CN111597971A - 一种城市轨道交通短期进站客流量预测方法 - Google Patents

Abstract

本发明提供了一种城市轨道交通短期进站客流量预测方法。该方法包括：构建Wave‑LSTM预测模型，利用训练数据集对Wave‑LSTM预测模型进行训练，获取待预测站点的历史进站量数据序列；利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据序列；将重构进站量数据序列输入到训练好的Wave‑LSTM预测模型，Wave‑LSTM预测模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加，得到预测出的待预测站点的所有时间段内的进站量客流数据。本发明充分利用了小波变换的数学显微镜的优点和LSTM可学习长序列依赖的特点，将具有趋势的低频信号与包含噪声信息的高频信号分开，从而提取到各站点进站客流的关键特征，提高客流预测精度。

Description

一种城市轨道交通短期进站客流量预测方法

技术领域

本发明涉及轨道交通客流管理技术领域，尤其涉及一种城市轨道交通短期进站客流量预测方法。

背景技术

城市轨道交通作为城市公共交通的骨干，在缓解城市拥堵、改善城市环境等方面发挥着重要作用。高精度的短期进站客流量预测对城市轨道交通日常客流组织具有重要意义，预测结果可以帮助运营部门动态管理车站客流。当进站客流预测值高于车站所能容纳的人数时，运营部门可采用车站限流和疏导等方法控制客流分布，从而降低大客流对城市轨道交通网络的冲击和压力，减少因过度拥挤带来的危险。

现阶段，针对城市轨道交通的短期进站客流量预测的研究已经有了一定的积累。但当前大多数预测模型忽略了各站点进站客流的关键特征，不能很好的追踪客流的动态变化，导致预测结果与实际情况的偏差较大，难以指导运营公司做出准确的决策，客流预测结果的精度有待提高。

发明内容

本发明的实施例提供了一种城市轨道交通短期进站客流量预测方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种城市轨道交通短期进站客流量预测方法，构建Wave-LSTM预测模型，利用训练数据集对所述Wave-LSTM预测模型进行训练，得到训练好的Wave-LSTM预测模型，所述方法包括：

获取待预测站点的历史进站量数据序列；

利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据序列；

将所述重构进站量数据序列输入到训练好的Wave-LSTM预测模型，Wave-LSTM预测模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加，得到预测出的所述待预测站点的所有时间段内的进站量客流数据。

优选地，所述的构建Wave-LSTM预测模型，利用训练数据集对所述LSTM预测模型进行训练，得到训练好的Wave-LSTM预测模型，包括：

构建Wave-LSTM预测模型的训练数据集，该训练数据集为所述待预测站点的历史客流数据的前90％，利用该训练数据集采用控制变量的方法，选取不同迭代次数和不同隐藏单元数依次对待预测站点的历史进站量数据的重构进站量数据序列进行预测，将预测结果与待预测站点的真实进站量数据进行比较，选择预测效果最好的迭代次数和隐藏单元数参数作为Wave-LSTM模型的参数，得到训练好的LSTM预测模型。

优选地，所述的获取待预测站点的历史进站量数据序列，包括：

将待预测站点的各个进口AFC设备终端采集的客流数据进行统计汇总，得到待预测站点的历史进站量数据F^s，该历史进站量数据F^s为一个一维的进站量序列数据，表达式如下：

其中s为站点，t为时段，F^s为站点s的历史进站量序列，f_t ^s为站点s在第t个时间段内的进站客流。

优选地，所述的利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据序列，包括：

利用选取的小波函数和分解次数使用Mallat算法对一维的进站量序列数据进行分解，分解过程表示为式2和式3，其中H和G分别为该小波变换中的低通滤波器和高通滤波器，m为分解次数，D_m为经m次分解后得到的高频细节信号，A_m为经m次分解后得到的低频近似信号；

D_m＝HA_m-1 (2)

A_m＝GA_m-1 (3)

A₀为原始序列，经过第一次分解后，得到包含原始序列A₀主要信息的低频近似信号A₁，以及包含误差的高频细节信号D₁；下一次将低频近似信号A₁分解为A₂和D₂，以此进行下去，经过m次分解后得到m+1个分解序列：D₁，D₂，……，D_m和A_m；

采用重构算法对步骤S3中得到的m+1个分解序列D₁，D₂，……，D_m和A_m分别进行重构进行单支重构，单支重构过程如式4所示：

A_m-1＝H^*A_m+G^*D_m (4)

其中H^*和G^*分别为该小波在重构过程中的低通滤波器和高通滤波器，且是H和G的对偶算子；

采用单支重构算法对所述m+1个分解序列进行单支重构，低频分解序列D₁，D₂，……，D_m的单支重构的过程是对其进行奇数位补零，再通过低通滤波器H^*直至得到与原始信号长度相同的序列，得到重构进站量数据序列序列d₁、d₂、…、d_m；高频分解序列的单支重构需要对其补零后需通过高通滤波器G^*操作，直至得到与原始信号长度相同的数据，得到重构进站量数据序列序a_m，重构进站量数据序列d₁、d₂、…、d_m、a_m和原始序列A₀的关系如式5所示。

A₀＝d₁+d₂+…+d_m+a_m (5)

其中d_m为高频细节信号D_m的重构进站量数据序列，a_m为低频近似信号A_m的重构进站量数据序列。

优选地，所述的小波函数和分解次数的选取过程，包括：

利用基于MATLAB软件的小波分解工具箱对所述进站量序列数据进行小波分解，得到低频近似信号，分析在不同小波和不同分解次数下得到的低频近似信号的光滑性，选取光滑性最好的低频近似信号作为适合所述待预测站点的小波函数wave_s和分解次数x。

优选地，所述的将所述重构进站量数据序列输入到训练好的Wave-LSTM预测模型，Wave-LSTM预测模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加，得到预测出的所述待预测站点的所有时间段内的进站量客流数据，包括：

将所述重构进站量数据序列d₁、d₂、…、d_m、a_m输入到训练好的Wave-

LSTM预测模型，Wave-LSTM预测模型输出对应的预测序列：

将预测序列

相加，得到预测出的待预测站点的所有时间段内的进站量客流数据。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例的城市轨道交通短期进站客流量预测方法通过组合小波分析和长短期记忆网络(LSTM)模型，充分利用了小波变换的数学显微镜的优点和LSTM可学习长序列依赖的特点，将具有趋势的低频信号与包含噪声信息的高频信号分开，从而提取到各站点进站客流的关键特征，提高客流预测精度。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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一种城市轨道交通短期进站客流量预测方法的实现原理示意图；

图2为本发明实施例提供的基于MATLAB软件的小波分解工具箱示意图；

图3为本发明实施例提供的小波分解过程示意图；

图4为本发明实施例二提供的五种常见的小波函数在处理北京地铁机场线东直门站进站客流时的表现；

图5为本发明实施例二提供的dmeyer小波在分解过程中的低通滤波器和高通滤波器；

图6为本发明实施例二提供的三次小波分解过程示意图；

图7为本发明实施例二提供的dmeyer小波在重构过程中的低通滤波器和高通滤波器；

图8为本发明实施例二提供的Wave-LSTM模型对机场线东直门站15分钟进站客流预测结果；

图9为本发明实施例二提供的Wave-LSTM模型对机场线东直门站30分钟进站客流预测结果；

图10为本发明实施例二提供的Wave-LSTM模型对机场线东直门站60分钟进站客流预测结果。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例提供了一种城市轨道交通短期进站客流量预测方法，旨在组合小波分析和LSTM的优势，得到更准确的车站短期进站客流预测值，该方法可以指导运营公司做出准确的决策。

本发明实施例一提供的基于小波分析和LSTM(Long Short-Term Memory，长短期记忆网络)的城市轨道交通短期进站量预测方法的实现原理示意图如图1所示，包括以下处理步骤：

步骤S1：获取待预测站点的历史进站量数据。

将待预测站点的各个进口AFC(Automatic Fare Collection System，指城市轨道交通自动售检票***)设备终端采集的客流数据进行统计汇总，得到待预测站点的历史进站量数据F^s，可表示为一个一维的进站量序列数据，如式1所示。

其中s为站点，t为时段，F^s为站点s的历史进站量序列，f_t ^s为站点s在第t个时间段内的进站客流。

步骤S2：选择合适的小波并确定分解次数。

目前常见的小波包括haar小波、daubechies(dbN)小波、symlet(symN)小波、Coiflet(coifN)小波、meyer小波和dmeyer小波等。

图2为本发明实施例提供的基于MATLAB软件的小波分解工具箱示意图。利用基于MATLAB软件的小波分解工具箱对步骤S1中得到的进站量序列数据进行小波分解，观察分解得到的低频近似信号是否光滑。设选择的小波函数为wave_s、分解次数为x，使用MATLAB小波分析工具箱，分析在不同小波和不同分解次数下得到的低频近似信号，低频近似信号越光滑越好，最终确定一个最适合该站点的小波函数wave_s和分解次数x。

步骤S3：采用Mallat算法对一维的进站量数据进行小波分解。

图3为本发明实施例提供的小波分解过程示意图。基于小波函数wave_s和分解次数x,使用离散小波变化中的快速正交小波变换方法(比如，Mallat算法)对一维的进站量序列数据进行分解，分解过程可表示为式2和式3，其中H和G分别为该小波在分解过程中的低通滤波器和高通滤波器，m为分解次数，D_m为经m次分解后得到的高频细节信号，A_m为经m次分解后得到的低频近似信号。

D_m＝HA_m-1 (2)

A_m＝GA_m-1 (3)

A₀为原始序列，经过第一次分解后，可得到包含原始序列A₀主要信息的低频近似信号A₁，以及包含误差的高频细节信号D₁；下一次将低频近似信号A₁分解为A₂和D₂，以此进行下去。经过m次分解后可以得到m+1个分解序列：D₁，D₂，……，D_m和A_m，每一次分解得到的分解序列长度减半。

步骤S4：对分解后的每个向量进行单支重构。

小波分解的主要重构算法如式4所示。

A_m-1＝H^*A_m+G^*D_m (4)

其中H^*和G^*分别为该小波在重构过程中的低通滤波器和高通滤波器，且是H和G的对偶算子。

采用单支重构算法对步骤S3中得到的m+1个分解序列进行单支重构，通过单支重构可以增加分解序列的长度，从而使得每个重构进站量序列的长度和原序列相同。低频分解序列的单支重构的过程是对其进行奇数位补零，再通过低通滤波器H^*，之后继续对得到的序列进行补零和通过低频滤波器操作，直至得到与原始信号长度相同的序列。高频分解序列的单支重构需要对其补零后需通过高通滤波器G^*操作，也需要经过多次操作直至得到与原始信号长度相同的数据。对D₁、D₂、…、D_m和A_m分别进行重构，得到序列d₁、d₂、…、d_m和a_m。

每个重构后的序列长度和原始序列相同，且和原始序列A₀的关系如式5所示。

A₀＝d₁+d₂+…+d_m+a_m (5)

其中d_m为高频细节信号D_m的重构进站量数据序列，a_m为低频近似信号A_m的重构进站量数据序列。实际客流数据是非线性和不平稳的，经过小波变换处理之后，得到的新的序列具有比原始客流序列更稳定的方差。

步骤S5：构建城市轨道交通短期进站客流量预测模型Wave-LSTM(小波-LSTM)，该模型的输入为待预测站点的历史进站量数据。

对于Wave-LSTM预测模型的结构，需要确定的参数包括隐藏单元的数目和迭代次数。构建Wave-LSTM预测模型的训练数据集，该训练数据集为输入待预测站点历史客流数据的前90％，利用该训练数据集采用控制变量的方法，选取不同迭代次数和不同隐藏单元数依次对待预测站点的历史进站量数据的重构进站量数据序列进行预测，将预测结果与待预测站点的真实进站量数据进行比较，选择预测效果最好的迭代次数和隐藏单元数参数作为Wave-LSTM模型的参数，得到训练好的LSTM预测模型。

将上述一维重构进站量数据序列d₁，d₂，……，d_m和a_m输入到Wave-LSTM预测模型，Wave-LSTM预测模型输出对应的预测序列：

和

将预测序列

相加，得到预测出的待预测站点的所有时间段内的进站量客流数据。

总结来说，Wave-LSTM模型以预测站点的历史客流数据作为输入，在预测过程首先对历史数据进行分解和单支重构，对每个重构序列进行单独的预测，最后相加得到预测客流。

输入数据的前90％作为训练集，后10％作为预测集，以此来计算客流预测指标MAE(MAE(Mean Absolute Error，平均绝对误差)和RMSE(RMSE(RootMeanSquareError，均方根误差)，以便衡量模型的准确性和有用性。

实施例二

本发明实施例二提供的城市轨道交通短期进站客流量预测方法包括以下步骤：

步骤S1：构建城市轨道交通车站短期进站量的预测模型Wave-LSTM，该模型的输入为待预测站点的历史进站量数据。

本实施例二选择北京地铁东直门站为待预测站点。在北京地铁全网进出站数据集中，东直门站有3个不同的站台编码，分别为151020053(机场线)、150998323(13号线)和150995470(2号线)，本例选择机场线的东直门站客流进行研究。通过该站点各个进口AFC设备终端采集的客流数据统计得到一个大小为(1×8040)的一维进站客流序列。

步骤S2：选择合适的小波并确定分解次数。

本实施例需要选择一个最适合该站点的小波，设其为wave_s和最适合该站点的分解次数，设其为x。对步骤S1中得到的原始客流数据进行小波分解，观察分解得到的低频近似信号。图4为五种常见的小波函数在处理北京地铁机场线东直门站进站客流时的表现，A₀表示东直门站的原始进站客流，a₃表示经过三次分解后得到的低频近似信号。可见经过三次分解，使用db5小波和dmeyer小波得到的低频近似信号已经平滑。

meyer小波的小波函数和尺度函数都是在频率域中进行定义的，它的收敛速度很快。dmeyer即离散的meyer小波，常用于快速离散小波变换的计算。本实施例选择使用dmeyer小波且分解次数为3层。即wave_s＝demyer，x＝3。

步骤S3：采用Mallat算法对一维进站量数据进行小波分解。

dmeyer小波在分解过程中的低通滤波器H及高通滤波器G如图5所示。采用Mallat算法对一维进站量进行三次小波分解，分解过程如图6所示，A₀为原始序列。第一次分解过程如式6所示，其中D₁为第一次分解得到的高频细节信号，A₁为第一次分解得到的低频近似信号；第二次分解过程如式7所示，其中D₂为将A₁进行分解得到的高频细节信号，A₂为将A₁进行分解得到的低频近似信号；第三次分解如式8所示，其中D₃和A₃分别为第三次分解得到的高频细节信号和低频近似信号。

D₁＝HA₀，A₁＝GA₀ (6)

D₂＝HA₁，A₂＝GA₁ (7)

D₃＝HA₂，A₃＝GA₂ (8)

三次分解后得到4个分解序列：D₁、D₂、D₃、A₃，长度均短于原序列。

步骤S4：对分解后的每个向量进行单支重构。

重构过程如式9所示。

A_m-1＝H^*A_m+G^*D_m (9)

其中H^*和G^*分别为dmeyer小波在重构过程中的低通滤波器和高通滤波器，如图7所示。采用单支重构算法对D₁，D₂，D₃和A₃分别进行重构。对高频分解序列D₁进行一次奇数位补零和通过高通滤波器G^*的操作，即可得到d₁；对D₂需进行两次奇数位补零和通过高通滤波器G^*的操作，即可得到d₂；对D₃需进行三次奇数位补零和通过高通滤波器G^*的操作，即可得到d₃；对低频分解信号A₃需进行三次奇数位补零和通过低通滤波器H^*的操作，即可得到a₃。

单支重构后得到比原始客流序列更稳定的重构进站量数据序列d₁，d₂，d₃和a₃，且每个重构进站量数据序列的长度和原序列相同，均为大小为(1×8040)的一维序列。

步骤S5：构建Wave-LSTM模型对重构进站量数据序列进行预测。

构建Wave-LSTM预测模型，将大小为(1×8040)的一维重构进站量数据序列d₁输入LSTM模型，数据集的前90％为训练集，大小为(1×7236)，后10％为预测集，大小为(1×804)。Wave-LSTM模型的输出为对应序列的预测值

大小为(1×804)。同理可得

和

对于Wave-LSTM模型的结构，需要确定的参数包括隐藏单元的数目和迭代次数。本实施例采用控制变量的方法，选取不同迭代次数和不同隐藏单元数依次对d₁、d₂、d₃和a₃进行预测，得到的实验结果如表1所示。

表1 Wave-LSTM模型在不同参数下的预测结果

其中Wave-LSTM模型在不同参数下的预测结果用平均绝对误差和均方根误差作为性能指标衡量。如式10和11所示。

其中，MAE为平均绝对误差，RMSE为均方根误差，f_i为实际值，

为预测值。观察到随着迭代次数的增加，预测精度大幅提高，但所需时间也快速增加。同时增加隐藏单元数也有利于提高模型的预测精度。考虑到在性能和所需时间之间做出折衷，选择一组性能和时间都在可接受范围内的参数。本实施例选择迭代次数为200次，隐藏单元数目为100个作为LSTM的参数。

步骤S6：进站客流预测输出。

将S5中得到的大小为(1×804)的预测序列

和

相加，得到最终的机场线东直门站进站量预测结果。本实施例构建的Wave-LSTM模型对机场线东直门站15分钟进站客流预测结果如图8所示；30分钟进站客流预测结果如图9所示；60分钟进站客流预测结果如图10所示。

由图8至图10可以看出，本实施例二构建的Wave-LSTM模型能较好的跟踪到客流的变化。在相同数据集下，分别用普通LSTM模型、ARIMA和NAR神经网络对北京机场线东直门站进站客流进行预测。各模型性能如表2所示。

表2各模型预测精度对比

观察表2可知，在此数据集下，各模型的预测精度排序为：Wave-LSTM>LSTM>NAR>ARIMA。

同时发现，Wave-LSTM模型在预测时间跨度为30min时效果最好，60min时精度最差。这可能与时间跨度小(15min)时客流波动过大，但时间跨度大(60min)时数据量少有关。

综上所述，本发明的基于小波分析和长短期记忆网络的城市轨道交通短期进站量预测方法，通过组合小波分析和长短期记忆网络模型，充分利用了小波变换的数学显微镜的优点和LSTM可学习长序列依赖的特点，利用待预测站点的历史客流数据，将具有趋势的低频信号与包含噪声信息的高频信号分开，再通过LSTM对各个序列进行单独预测，从而提取到各站点进站客流的关键特征，提高客流预测精度。

本发明实施例的Wave-LSTM模型具有较高的预测精度，能更好地指导运营公司做出准确的决策。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***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劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (6)

1.一种城市轨道交通短期进站客流量预测方法，其特征在于，构建Wave-LSTM预测模型，利用训练数据集对所述Wave-LSTM预测模型进行训练，得到训练好的Wave-LSTM预测模型，所述方法包括：

获取待预测站点的历史进站量数据序列；

利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据序列；

将所述重构进站量数据序列输入到训练好的Wave-LSTM预测模型，Wave-LSTM预测模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加，得到预测出的所述待预测站点的所有时间段内的进站量客流数据。

2.根据权利要求1所述的方法，其特征在于，所述的构建Wave-LSTM预测模型，利用训练数据集对所述LSTM预测模型进行训练，得到训练好的Wave-LSTM预测模型，包括：

构建Wave-LSTM预测模型的训练数据集，该训练数据集为所述待预测站点的历史客流数据的前90％，利用该训练数据集采用控制变量的方法，选取不同迭代次数和不同隐藏单元数依次对待预测站点的历史进站量数据的重构进站量数据序列进行预测，将预测结果与待预测站点的真实进站量数据进行比较，选择预测效果最好的迭代次数和隐藏单元数参数作为Wave-LSTM模型的参数，得到训练好的LSTM预测模型。

3.根据权利要求2所述的方法，其特征在于，所述的获取待预测站点的历史进站量数据序列，包括：

将待预测站点的各个进口AFC设备终端采集的客流数据进行统计汇总，得到待预测站点的历史进站量数据F^s，该历史进站量数据F^s为一个一维的进站量序列数据，表达式如下：

其中s为站点，t为时段，F^s为站点s的历史进站量序列，f_t ^s为站点s在第t个时间段内的进站客流。

4.根据权利要求3所述的方法，其特征在于，所述的利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据序列，包括：

利用选取的小波函数和分解次数使用Mallat算法对一维的进站量序列数据进行分解，分解过程表示为式2和式3，其中H和G分别为该小波变换中的低通滤波器和高通滤波器，m为分解次数，D_m为经m次分解后得到的高频细节信号，A_m为经m次分解后得到的低频近似信号；

D_m＝HA_m-1 (2)

A_m＝GA_m-1 (3)

A₀为原始序列，经过第一次分解后，得到包含原始序列A₀主要信息的低频近似信号A₁，以及包含误差的高频细节信号D₁；下一次将低频近似信号A₁分解为A₂和D₂，以此进行下去，经过m次分解后得到m+1个分解序列：D₁，D₂，……，D_m和A_m；

采用重构算法对步骤S3中得到的m+1个分解序列D₁，D₂，……，D_m和A_m分别进行重构进行单支重构，单支重构过程如式4所示：

A_m-1＝H^*A_m+G^*D_m (4)

其中H^*和G^*分别为该小波在重构过程中的低通滤波器和高通滤波器，且是H和G的对偶算子；

采用单支重构算法对所述m+1个分解序列进行单支重构，低频分解序列D₁，D₂，……，D_m的单支重构的过程是对其进行奇数位补零，再通过低通滤波器H^*直至得到与原始信号长度相同的序列，得到重构进站量数据序列序列d₁、d₂、…、d_m；高频分解序列的单支重构需要对其补零后需通过高通滤波器G^*操作，直至得到与原始信号长度相同的数据，得到重构进站量数据序列序a_m，重构进站量数据序列d₁、d₂、…、d_m、a_m和原始序列A₀的关系如式5所示。

A₀＝d₁+d₂+…+d_m+a_m (5)

其中d_m为高频细节信号D_m的重构进站量数据序列，a_m为低频近似信号A_m的重构进站量数据序列。

5.根据权利要求4所述的方法，其特征在于，所述的小波函数和分解次数的选取过程，包括：

利用基于MATLAB软件的小波分解工具箱对所述进站量序列数据进行小波分解，得到低频近似信号，分析在不同小波和不同分解次数下得到的低频近似信号的光滑性，选取光滑性最好的低频近似信号作为适合所述待预测站点的小波函数wave_s和分解次数x。

6.根据权利要求4或5所述的方法，其特征在于，所述的将所述重构进站量数据序列输入到训练好的Wave-LSTM预测模型，Wave-LSTM预测模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加，得到预测出的所述待预测站点的所有时间段内的进站量客流数据，包括：

将所述重构进站量数据序列d₁、d₂、…、d_m、a_m输入到训练好的Wave-LSTM预测模型，Wave-LSTM预测模型输出对应的预测序列：

将预测序列

相加，得到预测出的待预测站点的所有时间段内的进站量客流数据。

Images