CN111178598A - 铁路客运站客流量预测方法、***、电子设备及存储介质 - Google Patents
铁路客运站客流量预测方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111178598A CN111178598A CN201911295389.6A CN201911295389A CN111178598A CN 111178598 A CN111178598 A CN 111178598A CN 201911295389 A CN201911295389 A CN 201911295389A CN 111178598 A CN111178598 A CN 111178598A
- Authority
- CN
- China
- Prior art keywords
- time period
- passenger flow
- passenger
- data
- grid area
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 4
- 230000029305 taxis Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供一种铁路客运站客流量预测方法、***、电子设备及存储介质,方法包括:获取铁路客运站各网格区域的历史各时间段的客流量以及与对应的外部因素数据;将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到输出的未来待预测时间段的各网格区域内的客流量预测数据。本发明实施例对铁路客运站的客流量进行网格化,根据客运站的各网格区域的历史客流量对未来时间段的客流量进行预测,根据客流量预测结果对潜在的异常客流进行预警,实现对铁路客运站客流量的预测和分析,从而提高客站工作人员日常运维中的客流管控效率和异常预警能力,减少异常客流和异常事件对客站造成的损失。
Description
技术领域
本发明属于铁路客运技术领域,尤其涉及一种铁路客运站客流量预测方法、***、电子设备及存储介质。
背景技术
目前铁路客运站的客流日益增长,人们对车站安全的智能化需求也逐渐提升到新的高度。铁路客运站作为人群高度集中、事故多发的场合,有着极高的安全保障需求。
近年来铁路客运站因人群拥挤、非法入侵等造成的旅客伤亡事件层出不穷,每值重大节假日前后,旅客人数陡增,异常事故发生的概率也随之增长,因此如何有效分析预测铁路客运站中客流的分布,并针对潜在的异常行为做出预警和对策,是保护车站人员安全,提升旅客出行体验,推进铁路客运站智能化发展亟待解决的问题。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
目前铁路客运站中具有大量视频监控设备,现有方式分析客站视频监控需要大量作业人员,且人工分析视频效率低下,容易疲劳,不利于客流分析及异常事件的发现和处理。
发明内容
为克服上述现有问题或者至少部分地解决上述问题,本发明实施例提供一种铁路客运站客流量预测方法、***、电子设备及存储介质。
根据本发明实施例的第一方面,提供一种铁路客运站客流量预测方法,包括:
获取铁路客运站各网格区域的历史各时间段的客流量;
获取与历史各时间段对应的外部因素数据;
将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到输出的待预测时间段的各网格区域内的客流量预测数据;
其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
在上述技术方案的基础上,本发明实施例还可以做出如下改进。
可选的,所述获取铁路客运站各网格区域的历史各时间段的客流量包括:
根据铁路客运站的建筑平面图,将铁路客运站均等划分为多个网格区域;
获取每个网格区域所代表的客运站区域在所述历史各时间段的监控视频;
根据每个网格区域所代表的客运站区域在所述历史各时间段的监控视频,提取每个网格区域在所述历史各时间段的客流量。
可选的,所述将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型之前包括:
对各网格区域内的历史各时间段的客流量按照与待预测时间段的时间距离进行分解,得到近邻数据、周期数据和趋势数据;以及,
从历史各时间段对应的外部因素数据中筛选出与所述近邻数据、周期数据和趋势数据对应时间段的外部因素数据;
其中,所述近邻数据为与距离所述待预测时间段预设数量小时内的各网格区域内的客流量;
所述周期数据为与距离所述待预测时间段预设数量天或周内的各网格区域内的客流量;
所述趋势数据为与距离所述待预测时间段预设数量月的各网格区域内的客流量。
可选的,所述预设网络模型包括多个深度残差网络和全连接网络,所述将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据包括:
使用深度残差网络分别提取所述近邻数据、周期数据和趋势数据的深度特征,并对所述近邻数据、周期数据和趋势数据的深度特征设置对应的权重进行特征融合,形成融合后的深度特征;
使用全连接网络提取与所述近邻数据、周期数据和趋势数据对应时间段的外部因素数据的特征;
对提取的外部因素数据的特征与所述融合后的深度特征再次进行融合,得到待预测时间段的客流量预测数据。
可选的,所述外部因素数据包括对客运站的客流量造成影响的节假日、列车到发时刻、客流异常行为、客运站周边的出租车数量及天气信息。
可选的,所述以得到输出的待预测时间段的各网格区域内的客流量预测数据之后还包括:
当待预测时间段的任一网格区域内的客流量超过所设定的高阈值或小于所设定的低阈值,对所述任一网格区域进行预警。
根据本发明实施例第二方面提供一种铁路客运站客流量预测***,包括:
获取模块,用于获取铁路客运站各网格区域的历史各时间段的客流量,以及获取与历史各时间段对应的外部因素数据;
预测模块,用于将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据;
其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
根据本发明实施例的第三个方面,还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的铁路客运站客流量预测方法。
根据本发明实施例的第四个方面,还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的铁路客运站客流量预测方法。
本发明实施例提供一种铁路客运站客流量预测方法、***、电子设备及存储介质,该方法通过对铁路客运站的客流量进行网格化,根据客运站的各网格区域的历史客流量对未来时间段的客流量进行预测,根据客流量预测结果对潜在的异常客流进行预警,实现对铁路客运站客流量的预测和分析,从而提高客站工作人员日常运维中的客流管控效率和异常预警能力,减少异常客流和异常事件对客站造成的损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的铁路客运站客流量预测方法整体流程示意图;
图2为本发明实施例提供的铁路客运站客流量预测方法流程图;
图3为本发明实施例提供的铁路客运站客流量预测方法整体流程图;
图4为本发明实施例提供的铁路客运站客流量预测***整体结构示意图;
图5为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
在本发明的一个实施例中提供一种铁路客运站客流量预测方法,图1为本发明实施例提供的铁路客运站客流量预测方法整体流程示意图,该方法包括:
S1,获取铁路客运站各网格区域的历史各时间段的客流量;
S2,获取与历史各时间段对应的外部因素数据;
S3,将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到未来待预测时间段的各网格区域内的客流量预测数据;
其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
可以理解的是,本发明实施例根据铁路客运站的平面图将客运站内部空间区域划分为多个网格区域。其中,在客运站的每一个不同的位置,均设置有摄像头,对客运站内部空间进行视频拍摄,得到客运站内部空间的各个位置区域的监控视频。
本发明实施例以客运站的网格区域为单位,获取客运站各个网格区域的历史各时间段的客流量。对于每一个历史时间段,获取影响该历史时间段的客流量的外部因素数据,随后将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型中,通过预设网络模型输出未来待预测时间段的各网格区域内的客流量。其中,预设网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
本发明实施例对铁路客运站的客流量进行网格化,根据客运站的各网格区域的历史客流量对未来时间段的客流量进行预测,根据客流量预测结果对潜在的异常客流进行预警,实现对铁路客运站客流量的预测和分析,从而提高客站工作人员日常运维中的客流管控效率和异常预警能力,减少异常客流和异常事件对客站造成的损失。
作为一个可选的实施例,获取铁路客运站各网格区域的历史各时间段的客流量包括:
根据铁路客运站的建筑平面图,将铁路客运站均等划分为多个网格区域;
获取每个网格区域所代表的客运站区域在所述历史各时间段的监控视频;
根据每个网格区域所代表的客运站区域在所述历史各时间段的监控视频,提取每个网格区域在所述历史各时间段的客流量。
可以理解的是,根据铁路客运站的建筑平面图,以一定的大小将整个客运站均等划分为多个网格区域,比如,根据客运站的建筑平面图,将建筑平面图以正方形的网格进行划分。其中,根据客站中候车厅、通廊、站台等关键区域的监控范围,控制平面图中网格的大小。根据客运站的每个位置处的实时监控视频,获取每个网格区域所代表的的客运站区域在历史各时间段的监控视频。
根据每一个网格区域在历史各时间段的监控视频,根据每一张视频图像,计算每一张视频图像中的人数,进而得到每个网格区域在历史各时间段的客流量。在得到每个网格区域在历史各时间段的客流量后,收集与历史各时间段对应时间段的外部因素数据,每个网格区域在历史各时间段的客流量与对应的外部因素数据构成时空异构数据,存储于时空异构数据库中。
其中,时空异构数据是对影响客运站客流量各因素的总和,具体包括:获取客运各网格区域的客流量,形成代表客流量分布的空间数据;以一定时间间隔获取监控中的图像,形成代表相同网格区域客流量变化情况的时间数据;以及获取对客运站客流量造成影响的外部因素数据。
在得到每个网格区域在历史个时间段的监控视频和对应的外部因素数据后,将每个网格区域在历史个时间段的监控视频和对应的外部因素数据输入预设网络模型中,得到未来待预测时间段的客流量。
作为一个可选的实施例,将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型之前包括:
对各网格区域内的历史各时间段的客流量按照与待预测时间段的时间距离进行分解,得到近邻数据、周期数据和趋势数据;以及,
从历史各时间段对应的外部因素数据中筛选出与近邻数据、周期数据和趋势数据对应时间段的外部因素数据;
其中,近邻数据为与距离所述待预测时间段预设数量小时内的各网格区域内的客流量;
周期数据为与距离所述待预测时间段预设数量天或周内的各网格区域内的客流量;
趋势数据为与距离所述待预测时间段预设数量月的各网格区域内的客流量。
可以理解的是,参见图2,在将客运站的每一个网格区域在历史各时间段的客流量和对应的外部因素数据输入预设网络模型之前,对客运站的每一个网格区域在历史各时间段的客流量进行分解,分解得到近邻数据、周期数据和趋势数据。其中,对于每一个网格区域的历史各时间段的客流量,获取距未来待预测时间段几小时之内的各个网格区域的客流量,形成近邻型数据;获取距未来待预测时间段数天及数周的各个网格的客流量,形成周期型数据;获取距未来待预测时间段数月的各个网格区域的客流量,形成趋势型数据。
根据与未来待预测时间段的时间距离,将各个网格区域的历史各时间段的客流量分解为近邻数据、周期数据和趋势数据,本发明实施例从历史各时间段对应的外部因素数据中筛选出与近邻数据、周期数据和趋势数据对应时间段的外部因素数据。
作为一个可选的实施例,所述预设网络模型包括多个深度残差网络和全连接网络,所述将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据包括:
使用深度残差网络分别提取近邻数据、周期数据和趋势数据的深度特征,并对近邻数据、周期数据和趋势数据的深度特征设置对应的权重进行特征融合,形成融合后的深度特征;
使用全连接网络提取与所述近邻数据、周期数据和趋势数据对应时间段的外部因素数据的特征;
对提取的外部因素数据的特征与融合后的深度特征再次进行融合,得到待预测时间段的客流量预测数据。
可以理解的是,根据前述实施例得到的各个网格区域的近邻数据、周期数据和趋势数据三类数据以及分别对应的外部因素数据,本发明实施例对三类数据的特征进行提取以及对对应的外部因素数据的特征进行提取。参见图2,本发明实施例中,预设网络模型中包括三个深度残差网络(Deep Residual Network,ResNet)和一个全连接网络,分别利用一个深度残差网络对各个网格区域的近邻数据、周期数据和趋势数据的深度特征分别进行提取。其中,深度残差网络由2-12个残差单元组成,在提取近邻数据、周期数据和趋势数据的深度特征的同时减少梯度消失对深度残差网络的影响;每一个残差单元由正则化线性单元和卷积层构成,将每层的输入和输出相连,提升深度残差网络的梯度传播能力。
通过深度残差网络提取各网络区域的近邻数据、周期数据和趋势数据的深度特征,将各类数据的深度特征进行融合,得到融合后的深度特征。其中,可以为各类数据的深度特征设置对应的权重,将各类数据的深度特征进行权重相加融合,得到融合后的深度特征。
同样的,利用全连接网络提取外部因素数据的特征,将提取的外部因素数据的特征与前述融合后的深度特征再次进行融合,得到融合特征,根据最终的融合特征。使用激活函数将最终的融合特征进行归一化映射,得到未来待预测时间段的客流量预测数据。
下面对预设网络模型的训练过程进行举例说明,在训练的过程中,比如,需要对客运站今天某时刻的客流量进行预测,则获取客运站各个网格区域这个时刻以前的历史各段时间段的客流量。对客运站各个网格区域的历史各段时间段的客流量进行分解,得到对应的近邻数据、周期数据和趋势数据,以及获得与近邻数据、周期数据和趋势数据对应时间段的外部因素数据。分别利用深度残差网络提取近邻数据、周期数据和趋势数据的深度特征,将这些深度特征进行融合,得到融合后的深度特征;利用全连接网络提取对应的外部因素数据的特征,将外部因素数据的特征与融合后的深度特征进行再次融合,得到最终融合后的特征,即可得到客运站今天的客流量预测数据。
将通过预设网络模型得到的客运站今天该时刻的客流量预测数据,并与客运站这个时刻的实际客流量进行对比,计算两者之间的误差;经过多次训练迭代,得到各个误差,根据各个误差对预设网络模型的模型参数进行调整,得到训练后的预设网络模型。
作为一个可选的实施例,外部因素数据包括对客运站的客流量造成影响的节假日、列车到发时刻、客流异常行为、客运站周边的出租车数量及天气信息。
可以理解的是,本发明实施例中的可能会影响客运站的客流量的外部因素数据包括该历史各时间段是否为节假日、在该历史各时间段内的列车到发时刻、客流异常行为、客运站周边的出租车数量及天气信息。这些外部因素数据都可能会影响客运站的客流量。
作为一个可选的实施例,以得到待预测时间段的各网格区域内的客流量预测数据之后还包括:
当待预测时间段的任一网格区域内的客流量超过所设定的高阈值或小于所设定的低阈值,对所述任一网格区域进行预警。
可以理解的是,通过训练后的预设网络模型得到未来待预测时间段的客流量之后,根据客流量的大小对客流异常进行预警。具体的,当某个网格在未来待预测时间段的客流量超过所设定的高阈值,判断该网格区域有潜在的人群聚集、冲撞等风险,对该网格区域进行预警;当某个网格在未来待预测时间段的客流量小于所设定的低阈值,判断该网格区域有潜在的人群分散、事故等风险,对该网格区域进行预警;当某个网格在未来待预测时间段的客流量在合理的区间内,判断该网格区域客流量正常;将所有预测和分析结果作为外部因素存储在时空异构数据库,丰富客流预测的数据来源。
参见图3,为本发明实施例提供的铁路客运站客流量预测方法的整体流程图,获取客运站的整体建筑平面图,根据客运站的建筑平面图,对客运站的整个区域进行网格划分;获取每一个网格区域内的实时监控视频,并以固定时间间隔对每一个网格区域内的实时监控视频进行采样,且计算出每一个网格区域的人数作为客流量。将每一个网格区域在历史各时间段的客流量存储于时空异构数据库中,并获取历史各时间段对应的外部因素数据;将时空异构数据库中的客流量数据以及对应的外部因素数据输入预设网络模型中,得到未来待预测时间段的各网格区域的客流量预测结果;根据各网格区域的客流量预测结果,判断各网格区域是否存在客流量异常行为。
在本发明的另一个实施例中提供一种铁路客运站客流量预测***,该***用于实现前述各实施例中的方法。因此,在前述铁路客运站客流量预测方法的各实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图4为本发明实施例提供的铁路客运站客流量预测***整体结构示意图,该***包括:
获取模块41,用于获取铁路客运站各网格区域的历史各时间段的客流量,以及获取与历史各时间段对应的外部因素数据;
预测模块42,用于将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据;
其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
上述实施例的铁路客运站客流量预测***还包括预警模块43,用于当待预测时间段的任一网格区域内的客流量超过所设定的高阈值或小于所设定的低阈值,对所述任一网格区域进行预警。
本发明实施例提供的一种铁路客运站客流量预测***与前述各实施例提供的铁路客运站客流量预测方法相对应,铁路客运站客流量预测***的相关技术特征可参考铁路客运站客流量预测方法的相关技术特征,在此不再赘述。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行如下方法:获取铁路客运站各网格区域的历史各时间段的客流量;获取与历史各时间段对应的外部因素数据;将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到输出的待预测时间段的各网格区域内的客流量预测数据;其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:获取铁路客运站各网格区域的历史各时间段的客流量;获取与历史各时间段对应的外部因素数据;将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据;其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
本发明实施例提供的一种铁路客运站客流量预测方法、***、电子设备及存储介质,该方法通过对铁路客运站的客流量进行网格化,根据客运站的各网格区域的历史客流量对未来时间段的客流量进行预测,根据客流量预测结果对潜在的异常客流进行预警,实现对铁路客运站客流量的预测和分析,从而提高客站工作人员日常运维中的客流管控效率和异常预警能力,减少异常客流和异常事件对客站造成的损失。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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,本领域的普通技术人员应当理解: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 (10)
1.一种铁路客运站客流量预测方法,其特征在于,包括:
获取铁路客运站各网格区域的历史各时间段的客流量;
获取与历史各时间段对应的外部因素数据;
将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据;
其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
2.根据权利要求1所述的客流量预测方法,其特征在于,所述获取铁路客运站各网格区域的历史各时间段的客流量包括:
根据铁路客运站的建筑平面图,将铁路客运站均等划分为多个网格区域;
获取每个网格区域所代表的客运站区域在所述历史各时间段的监控视频;
根据每个网格区域所代表的客运站区域在所述历史各时间段的监控视频,提取每个网格区域在所述历史各时间段的客流量。
3.根据权利要求1所述的客流量预测方法,其特征在于,所述将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型之前包括:
对各网格区域内的历史各时间段的客流量按照与待预测时间段的时间距离进行分解,得到近邻数据、周期数据和趋势数据;以及,
从历史各时间段对应的外部因素数据中筛选出与所述近邻数据、周期数据和趋势数据对应时间段的外部因素数据;
其中,所述近邻数据为与距离所述待预测时间段预设数量小时内的各网格区域内的客流量;
所述周期数据为与距离所述待预测时间段预设数量天或周内的各网格区域内的客流量;
所述趋势数据为与距离所述待预测时间段预设数量月的各网格区域内的客流量。
4.根据权利要求3所述的客流量预测方法,其特征在于,所述预设网络模型包括多个深度残差网络和全连接网络,所述将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据包括:
使用深度残差网络分别提取所述近邻数据、周期数据和趋势数据的深度特征,并对所述近邻数据、周期数据和趋势数据的深度特征设置对应的权重进行特征融合,形成融合后的深度特征;
使用全连接网络提取与所述近邻数据、周期数据和趋势数据对应时间段的外部因素数据的特征;
对提取的外部因素数据的特征与所述融合后的深度特征再次进行融合,得到待预测时间段的客流量预测数据。
5.根据权利要求1或3或4所述的客流量预测方法,其特征在于,所述外部因素数据包括对客运站的客流量造成影响的节假日、列车到发时刻、客流异常行为、客运站周边的出租车数量及天气信息。
6.根据权利要求1所述的客流量预测方法,其特征在于,所述以得到待预测时间段的各网格区域内的客流量预测数据之后还包括:
当待预测时间段的任一网格区域内的客流量超过所设定的高阈值或小于所设定的低阈值,对所述任一网格区域进行预警。
7.一种铁路客运站客流量预测***,其特征在于,包括:
获取模块,用于获取铁路客运站各网格区域的历史各时间段的客流量,以及获取与历史各时间段对应的外部因素数据;
预测模块,用于将各网格区域内的历史各时间段的客流量以及与历史各时间段对应的外部因素数据输入预设网络模型,以得到待预测时间段的各网格区域内的客流量预测数据;
其中,所述预测网络模型为,根据铁路客运站各网格区域内的历史各时间段的客流量训练得到。
8.根据权利要求7所述的客流量预测***,其特征在于,所述预测***还包括:
预警模块,用于当待预测时间段的任一网格区域内的客流量超过所设定的高阈值或小于所设定的低阈值,对所述任一网格区域进行预警。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述客流量预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述客流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295389.6A CN111178598A (zh) | 2019-12-16 | 2019-12-16 | 铁路客运站客流量预测方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295389.6A CN111178598A (zh) | 2019-12-16 | 2019-12-16 | 铁路客运站客流量预测方法、***、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178598A true CN111178598A (zh) | 2020-05-19 |
Family
ID=70646745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911295389.6A Pending CN111178598A (zh) | 2019-12-16 | 2019-12-16 | 铁路客运站客流量预测方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178598A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818017A (zh) * | 2020-06-11 | 2020-10-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种铁路网络安全预测方法、***及电子设备 |
CN113159393A (zh) * | 2021-03-30 | 2021-07-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站大客流感知预警方法、装置、电子设备和存储介质 |
CN113177657A (zh) * | 2021-04-20 | 2021-07-27 | 上海大学 | 轨道交通客流预测方法及装置 |
CN113240197A (zh) * | 2020-12-31 | 2021-08-10 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
CN113361825A (zh) * | 2021-07-19 | 2021-09-07 | 青岛理工大学 | 一种***故早期预警方法及*** |
CN113792907A (zh) * | 2021-08-06 | 2021-12-14 | 上海申铁信息工程有限公司 | 一种铁路客站的客流预测方法、装置及存储介质 |
CN113888060A (zh) * | 2021-11-24 | 2022-01-04 | 中国工商银行股份有限公司 | 用于确定网点运营策略的方法、装置、电子设备和介质 |
CN114066038A (zh) * | 2021-11-10 | 2022-02-18 | 上海市大数据股份有限公司 | 一种地铁客流的预测方法及*** |
CN114390079A (zh) * | 2022-03-24 | 2022-04-22 | 成都秦川物联网科技股份有限公司 | 一种智慧城市公共场所管理方法和物联网*** |
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*** |
CN115334560A (zh) * | 2022-08-19 | 2022-11-11 | 中国联合网络通信集团有限公司 | 基站异常的监测方法、装置、设备及计算机可读存储介质 |
CN116128160A (zh) * | 2023-04-04 | 2023-05-16 | 北京经纬信息技术有限公司 | 一种铁路车站高峰客流预测方法、***及设备和介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警*** |
CN105389640A (zh) * | 2015-12-21 | 2016-03-09 | 苏交科集团股份有限公司 | 市郊铁路客流的预测方法 |
CN106650976A (zh) * | 2015-10-29 | 2017-05-10 | 深圳市综合交通运行指挥中心 | 出行分析预测方法及***、基于ic卡的出行分析预测方法及*** |
CN106910027A (zh) * | 2017-03-07 | 2017-06-30 | 成都中科大旗软件有限公司 | 一种基于大数据的旅游适游指数的计算***及方法 |
CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
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 |
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | ***通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
CN109495718A (zh) * | 2018-11-02 | 2019-03-19 | 深圳市北斗智能科技有限公司 | 监控视频获取方法、装置及计算机可读存储介质 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN110493816A (zh) * | 2019-08-21 | 2019-11-22 | 上海工程技术大学 | 一种用于轨交地铁车站客流量的实时预测方法 |
-
2019
- 2019-12-16 CN CN201911295389.6A patent/CN111178598A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警*** |
CN106650976A (zh) * | 2015-10-29 | 2017-05-10 | 深圳市综合交通运行指挥中心 | 出行分析预测方法及***、基于ic卡的出行分析预测方法及*** |
CN105389640A (zh) * | 2015-12-21 | 2016-03-09 | 苏交科集团股份有限公司 | 市郊铁路客流的预测方法 |
CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
CN106910027A (zh) * | 2017-03-07 | 2017-06-30 | 成都中科大旗软件有限公司 | 一种基于大数据的旅游适游指数的计算***及方法 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
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 |
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | ***通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
CN109495718A (zh) * | 2018-11-02 | 2019-03-19 | 深圳市北斗智能科技有限公司 | 监控视频获取方法、装置及计算机可读存储介质 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN110493816A (zh) * | 2019-08-21 | 2019-11-22 | 上海工程技术大学 | 一种用于轨交地铁车站客流量的实时预测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818017A (zh) * | 2020-06-11 | 2020-10-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种铁路网络安全预测方法、***及电子设备 |
CN111818017B (zh) * | 2020-06-11 | 2021-08-17 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种铁路网络安全预测方法、***及电子设备 |
WO2022142413A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
CN113240197A (zh) * | 2020-12-31 | 2021-08-10 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
CN113159393A (zh) * | 2021-03-30 | 2021-07-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站大客流感知预警方法、装置、电子设备和存储介质 |
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 |
CN113177657A (zh) * | 2021-04-20 | 2021-07-27 | 上海大学 | 轨道交通客流预测方法及装置 |
CN113361825A (zh) * | 2021-07-19 | 2021-09-07 | 青岛理工大学 | 一种***故早期预警方法及*** |
CN113792907A (zh) * | 2021-08-06 | 2021-12-14 | 上海申铁信息工程有限公司 | 一种铁路客站的客流预测方法、装置及存储介质 |
CN114066038A (zh) * | 2021-11-10 | 2022-02-18 | 上海市大数据股份有限公司 | 一种地铁客流的预测方法及*** |
CN113888060A (zh) * | 2021-11-24 | 2022-01-04 | 中国工商银行股份有限公司 | 用于确定网点运营策略的方法、装置、电子设备和介质 |
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*** |
CN114399726B (zh) * | 2021-12-06 | 2023-07-07 | 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*** |
CN114390079A (zh) * | 2022-03-24 | 2022-04-22 | 成都秦川物联网科技股份有限公司 | 一种智慧城市公共场所管理方法和物联网*** |
US11868926B2 (en) | 2022-03-24 | 2024-01-09 | Chengdu Qinchuan Iot Technology Co., Ltd. | Systems and methods for managing public place in smart city |
CN115334560A (zh) * | 2022-08-19 | 2022-11-11 | 中国联合网络通信集团有限公司 | 基站异常的监测方法、装置、设备及计算机可读存储介质 |
CN115334560B (zh) * | 2022-08-19 | 2024-05-07 | 中国联合网络通信集团有限公司 | 基站异常的监测方法、装置、设备及计算机可读存储介质 |
CN116128160A (zh) * | 2023-04-04 | 2023-05-16 | 北京经纬信息技术有限公司 | 一种铁路车站高峰客流预测方法、***及设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178598A (zh) | 铁路客运站客流量预测方法、***、电子设备及存储介质 | |
CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN111071305B (zh) | 城市轨道交通列车停站时间智能估算方法及装置 | |
KR20150100141A (ko) | 행동패턴 분석 장치 및 방법 | |
CN112835769A (zh) | 一种业务数据异常诊断方法、装置、设备及存储介质 | |
CN114707401A (zh) | 信号***设备的故障预警方法及装置 | |
CN112017195A (zh) | 一种应用于城市轨道交通的智能综合监控*** | |
CN113361825A (zh) | 一种***故早期预警方法及*** | |
CN111640280A (zh) | 一种基于多源信息融合的地铁站污染物预警方法 | |
CN113191631A (zh) | 铁路工务设备单元综合画像预警方法和*** | |
Herrema et al. | A novel machine learning model to predict abnormal Runway Occupancy Times and observe related precursors | |
CN114912854B (zh) | 地铁列车运行调整方法、装置、电子设备及存储介质 | |
CN114356502B (zh) | 基于边缘计算技术的非结构化数据标记、训练和发布***及方法 | |
CN110135633A (zh) | 一种铁路业务呼叫故障预测方法和装置 | |
CN116056117A (zh) | 网络异常预测方法、装置及存储介质 | |
CN116128197A (zh) | 一种智慧机场管理***和方法 | |
CN114266472A (zh) | 基于Spark的地铁站疏散风险分析方法 | |
Feng et al. | Research of Deep Learning and Adaptive Threshold Based Signaling Storm Prediction and Top Cause Tracking | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
Wang et al. | Local airspace traffic prediction and flow control strategy recommendation system | |
Guan et al. | Intelligent Classification Method of Digital Twin Airport Hazard Based on ID3 Algorithm | |
CN117935545A (zh) | 一种封闭交通场景下的警觉提醒*** | |
CN117592661B (zh) | 复杂多场景下的区域中心化车站巡视方案设计方法与*** | |
Karnati et al. | Data Mining Algorithms for Traffic Interruption Detection. |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |