CN113159408B - 轨道交通站点客流预测方法及装置 - Google Patents
轨道交通站点客流预测方法及装置 Download PDFInfo
- Publication number
- CN113159408B CN113159408B CN202110399945.5A CN202110399945A CN113159408B CN 113159408 B CN113159408 B CN 113159408B CN 202110399945 A CN202110399945 A CN 202110399945A CN 113159408 B CN113159408 B CN 113159408B
- Authority
- CN
- China
- Prior art keywords
- target
- rail transit
- passenger flow
- station
- transit station
- 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 50
- 238000001595 flow curve Methods 0.000 claims abstract description 54
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种轨道交通站点客流预测方法及装置,方法包括:根据DTW算法对预设交通网络中的轨道交通站点的历史AFC数据进行聚类,以确定轨道交通站点的类型;根据轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测。本发明提供的轨道交通站点客流预测方法及装置,利用DTW算法,对全网站点进行聚类,根据聚类结果,确定目标站点的类型,进而得到目标客流曲线,实现对目标站点客流的预测,同时可以有效规避由于复杂土地利用造成的预测难度高、预测精度差的问题。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种轨道交通站点客流预测方法及装置。
背景技术
轨道交通客流是制定开行方案、进行调度决策等工作的基础数据。随着轨道交通线网线的不断加密以及互联互通等网络化运营条件的实现,轨道交通的路网结构和客流分析变得更为复杂。
在现有的研究当中,轨道交通客流预测的方法多基于AFC数据,利用时序数据对站点进行客流预测,但是当历史客流出现波动时,预测效果不好。同时,现有的很多预测方法依赖于周边土地利用,当土地利用情况较为复杂时,易出现预测不准确的情况。
发明内容
本发明提供的轨道交通站点客流预测方法,用于克服现有技术中存在的上述问题,利用DTW算法,对全网站点进行聚类,根据聚类结果,确定目标站点的类型,进而得到目标客流曲线,实现对目标站点客流的预测,同时可以有效规避由于复杂土地利用造成的预测难度高、预测精度差的问题。
本发明提供一种轨道交通站点客流预测方法,包括:
根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
根据所述轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
根据所述目标轨道交通站点的目标类型和所述目标客流曲线,对所述目标轨道交通站点的客流进行预测。
根据本发明提供的一种轨道交通站点客流预测方法,所述根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型,包括:
根据DTW算法对所述历史AFC数据进行聚类,获取所述预设交通网络中的轨道交通站点的客流时间序列;
根据所述客流时间序列,确定所述预设交通网络中两两轨道交通站点间的差异度矩阵;
根据所述差异度矩阵,获取所述两两轨道交通站点的相似度;
根据所述相似度,确定所述相似度最高的两两轨道交通站点属于同一类型。
根据本发明提供的一种轨道交通站点客流预测方法,所述根据所述目标轨道交通站点的目标类型和所述目标客流曲线,对所述目标轨道交通站点的客流进行预测,包括:
根据所述目标轨道交通站点的目标类型和所述目标客流曲线,获取所述目标轨道交通站点与所述目标客流曲线的偏移量;
根据所述目标轨道交通站点的历史AFC数据、所述目标客流曲线和所述偏移量,对所述目标轨道交通站点的客流进行预测。
根据本发明提供的一种轨道交通站点客流预测方法,所述对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,包括:
基于如下算法中的任一种对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合:
最小二乘法LS和偏最小二乘法PLS。
根据本发明提供的一种轨道交通站点客流预测方法,所述历史自动售检票***AFC数据,包括:
预设时间粒度的所述历史AFC数据。
根据本发明提供的一种轨道交通站点客流预测方法,所述预设时间粒度通过如下方式确定:
根据预设的所述目标轨道交通站点的预测精度要求,确定所述预设时间粒度;
其中,所述预测精度要求大于等于所述预设时间粒度。
根据本发明提供的一种轨道交通站点客流预测方法,所述历史AFC数据,包括:
进站客流数据和/或出站客流数据。
本发明还提供一种轨道交通站点客流预测装置,包括:站点分类模块、曲线获取模块和客流预测模块;
所述站点分类模块,用于根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
所述曲线获取模块,用于根据所述轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
所述客流预测模块,用于根据所述目标轨道交通站点的目标类型和所述目标客流曲线,对所述目标轨道交通站点的客流进行预测。
本发明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,所述处理器执行所述程序时实现如上述任一种所述轨道交通站点客流预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述轨道交通站点客流预测方法的步骤。
本发明提供的轨道交通站点客流预测方法及装置,利用DTW算法,对全网站点进行聚类,根据聚类结果,确定目标站点的类型,进而得到目标客流曲线,实现对目标站点客流的预测,同时可以有效规避由于复杂土地利用造成的预测难度高、预测精度差的问题。
附图说明
为了更清楚地说明本发明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是本发明提供的轨道交通站点客流预测方法的流程示意图;
图2是本发明提供的轨道交通站点客流预测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
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作出创造性劳动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。
图1是本发明提供的轨道交通站点客流预测方法的流程示意图,如图1所示,方法包括:
S1、根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
S2、根据轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
S3、根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测。
需要说明的是,上述方法的执行主体可以是计算机设备。
可选地,本发明借助预设交通网络中的轨道交通站点的历史自动售检票***AFC数据,利用动态时间规整算法(DTW),对预设交通网络中的轨道交通站点进行聚类,并拟合相关客流曲线。利用拟合的客流曲线,对同类的车站进行客流预测。
需要说明的是,本发明提供的轨道交通站点客流预测方法中的AFC数据即通过售检票***反馈的数据,是能最为直观地体现客流多少的数据,结合DTW算法对预设交通网络中的轨道交通站点进行聚类。
可选地,假设轨道交通网络中共有ABCD四个车站,通过历史AFC数据可以得到该4个车站的历史与实时进出站情况,结合DTW算法对ABCD四个车站进行聚类,根据聚类结果得到ABCD四个车站所属的类型,例如AB车站为一类,CD车站为一类。
根据轨道交通站点的类型,获取目标轨道交通站点的目标类型,例如根据上述聚类结果得到A、B、C和D四个车站分别所属类型,其中,站点D与车站CD为一类。
对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线,例如对所有属于车站CD类型的站点的历史AFC数据进行多项式拟合,可以得到目标客流曲线Y(C,D)。
根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测,例如确定站点D属于车站CD类型,得到对应的目标客流曲线Y(C,D),以对站点D的客流进行预测。
本发明提供的轨道交通站点客流预测方法,利用DTW算法,对全网站点进行聚类,根据聚类结果,确定目标站点的类型,进而得到目标客流曲线,实现对目标站点客流的预测,同时可以有效规避由于复杂土地利用造成的预测难度高、预测精度差的问题。
进一步地,在一个实施例中,步骤S1可以具体包括:
S11、根据DTW算法对历史AFC数据进行聚类,获取预设交通网络中的轨道交通站点的客流时间序列;
S12、根据客流时间序列,确定预设交通网络中两两轨道交通站点间的差异度矩阵;
S13、根据差异度矩阵,获取两两轨道交通站点的相似度;
S14、根据相似度,确定相似度最高的两两轨道交通站点属于同一类型。
可选地,利用DTW算法,对预设交通网络中的轨道交通站点客流数据分别进行聚类。以A车站的进站客流数据为例,A车站的进站客流可视为是i时间节点进站客流数据ai组成的一个时间序列TA,TA=a1,,,an,其中,n为时间序列TA中时间节点的总个数。同理可得到B、C和D站点的进站客流时间序列TB=b1,...,bm,TC=c1,...,cp和TD=d1,...,dq,其中,m,p,q分别为时间序列TB,TC,TD中时间节点的总个数。
利用欧式距离,构建两两车站间序列间的差异度矩阵W,以AB车站进站客流序列为例,WK(A,B)=W1(1,1),W2(1,2),...,Wi*j(i,j),...,WK(m,n),其中,j是时间序列TB的时间节点,且W(i,j)=(ai-bj)2。
根据差异度矩阵WK(A,B)中,搜索最短路线满足以下公式,满足公式的值即为A、B两个序列的相似值:
TDW值越小,则两个序列的相似度越高,则这两个序列对应的车站为一类,根据TDW值,可得到ABCD车站的聚类结果。假设AB车站的TDW(A,B)值大于AC和AD车站的TDW(A,C),TDW(A,D),CD车站的TDW(C,D)值大于BC和AC车站的TDW(B,C),TDW(A,C),则可以得到ABCD四个车站的结果为,AB车站为一类,CD车站为一类。
本发明提供的轨道交通站点客流预测方法,通过对现网交通站点进行聚类,确定相同类型的站点,以实现在对目标站点进行客流预测时,可以避免与目标站点不同类型的轨道交通站点对目标站点客流预测造成的干扰,进而提高了对目标站点的预测精度。
进一步地,在一个实施例中,步骤S2中根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测,可以具体包括:
S21、根据目标轨道交通站点的目标类型和目标客流曲线,获取目标轨道交通站点与目标客流曲线的偏移量;
S22、根据目标轨道交通站点的历史AFC数据、目标客流曲线和偏移量,对目标轨道交通站点的客流进行预测。
可选地,根据DTW算法的聚类结果,选择某一类车站,对该类型中的所有车站进行进站量多项式拟合,得到拟合客流曲线Y,并参照拟合客流曲线Y,得到各车站与拟合曲线之间的偏移量H。
以CD车站为例,得到拟合曲线Y(C,D),在对目标站点D进行客流预测时,根据D站点的历史AFC数据得到D站点的客流时间序列TD与拟合客流曲线Y(C,D)的偏移量H(D)={hg|hg=yα-dβ},其中,dβ∈TD,yα为拟合客流曲线Y(C,D)各个时间节点的值,hg∈H(D)。
根据目标轨道交通站点的历史AFC数据、目标客流曲线和偏移量,对目标轨道交通站点的客流进行预测,以D车站为例,已知s时刻客流,现需要对D站点t时刻的客流进行预测。根据CD车站拟合的曲线Y(C,D)、D站点的历史AFC数据得到D站点的客流曲线D(L)以及偏移量H(D),通过以下公式,对D站t时刻的客流进行预测。
其中,Dt(L)代表D站点t时刻的客流值,Ht(D)代表D站点t时刻的偏移量,Ds(L)代表D站点s时刻的客流值,ds代表D站点的客流时间序列TD中s时刻的客流值。
本发明提供的轨道交通站点客流预测方法,通过利用目标站点的拟合客流曲线以及偏移量,对目标站点的客流进行预测,进一步提高了预测的精度。
进一步地,在一个实施例中,步骤S2中对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,可以具体包括:
S21、基于如下算法中的任一种对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合:
最小二乘法LS和偏最小二乘法PLS。
可选地,基于最小二乘法或最小偏二乘法对所有目标类型的站点的历史AFC数据进行多项式拟合。
本发明提供的轨道交通站点客流预测方法,通过最小二乘法或偏最小二乘法对目标站点的历史AFC数据进行拟合,提高了拟合效率与准确度。
进一步地,在一个实施例中,历史AFC数据,可以具体包括:
预设时间粒度的历史AFC数据。
可选地,读取全路网各轨道交通站点预设时间粒度的历史AFC数据,其中,时间粒度可以以分钟、小时、天等为最小时间粒度单位,本发明对此不作具体限定。
本发明提供的轨道交通站点客流预测方法,通过利用预设时间粒度的历史AFC数据,可以实现对不同预测精度要求的目标轨道站点的客流进行预测。
进一步地,在一个实施例中,预设时间粒度通过如下方式确定:
根据预设的目标轨道交通站点的预测精度要求,确定预设时间粒度;
其中,预测精度要求大于等于预设时间粒度。
可选地,根据目标轨道交通站点的客流预测精度要求,读取对应时间粒度的历史AFC数据,例如,现需要对D站点15分钟内的客流进行预测,则可以将历史AFC数据的时间粒度设置为小于15分钟,或等于15分钟。
本发明提供的轨道交通站点客流预测方法,根据目标站点的预测精度要求设置采用对应时间粒度的历史AFC数据,提高了对目标站点的客流预测精度。
下面对本发明提供的轨道交通站点客流预测装置进行描述,下文描述的轨道交通站点客流预测装置与上文描述的轨道交通站点客流预测方法可相互对应参照。
图2是本发明提供的轨道交通站点客流预测装置的结构示意图,如图2所示,包括:站点分类模块210、曲线获取模块211和客流预测模块212;
站点分类模块210,用于根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
曲线获取模块211,用于根据轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
客流预测模块212,用于根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测。
本发明提供的轨道交通站点客流预测装置,利用DTW算法,对全网站点进行聚类,根据聚类结果,确定目标站点的类型,进而得到目标客流曲线,实现对目标站点客流的预测,同时可以有效规避由于复杂土地利用造成的预测难度高、预测精度差的问题。
图3是本发明提供的一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(communication interface)311、存储器(memory)312和总线(bus)313,其中,处理器310,通信接口311,存储器312通过总线313完成相互间的通信。处理器310可以调用存储器312中的逻辑指令,以执行如下方法:
根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
根据轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测。
此外,上述的存储器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。
进一步地,本发明公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的轨道交通站点客流预测方法,例如包括:
根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
根据轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的轨道交通站点客流预测方法,例如包括:
根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
根据轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
根据目标轨道交通站点的目标类型和目标客流曲线,对目标轨道交通站点的客流进行预测。
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,或者也可以分布到两两网络单元上。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 (9)
1.一种轨道交通站点客流预测方法,其特征在于,包括:
根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
根据所述轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
根据所述目标轨道交通站点的目标类型和所述目标客流曲线,对所述目标轨道交通站点的客流进行预测;
所述根据所述目标轨道交通站点的目标类型和所述目标客流曲线,对所述目标轨道交通站点的客流进行预测,包括:
根据所述目标轨道交通站点的目标类型和所述目标客流曲线,获取所述目标轨道交通站点与所述目标客流曲线的偏移量;
根据所述目标轨道交通站点的历史AFC数据、所述目标客流曲线和所述偏移量,对所述目标轨道交通站点的客流进行预测。
2.根据权利要求1所述的轨道交通站点客流预测方法,其特征在于,所述根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型,包括:
根据DTW算法对所述历史AFC数据进行聚类,获取所述预设交通网络中的轨道交通站点的客流时间序列;
根据所述客流时间序列,确定所述预设交通网络中两两轨道交通站点间的差异度矩阵;
根据所述差异度矩阵,获取所述两两轨道交通站点的相似度;
根据所述相似度,确定所述相似度最高的两两轨道交通站点属于同一类型。
3.根据权利要求1所述的轨道交通站点客流预测方法,其特征在于,所述对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,包括:
基于如下算法中的任一种对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合:
最小二乘法LS和偏最小二乘法PLS。
4.根据权利要求1-3任一项所述的轨道交通站点客流预测方法,其特征在于,所述历史自动售检票***AFC数据,包括:
预设时间粒度的所述历史AFC数据。
5.根据权利要求4所述的轨道交通站点客流预测方法,其特征在于,所述预设时间粒度通过如下方式确定:
根据预设的所述目标轨道交通站点的预测精度要求,确定所述预设时间粒度;
其中,所述预测精度要求大于等于所述预设时间粒度。
6.根据权利要求5项所述的轨道交通站点客流预测方法,其特征在于,所述历史AFC数据,包括:
进站客流数据和/或出站客流数据。
7.一种轨道交通站点客流预测装置,其特征在于,包括:站点分类模块、曲线获取模块和客流预测模块;
所述站点分类模块,用于根据动态时间规整DTW算法对预设交通网络中的轨道交通站点的历史自动售检票***AFC数据进行聚类,以确定轨道交通站点的类型;
所述曲线获取模块,用于根据所述轨道交通站点的类型,获取目标轨道交通站点的目标类型,并对所有目标类型的轨道交通站点的历史AFC数据进行多项式拟合,获取目标客流曲线;
所述客流预测模块,用于根据所述目标轨道交通站点的目标类型和所述目标客流曲线,对所述目标轨道交通站点的客流进行预测;
所述根据所述目标轨道交通站点的目标类型和所述目标客流曲线,对所述目标轨道交通站点的客流进行预测,包括:
根据所述目标轨道交通站点的目标类型和所述目标客流曲线,获取所述目标轨道交通站点与所述目标客流曲线的偏移量;
根据所述目标轨道交通站点的历史AFC数据、所述目标客流曲线和所述偏移量,对所述目标轨道交通站点的客流进行预测。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至6任一项所述轨道交通站点客流预测方法的步骤。
9.一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,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述轨道交通站点客流预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110399945.5A CN113159408B (zh) | 2021-04-14 | 2021-04-14 | 轨道交通站点客流预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110399945.5A CN113159408B (zh) | 2021-04-14 | 2021-04-14 | 轨道交通站点客流预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159408A CN113159408A (zh) | 2021-07-23 |
CN113159408B true CN113159408B (zh) | 2023-11-21 |
Family
ID=76890689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110399945.5A Active CN113159408B (zh) | 2021-04-14 | 2021-04-14 | 轨道交通站点客流预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159408B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705623B (zh) * | 2021-08-06 | 2024-07-19 | 深圳须弥云图空间科技有限公司 | 一种轨道交通站点的分类方法及装置 |
CN113850439A (zh) * | 2021-09-29 | 2021-12-28 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
CN105243128A (zh) * | 2015-09-29 | 2016-01-13 | 西华大学 | 一种基于签到数据的用户行为轨迹聚类方法 |
CN107316096A (zh) * | 2017-05-05 | 2017-11-03 | 北京市交通信息中心 | 一种轨道交通一票通乘客进站量预测方法 |
CN107609706A (zh) * | 2017-09-19 | 2018-01-19 | 东南大学 | 基于网络拓扑特性构建轨道交通站点客流预测模型的方法 |
CN108280540A (zh) * | 2018-01-10 | 2018-07-13 | 东南大学 | 轨道交通站点短时客流状态预测方法及装置 |
CN111080107A (zh) * | 2019-12-06 | 2020-04-28 | 中国水利水电科学研究院 | 一种基于时间序列聚类的流域洪水响应相似性分析方法 |
CN111191817A (zh) * | 2019-12-12 | 2020-05-22 | 华侨大学 | 一种基于换乘客流量的公交线网拓扑划分方法 |
CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及*** |
-
2021
- 2021-04-14 CN CN202110399945.5A patent/CN113159408B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
CN105243128A (zh) * | 2015-09-29 | 2016-01-13 | 西华大学 | 一种基于签到数据的用户行为轨迹聚类方法 |
CN107316096A (zh) * | 2017-05-05 | 2017-11-03 | 北京市交通信息中心 | 一种轨道交通一票通乘客进站量预测方法 |
CN107609706A (zh) * | 2017-09-19 | 2018-01-19 | 东南大学 | 基于网络拓扑特性构建轨道交通站点客流预测模型的方法 |
CN108280540A (zh) * | 2018-01-10 | 2018-07-13 | 东南大学 | 轨道交通站点短时客流状态预测方法及装置 |
CN111080107A (zh) * | 2019-12-06 | 2020-04-28 | 中国水利水电科学研究院 | 一种基于时间序列聚类的流域洪水响应相似性分析方法 |
CN111191817A (zh) * | 2019-12-12 | 2020-05-22 | 华侨大学 | 一种基于换乘客流量的公交线网拓扑划分方法 |
CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113159408A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Cross-city transfer learning for deep spatio-temporal prediction | |
CN113159408B (zh) | 轨道交通站点客流预测方法及装置 | |
CN106685674B (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
CN111356148A (zh) | 一种实现网络优化的方法及相关设备 | |
CN108960476B (zh) | 基于ap-ti聚类的共享单车流量预测方法及装置 | |
CN104991924A (zh) | 用于确定新供应点的地址的方法和装置 | |
CN112562378B (zh) | 公交车调度方法、装置、计算机设备及介质 | |
Zhu et al. | Multistep flow prediction on car-sharing systems: A multi-graph convolutional neural network with attention mechanism | |
CN111739285A (zh) | 交通流量的预测方法、装置、设备及计算机存储介质 | |
CN110991527A (zh) | 一种考虑电压曲线平均波动率的相似度阈值确定方法 | |
CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
Kasera et al. | Parking slot occupancy prediction using LSTM | |
CN112150045B (zh) | 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测*** | |
CN117676385A (zh) | 横向聚类lstm联邦学习下充电站负荷预测***及方法 | |
Aldhyani et al. | An integrated model for prediction of loading packets in network traffic | |
CN112884222A (zh) | 一种面向时间段的lstm交通流密度预测方法 | |
CN115017990B (zh) | 一种交通流量预测方法、装置、设备及存储介质 | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN113761397B (zh) | 一种定制客运路线的推荐方法、***、设备及存储介质 | |
CN111489171B (zh) | 基于二维码的乘车行程匹配方法、装置、电子设备及介质 | |
Liu et al. | Efficient bus arrival time prediction based on spark streaming platform | |
US10430731B2 (en) | Method for providing configuration information for a system comprising a plurality of moving objects | |
Li et al. | Near-optimal fixed-route scheduling for crowdsourced transit system | |
Yin et al. | Understanding the demand predictability of bike share systems: A station-level analysis | |
Lai et al. | Mobile data usage prediction system and method |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221222 Address after: Room 101, 1f, building 1, traffic control building, yard 3, Zhicheng North Street, Fengtai District, Beijing 100070 Applicant after: TRAFFIC CONTROL TECHNOLOGY Co.,Ltd. Applicant after: Beijing Infrastructure Investment Co.,Ltd. Address before: No.2 and No.3 building, Beijing headquarters international, No.6 Haiying Road, science and Technology Park, Fengtai District, Beijing 100070 Applicant before: TRAFFIC CONTROL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |