CN113393029A - 一种轨交客流量的预测方法和设备 - Google Patents
一种轨交客流量的预测方法和设备 Download PDFInfo
- Publication number
- CN113393029A CN113393029A CN202110651976.5A CN202110651976A CN113393029A CN 113393029 A CN113393029 A CN 113393029A CN 202110651976 A CN202110651976 A CN 202110651976A CN 113393029 A CN113393029 A CN 113393029A
- Authority
- CN
- China
- Prior art keywords
- time
- historical
- station
- target
- people
- 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 20
- 230000003203 everyday effect Effects 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009792 diffusion process Methods 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
- 238000012545 processing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种轨交客流量的预测方法和设备,该方法包括:根据未来目标时刻的客流量特征要素确定目标流量模式;根据预设历史时长内与目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;根据人均耗时、耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;根据所述第一概率、所述第二概率和在各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数,从而能够获取精确到极细时间粒度的客流量预测值,提高了轨交客流量预测的准确性和效率。
Description
技术领域
本申请涉及轨道交通大数据处理技术领域,更具体地,涉及一种轨交客流量的预测方法和设备。
背景技术
随着城市的快速发展,人们在城市生活中的活动范围越来越大,轨道交通在城市交通中扮演着越来越重要的角色。基于用户乘车行为大数据为基础的客流分析以及预测模型是轨道交通企业运营管理以及乘客服务的非常重要的一环,也是智慧轨交发展纲要中非常重要的一个示范工程。为各个相关部门提供科学的数据能够有效的分配资源和人力,提高整个交通***的安全性、舒适性和经济效益。能够为有关部门处理紧急突发事件提供有效的数据支持和决策依据,尤其是在组织大型活动时、客流量的预测能够帮助轨道交通运营单位做好相应乘客运输能力的调整匹配,既能够保证活动的顺利进行也能够减少对其他居民的影响。
轨道交通流量预测有多种方法,传统方法包括历史平均值算法,ARIMA(Autoregressive Integrated Moving Average model,整合移动平均自回归模型)算法等。最近由于机器学习的崛起,存在着利用长短时记忆机制LSTM(Long Short-TermMemory,长短期记忆网络)和其变体DCRNN(Diffusion Convolutional Recurrent NeuralNetwork,扩散卷积循环神经网络)等新型算法。对于传统方法,大多只考虑交通流量采集点本身的流量信息作为参考给出预测,精度不够,偏差较大,另外应对突发情况的较差;对于新型的机器学习算法,由于其需要大量的计算资源和计算时间,且一般机器学习算法预测长度较短,如1小时,不能满***通预测对于快速长时高效的要求。
因此,如何提高轨交客流量预测的准确性和效率,是目前有待解决的技术问题。
发明内容
本发明提供一种轨交客流量的预测方法,用以解决现有技术中进行轨交客流量预测时精度不够,偏差较大,效率低的技术问题,该方法包括:
根据未来目标时刻的客流量特征要素确定目标流量模式;
根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;
根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;
根据所述第一概率、所述第二概率和在各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数;
其中,所述客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,所述历史进站时刻为所述预设历史时长内所述目标流量模式下每天从各所述站点进站的时刻,所述历史目标时刻为所述预设历史时长内每天与所述未来目标时刻对应的时刻。
优选的,根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交路线上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差,具体为:
根据所述客流量数据中从各所述站点进站的进站人数和从各所述站点进站并从所述目标站点出站的出站人数的比值确定所述第一概率;
根据所述出站人数的站内耗时总和与所述出站人数的比值确定所述人均耗时;
根据所述人均耗时和从各所述站点进站并从所述目标站点出站的站内耗时确定所述耗时均差。
优选的,根据公式一确定所述第二概率,所述公式一具体为:
优选的,根据所述第一概率、所述第二概率和各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数,具体为:
根据所述第一概率、所述第二概率和所述历史进站人数确定所有在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的历史出站人数;
对从各所述历史进站时刻到所述历史目标时刻的所述历史出站人数进行求和,根据求和的结果确定在所述未来目标时刻从所述目标站点出站的人数。
优选的,根据公式二确定所述历史出站人数,所述公式二具体为:
其中,out(Zi,tx,tw)为所述历史出站人数,m代表各所述站点,n为站点数量,为所述历史进站人数,P(Zm,Zi)为所述第一概率,Zi代表所述目标站点i,tx代表历史进站时刻x,tw代表所述历史目标时刻w。
相应的,本发明还提出了一种轨交客流量的预测设备,所述设备包括:
第一确定模块,用于根据未来目标时刻的客流量特征要素确定目标流量模式;
第二确定模块,用于根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;
第三确定模块,用于根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;
第四确定模块,用于根据所述第一概率、所述第二概率和各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数;
其中,所述客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,所述历史进站时刻为所述预设历史时长内所述目标流量模式下每天从各所述站点进站的时刻,所述历史目标时刻为所述预设历史时长内每天与所述未来目标时刻对应的时刻。
优选的,所述第二确定模块,具体用于:
根据所述客流量数据中从各所述站点进站的进站人数和从各所述站点进站并从所述目标站点出站的出站人数的比值确定所述第一概率;
根据所述出站人数的站内耗时总和与所述出站人数的比值确定所述人均耗时;
根据所述人均耗时和从各所述站点进站并从所述目标站点出站的站内耗时确定所述耗时均差。
优选的,所述第三确定模块,具体用于:
根据公式一确定所述第二概率,所述公式一具体为:
优选的,所述第四确定模块,具体用于:
根据所述第一概率、所述第二概率和所述历史进站人数确定所有在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的历史出站人数;
对从各所述历史进站时刻到所述历史目标时刻的所述历史出站人数进行求和,根据求和的结果确定在所述未来目标时刻从所述目标站点出站的人数。
优选的,所述第四确定模块,还具体用于:
根据公式二确定所述历史出站人数,所述公式二具体为:
其中,out(Zi,tx,tw)为所述历史出站人数,m代表各所述站点,n为站点数量,为所述历史进站人数,P(Zm,Zi)为所述第一概率,Zi代表所述目标站点i,tx代表历史进站时刻x,tw代表所述历史目标时刻w。
与现有技术对比,本发明具备以下有益效果:
通过应用以上技术方案,根据未来目标时刻的客流量特征要素确定目标流量模式;根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;根据所述第一概率、所述第二概率和在各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数;其中,所述客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,所述历史进站时刻为所述预设历史时长内所述目标流量模式下每天从各所述站点进站的时刻,所述历史目标时刻为所述预设历史时长内每天与所述未来目标时刻对应的时刻,在结合客流量特征要素的基础上,以进站客流和流量模式应用概率密度的方式获得出站的客流量,从而能够获取精确到极细时间粒度的客流量预测值,提高了轨交客流量预测的准确性,并且依赖外部数据较少,提高了预测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域技术人员来讲,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示出了本发明实施例提出的一种轨交客流量的预测方法的流程示意图;
图2示出了本发明实施例中不同流量模式的示意图;
图3示出了本发明实施例中进出站概率示意图;
图4示出了本发明实施例中进出站概率分布表;
图5示出了本发明实施例中平均耗时示意图;
图6示出了本发明实施例中平均耗时分布表;
图7示出了本发明实施例中耗时均差示意图;
图8示出了本发明实施例中耗时均差分布表;
图9示出了本发明实施例中耗时分布特征图;
图10示出了本发明实施例提出的一种轨交客流量的预测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提出一种轨交客流量的预测方法,如图1所示,包括以下步骤:
步骤S101,根据未来目标时刻的客流量特征要素确定目标流量模式。
轨交即轨道交通,本实施例是对未来预设日期下的未来目标时刻从目标站点出站的客流量进行预测,该未来目标时刻为未来某一天的时刻(如13:00),轨道交通线路上的各站点的客流量和多种因素相关,客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,预设维度特征包括日期、天气、节假日、活动日,活动日可包括大型会议举办日、大型体育活动举办日、大型演唱会举办日、大型展会举办日等,预设时间标记包括早高峰、晚高峰、日常时间。
可选的,所述客流量特征要素为与所述目标站点相关的特征要素或与所述轨交线路相关的特征要素。具体的,当轨交线路距离较长,各站点因距离较远,某些客流量特征要素如大型体育活动可能只对部分站点造成影响,此时客流量特征要素为与所述目标站点相关的特征要素;当轨交线路距离较短,客流量特征要素会影响整个轨交线路的客流量,此时所述客流量特征要素为与所述轨交线路相关的特征要素。
本实施例预先根据不同的客流量特征要素组合确定多种预设流量模式,如工作日加晴天流量模式、节假日加阴雨天流量模式等,并建立不同的客流量特征要素与预设流量模式的对应关系,根据未来目标时刻的客流量特征要素和该对应关系从多种预设流量模式中确定目标流量模式。
本领域技术人员可根据实际需要确定多种预设流量模式。
步骤S102,根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差。
本实施例中,可以从历史数据库中获取预设历史时长内的历史客流量数据,该历史客流量数据可包括多种流量模式下的客流量数据,从该历史客流量数据中选取与目标流量模式对应的客流量数据,根据该客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差。
为了准确的确定该第一概率、人均耗时和耗时均差,在本申请优选的实施例中,根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交路线上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差,具体为:
根据所述客流量数据中从各所述站点进站的进站人数和从各所述站点进站并从所述目标站点出站的出站人数的比值确定所述第一概率;
根据所述出站人数的站内耗时总和与所述出站人数的比值确定所述人均耗时;
根据所述人均耗时和从各所述站点进站并从所述目标站点出站的站内耗时确定所述耗时均差。
本实施例中,根据客流量数据确定从各所述站点进站的进站人数和从各所述站点进站并从所述目标站点出站的出站人数,根据两者的比值可确定第一概率;根据客流量数据确定出站人数的站内耗时总和,根据该站内耗时总和与出站人数的比值可确定人均耗时;根据人均耗时和从各站点进站并从目标站点出站的站内耗时可确定耗时均差。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据该客流量数据确定第一概率、人均耗时和耗时均差的方式均属于本申请的保护范围。
为了准确的确定耗时均差,在本申请优选的实施例中,根据公式四确定所述耗时均差,所述公式四具体为:
其中,xi表示所述站内耗时,N表示站内耗时的数量,σ为所述耗时均差,μ为所述人均耗时。
步骤S103,根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率。
本实施例中,历史进站时刻为预设历史时长内目标流量模式下每天从各站点进站的时刻,历史目标时刻为预设历史时长内每天与未来目标时刻对应的时刻,例如,未来目标时刻为13:00,则历史目标时刻也为13:00。从各历史进站时刻进站并从对应的历史目标时刻出站,在站内期间的耗时即历史站内耗时。根据人均耗时、耗时均差和历史站内耗时确定在历史进站时刻从各站点进站并在历史目标时刻从目标站点出站的第二概率。
为了准确的确定第二概率,在本申请优选的实施例中,根据公式一确定所述第二概率,所述公式一具体为:
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据人均耗时、耗时均差和历史站内耗时确定第二概率的方式均属于本申请的保护范围。
步骤S104,根据所述第一概率、所述第二概率和在各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数。
本实施例中,根据所述客流量数据确定在各历史进站时刻从各站点进站的历史进站人数,并根据第一概率、第二概率和该历史进站人数可确定在未来目标时刻从目标站点出站的人数。
为了准确的确定在未来目标时刻从目标站点出站的人数,在本申请优选的实施例中,根据所述第一概率、所述第二概率和各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数,具体为:
根据所述第一概率、所述第二概率和所述历史进站人数确定所有在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的历史出站人数;
对从各所述历史进站时刻到所述历史目标时刻的所述历史出站人数进行求和,根据求和的结果确定在所述未来目标时刻从所述目标站点出站的人数。
本实施例中,先根据第一概率、第二概率和历史进站人数确定所有在历史进站时刻从各站点进站并在历史目标时刻从目标站点出站的历史出站人数,并对从各历史进站时刻到历史目标时刻的历史出站人数进行求和后,将求和的结果作为在未来目标时刻从目标站点出站的人数。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据第一概率、第二概率和历史进站人数确定在未来目标时刻从目标站点出站的人数的方式均属于本申请的保护范围。
为了准确的确定历史出站人数,在本申请优选的实施例中,根据公式二确定所述历史出站人数,所述公式二具体为:
其中,out(Zi,tx,tw)为所述历史出站人数,m代表各所述站点,n为站点数量,为所述历史进站人数,P(Zm,Zi)为所述第一概率,Zi代表所述目标站点i,tx代表历史进站时刻x,tw代表所述历史目标时刻w。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据第一概率、第二概率和历史进站人数确定历史出站人数的方式均属于本申请的保护范围。
为了准确的确定在未来目标时刻从目标站点出站的人数,在本申请优选的实施例中,根据公式三确定在所述未来目标时刻从所述目标站点出站的人数,所述公式三具体为:
其中,out(Zi,tw)为所述未来目标时刻从所述目标站点出站的人数。
通过应用以上技术方案,根据未来目标时刻的客流量特征要素确定目标流量模式;根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;根据所述第一概率、所述第二概率和在各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数;其中,所述客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,所述历史进站时刻为所述预设历史时长内所述目标流量模式下每天从各所述站点进站的时刻,所述历史目标时刻为所述预设历史时长内每天与所述未来目标时刻对应的时刻,在结合客流量特征要素的基础上,以进站客流和流量模式应用概率密度的方式获得出站的客流量,从而能够获取精确到极细时间粒度的客流量预测值,提高了轨交客流量预测的准确性,并且依赖外部数据较少,提高了预测效率。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
本申请实施例提出一种轨交客流量的预测方法,包括以下步骤:
(一)获取预设历史时长内客流量数据。
(二)流量模式
基于预设历史时长内客流量数据,加入日期、天气、节假日等维度特征,并引入时间(早晚高峰、日常时间)标记,构建不同流量模式组,如图2所示。
(三)进出站概率
P(Zi,Zj)是从站Zi进而站Zj出站的概率,如图3所示为进出站概率示意图。
计算不同流量模式下从站Zi进站并从站Zj出站的概率:
其中:
NZi为预设历史时长内的进入站Zi的进站人数;
M(Zi,Zj)为预设历史时长内从站Zi进站并从站Zj出站的人数。
如图4所示为进出站概率分布表。
(四)行程耗时分布
1、平均耗时
μ(Zi,Zj):从站Zi到站Zj的平均耗时,如图5所示为平均耗时示意图。
计算不同流量模式下从站Zi进站并从站Zj出站的平均耗时:
其中:
sum(time):从站Zi进站并从站Zj出站的所有人的耗时总和;
M(Zi,Zj):预设历史时长内从站Zi进站并从站Zj出站的人数。
如图6所示为平均耗时分布表。
2、耗时均差
σ(Zi,Zj):从站Zi进站并从站Zj出站的耗时分布的均差,如图7所示为耗时均差示意图。
其中,xi表示各所述站内耗时,N表示各站内耗时的数量,σ为所述耗时均差,μ为所述人均耗时。
如图8所示为耗时均差分布表。
3、耗时分布特征
通过分析耗时分布,发现基本符合正态分布,如图9所示。
(五)出站流量预测
根据未来“某时刻w”的客流量特征要素确定目标流量模式,以下步骤中各参数是基于与目标流量模式对应的客流量数据确定的。
σ(Zm,Zi)为从站m进站并从站i出站的耗时均差;
μ(Zm,Zi)为从站m进站并从站i出站的人均耗时;
1≤m≤n,n为站点数量。
其中,out(Zi,tx,tw)为所有在时刻x从各站点进站并在时刻w从站i出站的人数,即所述历史出站人数;
P(Zm,Zi)为从站m进站并从站i出站的概率,即所述第一概率;
Zi代表所述目标站点i;
tx代表历史进站时刻x,tw代表所述历史目标时刻w,时刻x即时刻tx,时刻w即时刻tw。
其中,out(Zi,tw)为未来“某时刻w”从“站i”出站的人数,即所述未来目标时刻从所述目标站点出站的人数。
与本申请实施例中的轨交客流量的预测方法相对应,本申请实施例还提出了一种轨交客流量的预测设备,如图10所示,所述设备包括:
第一确定模块201,用于根据未来目标时刻的客流量特征要素确定目标流量模式;
第二确定模块202,用于根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;
第三确定模块203,用于根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;
第四确定模块204,用于根据所述第一概率、所述第二概率和各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数;
其中,所述客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,所述历史进站时刻为所述预设历史时长内所述目标流量模式下每天从各所述站点进站的时刻,所述历史目标时刻为所述预设历史时长内每天与所述未来目标时刻对应的时刻。
在本申请具体的应用场景中,所述第二确定模块202,具体用于:
根据所述客流量数据中从各所述站点进站的进站人数和从各所述站点进站并从所述目标站点出站的出站人数的比值确定所述第一概率;
根据所述出站人数的站内耗时总和与所述出站人数的比值确定所述人均耗时;
根据所述人均耗时和从各所述站点进站并从所述目标站点出站的站内耗时确定所述耗时均差。
在本申请具体的应用场景中,所述第三确定模块203,具体用于:
根据公式一确定所述第二概率,所述公式一具体为:
在本申请具体的应用场景中,所述第四确定模块204,具体用于:
根据所述第一概率、所述第二概率和所述历史进站人数确定所有在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的历史出站人数;
对从各所述历史进站时刻到所述历史目标时刻的所述历史出站人数进行求和,根据求和的结果确定在所述未来目标时刻从所述目标站点出站的人数。
在本申请具体的应用场景中,所述第四确定模块204,还具体用于:
根据公式二确定所述历史出站人数,所述公式二具体为:
其中,out(Zi,tx,tw)为所述历史出站人数,m代表各所述站点,n为站点数量,为所述历史进站人数,P(Zm,Zi)为所述第一概率,Zi代表所述目标站点i,tx代表历史进站时刻x,tw代表所述历史目标时刻w。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解: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,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种轨交客流量的预测方法,其特征在于,所述方法包括:
根据未来目标时刻的客流量特征要素确定目标流量模式;
根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;
根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;
根据所述第一概率、所述第二概率和在各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数;
其中,所述客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,所述历史进站时刻为所述预设历史时长内所述目标流量模式下每天从各所述站点进站的时刻,所述历史目标时刻为所述预设历史时长内每天与所述未来目标时刻对应的时刻。
2.如权利要求1所述的方法,其特征在于,根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交路线上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差,具体为:
根据所述客流量数据中从各所述站点进站的进站人数和从各所述站点进站并从所述目标站点出站的出站人数的比值确定所述第一概率;
根据所述出站人数的站内耗时总和与所述出站人数的比值确定所述人均耗时;
根据所述人均耗时和从各所述站点进站并从所述目标站点出站的站内耗时确定所述耗时均差。
4.如权利要求3所述的方法,其特征在于,根据所述第一概率、所述第二概率和各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数,具体为:
根据所述第一概率、所述第二概率和所述历史进站人数确定所有在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的历史出站人数;
对从各所述历史进站时刻到所述历史目标时刻的所述历史出站人数进行求和,根据求和的结果确定在所述未来目标时刻从所述目标站点出站的人数。
6.一种轨交客流量的预测设备,其特征在于,所述设备包括:
第一确定模块,用于根据未来目标时刻的客流量特征要素确定目标流量模式;
第二确定模块,用于根据预设历史时长内与所述目标流量模式对应的客流量数据确定轨交线路上从各站点进站并从目标站点出站的第一概率、人均耗时和耗时均差;
第三确定模块,用于根据所述人均耗时、所述耗时均差和从历史进站时刻到历史目标时刻之间的历史站内耗时确定在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的第二概率;
第四确定模块,用于根据所述第一概率、所述第二概率和各所述历史进站时刻从各所述站点进站的历史进站人数确定在所述未来目标时刻从所述目标站点出站的人数;
其中,所述客流量特征要素是根据影响客流量的预设维度特征和预设时间标记确定的,所述历史进站时刻为所述预设历史时长内所述目标流量模式下每天从各所述站点进站的时刻,所述历史目标时刻为所述预设历史时长内每天与所述未来目标时刻对应的时刻。
7.如权利要求6所述的设备,其特征在于,所述第二确定模块,具体用于:
根据所述客流量数据中从各所述站点进站的进站人数和从各所述站点进站并从所述目标站点出站的出站人数的比值确定所述第一概率;
根据所述出站人数的站内耗时总和与所述出站人数的比值确定所述人均耗时;
根据所述人均耗时和从各所述站点进站并从所述目标站点出站的站内耗时确定所述耗时均差。
9.如权利要求8所述的设备,其特征在于,所述第四确定模块,具体用于:
根据所述第一概率、所述第二概率和所述历史进站人数确定所有在所述历史进站时刻从各所述站点进站并在所述历史目标时刻从所述目标站点出站的历史出站人数;
对从各所述历史进站时刻到所述历史目标时刻的所述历史出站人数进行求和,根据求和的结果确定在所述未来目标时刻从所述目标站点出站的人数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651976.5A CN113393029B (zh) | 2021-06-11 | 2021-06-11 | 一种轨交客流量的预测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651976.5A CN113393029B (zh) | 2021-06-11 | 2021-06-11 | 一种轨交客流量的预测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393029A true CN113393029A (zh) | 2021-09-14 |
CN113393029B CN113393029B (zh) | 2023-11-17 |
Family
ID=77620407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110651976.5A Active CN113393029B (zh) | 2021-06-11 | 2021-06-11 | 一种轨交客流量的预测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393029B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808184A (zh) * | 2024-02-29 | 2024-04-02 | 成都汇辙科技有限公司 | 一种全生产要素驱动的城市轨道交通服务管理*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
WO2020019976A1 (zh) * | 2018-07-27 | 2020-01-30 | 阿里巴巴集团控股有限公司 | 一种期望时长区间确定方法、行程验证方法及装置 |
CN111582605A (zh) * | 2020-05-21 | 2020-08-25 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN112488388A (zh) * | 2020-11-30 | 2021-03-12 | 佳都新太科技股份有限公司 | 基于概率分布的出站客流预测方法及装置 |
CN112686417A (zh) * | 2019-10-18 | 2021-04-20 | 深圳先进技术研究院 | 一种地铁大客流预测方法、***及电子设备 |
-
2021
- 2021-06-11 CN CN202110651976.5A patent/CN113393029B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
WO2020019976A1 (zh) * | 2018-07-27 | 2020-01-30 | 阿里巴巴集团控股有限公司 | 一种期望时长区间确定方法、行程验证方法及装置 |
CN112686417A (zh) * | 2019-10-18 | 2021-04-20 | 深圳先进技术研究院 | 一种地铁大客流预测方法、***及电子设备 |
CN111582605A (zh) * | 2020-05-21 | 2020-08-25 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN112488388A (zh) * | 2020-11-30 | 2021-03-12 | 佳都新太科技股份有限公司 | 基于概率分布的出站客流预测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808184A (zh) * | 2024-02-29 | 2024-04-02 | 成都汇辙科技有限公司 | 一种全生产要素驱动的城市轨道交通服务管理*** |
CN117808184B (zh) * | 2024-02-29 | 2024-05-10 | 成都汇辙科技有限公司 | 一种全生产要素驱动的城市轨道交通服务管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN113393029B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Toqué et al. | Short & long term forecasting of multimodal transport passenger flows with machine learning methods | |
CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
Wang et al. | Passenger-demands-oriented train scheduling for an urban rail transit network | |
CN105575108B (zh) | 一种智能公交调度运营方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测***和方法 | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN107358319A (zh) | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 | |
CN107564270A (zh) | 一种智能公交调度运营方法 | |
CN113920769B (zh) | 一种基于公交多源数据分析的智能排班表生成方法 | |
CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
Liu et al. | Smart card data-centric replication of the multi-modal public transport system in Singapore | |
CN110444008B (zh) | 一种车辆调度方法及装置 | |
Jansen et al. | Minimizing passenger transfer times in public transport timetables | |
CN114037158A (zh) | 一种基于od路径的客流预测方法及应用方法 | |
CN110211379A (zh) | 一种基于机器学习的公共交通调度优化方法 | |
CN111882097A (zh) | 一种车辆维护人员调度方法和*** | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真***及方法 | |
CN113393029A (zh) | 一种轨交客流量的预测方法和设备 | |
CN115759639A (zh) | 基于小样本增量学习的非租还高发期共享单车调度方法 | |
Jiang et al. | A unified probabilistic framework for spatiotemporal passenger crowdedness inference within urban rail transit network | |
Vlasov et al. | Ground urban passenger transport in a period of digital transformation | |
Rusca et al. | Algorithm for traffic allocation when are developed park and ride facilities | |
CN113345216B (zh) | 一种面向大型活动的车辆调度方法 | |
Yin et al. | A two-stage stochastic optimization model for passenger-oriented metro rescheduling with backup trains | |
Sang et al. | Research on optimization of customized bus routes based on uncertainty theory |
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 |