t时刻目标站点的空间特征和时序特征作为输入,输入训练后的LSTM 人工神经网络模型,即令xr=t=<Sj,t,Tj,t>,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的轨道交通t+1时刻目标站点j的出站客流量。
本发明中模型以时间特征和空间特征数据为输入,输出未来时刻的出站客流数据。输入的时间特征和空间特征数据,创新性的引入了轨道交通两种维度的特征,时间特征和空间特征。
T矩阵的结构如下:
Tt代表的是t时间段的时间差矩阵T。
ΔTk,j代表的是t时间段站点k到站点j的时间差的历史同期平均(与计算Pk,j,t时的历史平均方法一样):
Δtk,j,t代表的是t时刻,站点k到站点j的平均旅行时间。
ΔTk,j,t就是所有历史同期的Δtk,j,t的平均值,公式中w代表一周。
N是全网站点的集合,全网共122个站点,即m=122。
H是所有时间段集合,一周7天,每天地铁运营1000分钟,时间段长度(预测精度)为10分钟,所以共有7*1000/10=700个时间段。
对于给定的时间段t,就对应一个T矩阵,矩阵大小是站点数*站点数(122*122,全网共122个站点),刻画了全网站点两两之间,在t时间段的旅行时间。在预测实验中,一天有100个时间段。而且我们还发现,天与天之间,两站点的旅行时间都有所不同,但大致以一周为周期循环(周一到周日全网每两站点间都有不同的旅行时间)。所以,我们共用到了7*100个T矩阵,每个矩阵大小为122*122。
SIM矩阵的结构如下:
SIMt代表的是t时刻的空间影响因子矩阵SIM。
Pk,j代表的是t时刻站点k到站点j的空间影响因子的历史同期平均。
N是全网站点的集合,全网共122个站点,即m=122。
H是所有时间段集合,一周7天,每天地铁运营1000分钟,时间段长度(预测精度)为10分钟,所以共有7*1000/10=700个时间段。
对于给定的t时刻,就对应一个SIM矩阵,矩阵大小是站点数*站点数(122*122,全网共122个站点),刻画了全网站点两两之间,在t时刻的进站人数和出战人数的相关度。在预测实验中,一天有100个时间段。而且我们还发现,天与天之间,两站点进站人数和出战人数的相关度规律都有所不同,但大致以一周为周期循环(周一到周日全网每两站点间都有不同的相关度规律)。所以,我们共用到了7*100个SIM矩阵,每个矩阵大小为122*122。
试验
实验数据集与实验对象
数据源:2017年3月重庆市全网轨道交通刷卡数据
预测对象:重庆100个轨道交通站点的出站人数
精度:10分钟
数据量:100个站点,每天1000分钟,共30天,每个站点分别有进站客流数据和出站客流数据,全网共100*(1000/10)*30*2=600000个数据,其中前28天做训练,后2天做测试。
训练次数:3000次。
测试模型:仅有时序数据进行预测的传统模型,和加入空间影响量的时空预测模型。
准确度衡量指标
1)最大误差
预测结果中,预测值与实际值差的绝对值中的最大值。
2)平均误差
预测结果中,预测值与实际值差的绝对值平均。
3)均方根误差
预测结果中,预测值与实际值差的绝对值平方和开方。
4)相对准确度
预测结果中,预测值与实际值差的绝对值与实际值的平均百分比。
试验结果
模型名称 | 最大误差 | 平均误差 | 均方根误差 | 相对准确度 |
一维输入时空预测模型 | 126.66 | 21.42 | 27.12 | 83.85% |
时序预测模型 | 182.88 | 24.81 | 37.51 | 79.16% |
实验结论
经过对100个站点的实验后,两种结合方式的时空预测模型的表现良好,各项指标明显高于传统的时序预测模型,预测准确度有显著提升。
为了防止字母所表示含义缺失,做如下列表:
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不同限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种基于时空特征预测轨道交通站点出站客流量的方法,其特征在于:包括如下步骤:
S1:采集轨道交通客流量的历史数据;
所述步骤S1中采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:
xj,t,in=∑i∈M{i|i.otime∈t;i.ostation=j} (1-1);
xj,t,out=∑i∈M{i|i.dtime∈t;i.dstation=j} (1-2);
其中,i代表整个轨道交通数据集M中的一条数据,otime,dtime,ostation,dstation是数据i的属性,分别代表进站刷卡时间、出站刷卡时间、起始站编号和终点站编号;
S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;
所述步骤S2中0至t时刻目标站点的空间特征采用如下方法计算:
其中:Sj,r是指r时刻其他站点将要到达目标站点j的客流总数,即r时刻目标站点的空间特征;
n是 站点集合N的总数据量;
N是轨交通全网站点的集合;
Pk,j,r是指r时刻站点k与目标站点j的空间关联因子;
Ink,r-ΔT代表站点k在r-ΔT时间段的进站人数;
ΔT是站点k与目标站点j的平均旅行时间差;
其中,Ink,r-ΔT代表站点k在r-ΔT时间段的进站人数;
i代表整个轨道交通数据集M中的一条数据;
m代表轨道交通数据集M的总数据量;
xk,j,r-ΔT代表的是r-ΔT时间段,从站点k到目标站点j的客流人数;
w代表时间周期;
Pk,j,r就是r时刻所有历史同期的pk,j,r的平均值;
所述步骤S2中0至t时刻目标站点的时序特征采用如下方法获得:
Tj,r=(tj,rtj,r-1...tj,r-time_step)T (3);
其中,Tj,r是指r时刻历史时间段内目标站点j的出站客流总数;
tj,r代表的是r时刻,目标站点j的出站人数;
time_step代表的是时间步;
S3:建立LSTM人工神经网络模型,将0至t时刻目标站点的空间特征和时序特征作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的空间特征和时序特征输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。
2.如权利要求1所述的基于时空特征预测轨道交通站点出站客流量的方法,其特征在于:所述步骤S3建立的LSTM人工神经网络模型如下:
ar=σ(Wa,r·xr+ba,r) (3-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (3-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (3-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (3-6);
hr=or*tanh(Cr) (3-7);
其中,ar表示r时刻全连接层输出,Wa,r表示r时刻全连接层权重,ba,r表示r时刻全连接层的偏置,xr表示r时刻的输入;
fr表示r时刻遗忘门限,hr-1表示r-1时刻单元的输出,Wf,r表示r时刻遗忘门权重,bf,r表示r时刻遗忘门的偏置;
ir表示r时刻输入门限,Wi,r表示r时刻输入门权重,bi,r表示r时刻输入门的偏置;
Cr表示r时刻的cell总状态;
or表示r时刻输出门限,Wo,r表示r时刻输出门的权重,bo,r表示r时刻输出门的偏置;
hr表示r时刻的输出。
3.如权利要求2所述基于时空特征预测轨道交通站点出站客流量的方法,其特征在于,所述步骤S3建立的LSTM人工神经网络模型的训练过程如下:
1)令r=1;
2)r时刻目标站点的空间特征和时序特征作为输入,即令xr=<Sj,r,Tj,r>,并执行如下关系式的计算:
ar=σ(Wa,r·xr+ba,r) (3-1);
fr=σ(Wf,r·[hr-1,ar]+bf,r) (3-2);
ir=σ(Wi,r·[hr-1,ar]+bi,r) (3-3);
or=σ(Wo,r·[hr-1,ar]+bo,r) (3-6);
hr=or*tanh(Cr) (3-7);
3)当r>t时,执行下一步,否则令r=r+1,并返回2);
输出当前LSTM人工神经网络模型,该模型即为训练后的LSTM人工神经网络模型。
4.如权利要求3所述的基于时空特征预测轨道交通站点出站客流量的方法,其特征在于:所述步骤S2中将t时刻目标站点的空间特征和时序特征作为输入,输入训练后的LSTM人工神经网络模型,即令xr=t=<Sj,t,Tj,t>,则输出hj=t=yt+1;
yt+1表示预测结果,即预测出来的轨道交通t+1时刻目标站点j的出站客流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382271.6A CN108537392B (zh) | 2018-04-26 | 2018-04-26 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810382271.6A CN108537392B (zh) | 2018-04-26 | 2018-04-26 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537392A CN108537392A (zh) | 2018-09-14 |
CN108537392B true CN108537392B (zh) | 2021-08-17 |
Family
ID=63479026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810382271.6A Active CN108537392B (zh) | 2018-04-26 | 2018-04-26 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537392B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658695B (zh) * | 2019-01-02 | 2020-09-22 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN110298486B (zh) * | 2019-05-29 | 2023-06-09 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN110619419B (zh) * | 2019-07-30 | 2022-08-05 | 北京交通大学 | 城市轨道交通的客流预测方法 |
CN111091225B (zh) * | 2019-11-08 | 2022-05-06 | 北京交通大学 | 一种基于深度学习的城市轨道交通短期客流预测方法 |
CN111597971B (zh) * | 2020-05-14 | 2024-05-21 | 北京交通大学 | 一种城市轨道交通短期进站客流量预测方法 |
CN113177657B (zh) * | 2021-04-20 | 2022-08-30 | 上海大学 | 轨道交通客流预测方法及装置 |
CN113821929B (zh) * | 2021-09-24 | 2022-08-02 | 中南大学 | 基于时空注意力机制的高速路网站点流量预测方法及*** |
CN114066038B (zh) * | 2021-11-10 | 2024-07-09 | 上海市大数据股份有限公司 | 一种地铁客流的预测方法及*** |
CN114679388B (zh) * | 2022-02-22 | 2023-09-05 | 同济大学 | 一种时间敏感网络数据流量预测方法、***及存储介质 |
CN114580787B (zh) * | 2022-04-02 | 2023-07-14 | 佳都科技集团股份有限公司 | 一种基于公交地铁接驳站点的客流量预测方法及装置 |
CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及*** |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016054360A1 (en) * | 2014-10-03 | 2016-04-07 | Drive Time Metrics, Inc. | Cross channel in-vehicle media consumption measurement and analysis |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
-
2018
- 2018-04-26 CN CN201810382271.6A patent/CN108537392B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016054360A1 (en) * | 2014-10-03 | 2016-04-07 | Drive Time Metrics, Inc. | Cross channel in-vehicle media consumption measurement and analysis |
CN106372722A (zh) * | 2016-09-18 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 地铁短时流量预测方法及装置 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
Non-Patent Citations (1)
Title |
---|
面向公共安全的时空数据挖掘综述;王永坤等;《重庆邮电大学学报》;20180228;第45-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108537392A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537392B (zh) | 一种基于时空特征预测轨道交通站点出站客流量的方法 | |
CN108564227B (zh) | 一种基于时空特征的轨道交通客流量预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
CN111985710A (zh) | 一种公交乘客出行站点预测方法、存储介质及服务器 | |
CN111738535A (zh) | 轨道交通时空短时客流预测方法、装置、设备及存储介质 | |
CN111653088A (zh) | 一种车辆出行量预测模型构建方法及预测方法和*** | |
CN107018493A (zh) | 一种基于连续时序马尔科夫模型的地理位置预测方法 | |
CN111506835A (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
CN108898533A (zh) | 人口流动数据的获取方法、装置及计算机可读存储介质 | |
CN114626585B (zh) | 一种基于生成对抗网络的城市轨道交通短时客流预测方法 | |
Shen et al. | Short-term electric vehicles charging load forecasting based on deep learning in low-quality data environments | |
CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
Yu et al. | Data-driven approach for solving the route choice problem with traveling backward behavior in congested metro systems | |
CN106126607A (zh) | 一种面向社交网络的用户关系分析方法 | |
CN108564228A (zh) | 一种基于时序特征预测轨道交通od客流量的方法 | |
TW200814708A (en) | Power save method and system for a mobile device | |
CN115169714A (zh) | 城市地铁进出站客流量预测方法 | |
Sun et al. | Modeling temporal flow assignment in metro networks using smart card data | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits | |
CN112784177B (zh) | 一种空间距离自适应的下一个兴趣点推荐方法 | |
CN108509537B (zh) | 一种输电线路舞动概率预报***及方法 | |
CN109934394A (zh) | 一种基于灰色和马尔科夫理论的需求侧响应预测方法 | |
CN115589369A (zh) | 一种基于双注意力机制的基站流量预测方法及*** | |
CN115170006A (zh) | 发车调度方法、装置、设备和存储介质 |
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 |