CN115545360A - 基于孪生场景的客流出行预测的处理方法和*** - Google Patents

基于孪生场景的客流出行预测的处理方法和*** Download PDF

Info

Publication number
CN115545360A
CN115545360A CN202211528070.5A CN202211528070A CN115545360A CN 115545360 A CN115545360 A CN 115545360A CN 202211528070 A CN202211528070 A CN 202211528070A CN 115545360 A CN115545360 A CN 115545360A
Authority
CN
China
Prior art keywords
data
passenger flow
section
determining
digital twin
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
Application number
CN202211528070.5A
Other languages
English (en)
Other versions
CN115545360B (zh
Inventor
云旭
朱丽云
朱子玉
张盈盈
高永�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jiaoyan Intelligent Technology Co ltd
Original Assignee
Beijing Jiaoyan Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jiaoyan Intelligent Technology Co ltd filed Critical Beijing Jiaoyan Intelligent Technology Co ltd
Priority to CN202211528070.5A priority Critical patent/CN115545360B/zh
Publication of CN115545360A publication Critical patent/CN115545360A/zh
Application granted granted Critical
Publication of CN115545360B publication Critical patent/CN115545360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于孪生场景的客流出行预测的处理方法和***，涉及客流预测技术领域。该方法包括：获取目标区域内客流位于第一断面的断面流量数据；根据断面流量数据，确定目标区域内客流的出行链数据；出行链数据包括客流在至少两个断面的出行数据；根据至少两个断面的出行数据，构建第一数字孪生模型；根据断面流量数据，构建第二数字孪生模型；根据第一数字孪生模型和第二数字孪生模型，预测客流前往第二断面的客流数据。本申请的方案，构建用于出行预测的第一和第二数字孪生模型，有助于实时准确掌握人群流动情况和对不同断面的选择行为，提升实时检测与协同管控能力。

Description

基于孪生场景的客流出行预测的处理方法和***
技术领域
本申请涉及客流预测技术领域，特别是指一种基于孪生场景的客流出行预测的处理方法和***。
背景技术
随着信息化智能化技术的发展，数据采集能力和实时检测能力得以迅速提升，在诸如园区、大型商场、枢纽等内部布设视频监控、闸机、红外客流等感知技术实现了人流的实时检测，同时获取了丰富的多源大数据，其为人流特征提取、需求预测、方案组织优化等方面奠定了数据基础。现有技术大多结合多源数据实现了断面流量预测，难以满足管理者精准掌握客流需求，预测结果难以支撑对人流行为的诱导。
在一相关技术中采用时序预测的方法，对人群抵离量与断面流量进行研究，而出行决策行为在不同功能区的活动存在相关性，在模型方法构建过程中难以反应不同功能区之间断面的联系关系。此外，对于断面流量预测的方法依赖于历史检测器观测数据，当检测器发生错误、观测误差等问题时无法准确预测断面流量，此外，难以满足检测器布置不连贯而又想获取未布置检测器断面流量的需求。
另一相关技术中，基于效用理论和概率选择模型描述出行决策方式选择行为，然而影响方式选择的个体特征因素一般均由人工调查问卷的形式获取，在数据获取形式上成本高、时效性差，难以满足模型更新与参数循环迭代的要求。
发明内容
本申请的目的是提供一种基于孪生场景的客流出行预测的处理方法和***，以实现任意断面的客流预测，解决相关技术中断面处的检测器不连续、检测数据误差大的问题。
为达到上述目的，本申请的实施例提供一种基于孪生场景的客流出行预测的处理方法，包括：
获取目标区域内客流位于第一断面的断面流量数据；
根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据；所述出行链数据包括所述客流在至少两个断面的出行数据；
根据至少两个断面的所述出行数据，构建第一数字孪生模型；
根据所述断面流量数据，构建第二数字孪生模型；
根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据。
可选地，根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据，包括：
根据所述第一数字孪生模型，确定选择所述第二断面的第一概率；
根据所述第二数字孪生模型，确定所述第一断面的第一预测客流数据；
获取所述第一断面的第一实时监测数据；
根据所述第一概率、所述第一实时监测数据与预设的第一权重，以及所述第一预测客流数据与预设的第二权重，预测所述客流前往第二断面的客流数据。
可选地，根据所述第一概率、所述第一实时监测数据与预设的第一权重，以及所述第一预测客流数据与预设的第二权重，预测所述客流前往第二断面的客流数据，包括：
确定所述第一概率、所述第一实时监测数据与所述第一权重三者之间的第一乘积；
确定所述第一预测客流数据与所述第二权重之间的第二乘积；
将所述第一乘积与所述第二乘积之和，确定为预测所述客流前往第二断面的客流数据；
其中，在所述第一断面的断面流量数据为零或者数据异常的情况下，所述第二权重为零。
可选地，根据至少两个断面的所述出行数据，构建第一数字孪生模型，包括：
根据所述断面的所述出行数据，确定不同断面之间的关联性；
根据不同断面之间的关联性，构建三层选择关系树；
确定每层选择关系树的选择概率以及对应的效用函数；
根据每层对应的所述选择概率和所述效用函数，构建第一数字孪生模型。
可选地，在所述第二断面与所述第一断面之间存在至少一断面的情况下，所述方法还包括：
获取所述第一断面的第二实时监测数据；
确定所述第一概率、所述第二实时监测数据和第一权重三者之间的第三乘积；
确定所述第一预测客流数据与所述第二权重之间的第四乘积；
将所述第三乘积与所述第四乘积之和，确定为预测所述客流前往第二断面的客流数据。
可选地，上述方法还包括：
获取在第一时间窗所述第二断面的第三实时监测数据；
根据第二时间窗、所述第一数字孪生模型和所述第二数字孪生模型，确定在所述第一时间窗的所述第二断面的预测客流数据；所述第二时间窗对应时间段位于所述第一时间窗对应的时间段之前；
根据所述第三实时监测数据与所述预测客流数据，确定在所述第二时间窗内的均方误差；
根据所述均方误差，修正所述第二断面的客流数据。
可选地，根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据，包括：
根据所述断面流量数据，确定每个断面的客流数据；
根据所述每个断面的客流数据，确定客流的出行数据；所述出行数据包括：客流的客流标识符、客流当前位置、客流到达所述当前位置的时刻，以及客流在所述当前位置的消耗时间；
根据所述客流的出行数据，确定所述目标区域内所述客流的出行链数据。
可选地，根据所述每个断面的客流数据，确定客流的出行数据，包括：
根据所述每个断面的客流数据，确定每个断面的识别特征数据；
根据所述识别特征数据和预设关联算法，确定客流的出行数据。
可选地，所述识别特征数据包括以下至少一项：
每个断面的客流数据的数据类型；
断面之间的距离特征；
断面的环境特征；
客流个体特征；
天气特征；
日期特征。
为达到上述目的，本申请的实施例还提供一种基于孪生场景的客流出行预测的处理***，包括：
第一获取模块，用于获取目标区域内客流位于第一断面的断面流量数据；
第一确定模块，用于根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据；所述出行链数据上包括所述客流在至少两个断面的出行数据；
第一构建模块，用于根据至少两个断面的所述出行数据，构建第一数字孪生模型；
第二构建模块，用于根据所述断面流量数据，构建第二数字孪生模型；
第一处理模块，用于根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据。
为达到上述目的，本申请的实施例还提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上任一项所述的基于孪生场景的客流出行预测的处理方法中的步骤。
本申请的上述技术方案的有益效果如下：
上述技术方案中，通过获取目标区域内客流位于第一断面的断面流量数据，确定目标区域内客流的出行链数据；出行链数据包括客流在至少两个断面的出行数据；根据至少两个断面的出行数据，构建第一数字孪生模型；根据断面流量数据，构建第二数字孪生模型；根据第一数字孪生模型和第二数字孪生模型，预测客流前往第二断面的客流数据，采用该方案，构建了用于出行预测的第一、第二数字孪生模型，实现了对未布设检测器或检测器数据异常的情况下也能精准预测断面客流，有助于实时准确掌握人群流动情况和对不同断面的选择行为，提升实时检测与协同管控能力。
附图说明
图1为本申请实施例提供的基于孪生场景的客流出行预测的处理方法的流程示意图；
图2为本申请实施例提供的第一数字孪生模型的结构示意图；
图3为本申请实施例提供的断面客流预测的应用示意图之一；
图4为本申请实施例提供的动态反馈模型的示意图；
图5为图4中各设备提供的断面客流预测的应用示意图之二；
图6为本申请实施例提供的基于动态反馈的出行决策孪生场景的示意图；
图7为本申请实施例提供的循环迭代与预测标定的示意图；
图8为本申请实施例提供的基于孪生场景的客流出行预测的处理***的结构示意图。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
另外，本文中术语“***”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中，应理解，“与A 相应的B”表示B 与A 相关联，根据A可以确定B。但还应理解，根据A 确定B 并不意味着仅仅根据A 确定B，还可以根据A 和/或其它信息确定B。
如图1所示，本申请实施例提供一种基于孪生场景的客流出行预测的处理方法，包括：
步骤101、获取目标区域内客流位于第一断面的断面流量数据。
该步骤中，断面流量数据可以为旅客、路口和/或断面的客流数据。第一断面可以表示为社区、园区、枢纽、商场、体育馆等大型建筑或建筑群内的功能区或路口，获取第一断面的断面流量数据的可以在客流到达后，通过第一断面的各种检测设备检测统计断面的客流量。检测设备或检测设备的实现包括但不限于：视频检测、激光检测、红外检测、手机信令、无线定位、手机探针、二维码感知等技术。
步骤102、根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据；所述出行链数据包括所述客流在至少两个断面的出行数据。
这里，出行链可以看作每一小段出行构成，在具体场景（目标区域）中出行可以看作不同功能区之间的流动(例如机场场景中的功能区包括但不限于值机、闸机、安检、公共交通候车区、餐饮区等)，而出行链可以看作从进入到离开具体场景（目标区域）这一完成过程。
步骤103、根据至少两个断面的所述出行数据，构建第一数字孪生模型。
该实施例中，考虑客流的决策行为，由于不同断面客流抵达与停留存在相关性（例如，当乘客下机到达枢纽后，先选择是否提取行李，后决定通过何种交通方式离开），分析断面的关联性，根据至少两个断面的所述出行数据，构建第一数字孪生模型，第一数字孪生模型可以为多层巢式模型。
步骤104、根据所述断面流量数据，构建第二数字孪生模型。
相比于传统整合移动平均自回归模型（Autoregressive Integrated MovingAverage model，ARIMA模型），循环神经网络（Recurrent Neural Network, RNN）对时间序列预测性能更强。改进RNN的长短期记忆网络（LSTM），可有效缓解RNN的梯度消失或者梯度***问题，打破短时记忆的限制，门控循环单元（GRU）为LSTM的简化模型。LSTM循环隐层的基本单元是记忆模块。
该记忆模块由一个能存储时间状态的自连接记忆单元和三个自适应乘法门控单元组成，即输入门、输出门和遗忘门。本申请将特征选择后的影响因素(断面流量数据)作为模型的输入变量，通过调试优化模型从而确定模型参数，构建第二数字孪生模型，实现对功能区或断面的客流量预测。
进一步地，第二数字孪生模型（短时客流预测模型）可以通过公式（1）表示，公式（1）如下：
Figure 129834DEST_PATH_IMAGE001
，公式（1）
其中，
Figure 858755DEST_PATH_IMAGE002
表示为某区域在i时刻的实时客流，
Figure 750619DEST_PATH_IMAGE003
为第二数字孪生模型预测算法的通用表达形式，最终通过预测算法，计算得到（i+1）时刻的客流
Figure 248597DEST_PATH_IMAGE004
。
步骤105、根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据。
本申请中，通过上述的第一、第二数字孪生模型，实现了决策行为与客流总量的校核，避免了由于检测器故障或数量不足导致的输入数据质量不好，从而造成误差较大的原因，能够预测任意断面的客流需求。本申请中可以应用于枢纽、大型比赛场馆等场景的预测；在应用于预测路口时，还可以实现车辆轨迹的还原。
可选地，上述的步骤103，包括：
步骤106、根据所述断面的所述出行数据，确定不同断面之间的关联性；
步骤107、根据不同断面之间的关联性，构建三层选择关系树；
步骤108、确定每层选择关系树的选择概率以及对应的效用函数；
步骤109、根据每层对应的所述选择概率和所述效用函数，构建第一数字孪生模型。
本申请中，出行链可以看作客流不同功能区做出选择后的叠加效果。常用的决策选择模型可分为集计模型和非集计模型。其中，非集计模型是以个人为单位构造模型来确定选择概率由于旅客完整出行链是由多个决策点共同作用的结果。因此，在步骤106和步骤107中，选取多层巢式(Nested Logit，NL)模型，该模型根据断面的所述出行数据，确定不同断面之间的关联性，该模型通过公式（2）至公式（5）的表达。公式（2）至公式（5）如下：
Figure 816981DEST_PATH_IMAGE005
，公式（2）；
Figure 33199DEST_PATH_IMAGE006
，公式（3）；
Figure 725824DEST_PATH_IMAGE007
，公式（4）；
Figure 140625DEST_PATH_IMAGE008
，公式（5）；
该模型的三层选择关系树参照图2所示，在公式（2）至公式（5）中：
Figure 83173DEST_PATH_IMAGE009
为客流在出行链起点做出的选择a，叠加依次在不同断面做出的选择i和j。例如，在一机场场景中，客流下飞机到达候车大厅，选择“行李提取-餐饮-轨道交通候车”。
Figure 334157DEST_PATH_IMAGE010
为上层模型的选择概率，
Figure 754774DEST_PATH_IMAGE011
为在选择a的条件下选择i的条件概率，
Figure 289660DEST_PATH_IMAGE012
为在选择a和i的条件下选择j的条件概率。
Figure 137531DEST_PATH_IMAGE013
、
Figure 875811DEST_PATH_IMAGE014
和
Figure 100119DEST_PATH_IMAGE015
表示各选择层的效用函数，
Figure 489512DEST_PATH_IMAGE016
表示各层效用的联系，e为自然对数的底数，
Figure 586912DEST_PATH_IMAGE017
、
Figure 999439DEST_PATH_IMAGE018
、
Figure 824175DEST_PATH_IMAGE019
分别为a层、i层和j层的不同待标定参数，
Figure 5758DEST_PATH_IMAGE020
为选择a中的任意待选择变量，标号为从1至A，A为选择a中的所有选择变量个数，
Figure 276989DEST_PATH_IMAGE021
与I，
Figure 176812DEST_PATH_IMAGE022
与J同理。
其中，第一层效用函数通过公式（6）和公式（7）表示：
Figure 805239DEST_PATH_IMAGE023
，公式（6）；
Figure 841328DEST_PATH_IMAGE024
，公式（7）；
其中，第二层效用函数通过公式（8）和公式（9）表示：
Figure 280531DEST_PATH_IMAGE025
，公式（8）；
Figure 667650DEST_PATH_IMAGE026
，公式（9）；
其中，第二层效用函数通过公式（10）表示：
Figure 834189DEST_PATH_IMAGE027
，公式（10）；
上述的公式（6）至公式（10）中：
Figure 990364DEST_PATH_IMAGE028
为变量参数；
Figure 600468DEST_PATH_IMAGE029
为各阶段模型中影响效用函数的变量；k为参与第三层模型中效用函数中变量的个数；
Figure 271621DEST_PATH_IMAGE030
为参与第二层模型中效用函数中变量的个数；
Figure 445113DEST_PATH_IMAGE031
为参与第一层模型中效用函数中变量的个数；
Figure 268844DEST_PATH_IMAGE032
为待估计参数。
本申请实施例中，通过检测器识别旅客特征因素较多，为简化该模型结构，在模型参数标定前应先研究不同因素对模型的影响程度，通过相关性分析筛选出强相关的因素。此外当进行下一时间窗预测时，旅客出行链预测模型应输入上一时间窗内旅客的出行链数据和旅客出行特征数据，以此修正模型的标定参数。
由于不同断面客流抵达与停留存在相关性（例如，当乘客下机到达枢纽后，先选择是否提取行李，后决定通过何种交通方式离开），分析不同断面的关联性，建立多层巢式模型（第一数字孪生模型），考虑了客流的决策行为。
在第二断面与第一断面相邻的情况下，上述的步骤105，包括：
步骤110、根据所述第一数字孪生模型，确定选择所述第二断面的第一概率。
步骤111、根据所述第二数字孪生模型，确定所述第一断面的第一预测客流数据；
步骤112、获取所述第一断面的第一实时监测数据；
步骤113、根据所述第一概率、所述第一实时监测数据与预设的第一权重，以及所述第一预测客流数据与预设的第二权重，预测所述客流前往第二断面的客流数据。
本申请中，通过第一数字孪生模型和第二数字孪生模型，组建出行决策组合模型。该出行决策组合模型，基于相邻断面的数据进行预测，保证了预测数据的准确性。
该实施例中的第一数字孪生和第二数字孪生模型能够并行计算。当客流较大时，传统模型在计算上存在一定的计算负荷，导致计算时间慢。而第一数字孪生和第二数字孪生模型能够在空间上对不同客流的关联性解耦。客流在枢纽内的选择路径较多，而路径之间不存在关联性（例如A→B→C与A→D→E），因此可将客流分群体计算。
可选地，上述的步骤113，包括：
步骤114、确定所述第一概率、所述第一实时监测数据与所述第一权重三者之间的第一乘积；
步骤115、确定所述第一预测客流数据与所述第二权重之间的第二乘积；
步骤116、将所述第一乘积与所述第二乘积之和，确定为预测所述客流前往第二断面的客流数据；
其中，在所述第一断面的断面流量数据为零或者数据异常的情况下，所述第二权重为零。
在一可实现方式中，参照图3所示，假设断面A为出行链的起始断面（例如A为乘客下机区域），并假设起始断面的检测器是正常工作的，能够在时间窗i内持续的监测客流，通过枢纽（或航班）实时检测数据，能够获得
Figure 236800DEST_PATH_IMAGE033
。
则对于断面B，其i+1时间窗的客流为：
Figure 395249DEST_PATH_IMAGE034
，公式（11）；
同理，断面C在i+1时间窗的客流为:
Figure 651393DEST_PATH_IMAGE035
，公式（12）；
递进的，断面k+1在i+1时间窗的客流为：
Figure 782160DEST_PATH_IMAGE036
，公式（13）；
其中，
Figure 983334DEST_PATH_IMAGE037
表示为根据第二数字孪生模型，确定第一断面的第一预测客流数据，即第二数字孪生模型预测得到的客流数；P为根据第一数字孪生模型，确定选择第二断面的第一概率，即多层巢式模型计算出的选择概率；k为客流出行链中断面（枢纽断面）的次序；
Figure 379812DEST_PATH_IMAGE038
和
Figure 629528DEST_PATH_IMAGE039
分别为第一数字孪生模型和第二数字孪生模型预测客流的权重占比，由实际客流标定计算得到。
本申请中，上述的公式（11）至公式（13）均是步骤114至步骤116得到的，公式（11）至公式（13）为递推公式，当获取到第一个出行链断面A的客流后，就能依次推出A断面的后续客流，实现各个断面的预测。
进一步地，步骤116中，若待预测断面没有历史客流，或由于检测器设备导致客流数据发生明显错误，无法使用，则此时令
Figure 677118DEST_PATH_IMAGE039
为0，也就是，在所述第一断面的断面流量数据为零或者数据异常的情况下，第二权重为零，可理解为，预测的客流由多层巢式选择模型计算得到，即预测客流前往第二断面的客流数据，可以通过公式（14）表示：
Figure 986877DEST_PATH_IMAGE040
，公式（14）。
本申请实现了对未布设检测器或检测器数据异常的情况下也能精准预测断面客流。
在所述第二断面与所述第一断面之间存在至少一断面的情况下，上述的方法还包括：
步骤117、获取所述第一断面的第二实时监测数据；
步骤118、确定所述第一概率、所述第二实时监测数据和第一权重三者之间的第三乘积；
步骤119、确定所述第一预测客流数据与所述第二权重之间的第四乘积；
步骤120、将所述第三乘积与所述第四乘积之和，确定为预测所述客流前往第二断面的客流数据。
参照图4所示，时间窗i+1内实时监测的客流，即步骤117获取的第一断面的第二实时监测数据；在当前时间窗下，考虑实时检测的客流数据，作为数据输入到模型中作为反馈，以此矫正误差，实现动态反馈，实时数据更新作用可以正向推导预测客流。
在一可选实现方式中，参照图5所示，行为决策组合模型即为上述第一数字孪生模型和第二数字孪生模型的组合模型；通过步骤117和步骤120正向推导预测客流前往第二断面的客流数据，可以实现通过断面A的数据，预测断面C的客流数据，具体可以通过公式（15）表示。
根据行为决策组合模型在时间窗i+1预测的客流为：
Figure 870650DEST_PATH_IMAGE041
，公式（15）；
在公式（15）中，考虑了条件概率下乘客的出行决策行为，而当时间窗i+1内检测到断面B的实际客流时，计算过程不再由上述公式（14）计算断面在i+1时间窗的客流预测结果，而是实时带入时间窗i+1内的客流
Figure 986374DEST_PATH_IMAGE042
，因此，公式（15）可更改为公式（16）；
Figure 826154DEST_PATH_IMAGE043
，公式（16）；其中，
Figure 119863DEST_PATH_IMAGE042
为时刻（i+1）的断面B监测到的实时客流。
公式（16）表示的含义为：以断面C为例，预测断面C的客流可以通过上一个断面B的实时监测客流进行预测，从而代替公式（15）中通过第一个断面A监测客流预测。公式（16）适用于待预测断面的上一个断面布设有检测器并能够正确获取客流的情况，而公式（15）适用于待预测断面的上一个断面没有布设检测器或检测器出现较大误差的情况。
需要说明的是，出行决策场景的构建应同时满足准确性和实时性的需求。由于社区、园区、枢纽、商场、体育馆等大型建筑或建筑群内功能区复杂，客流需求多样，多种诱导信息影响出行决策与路径选择，因此不能局限于断面预测，而应实时掌握出行决策行为。可选地，上述的方法还包括：
步骤121、获取在第一时间窗所述第二断面的第三实时监测数据。
这里，第二断面表示为断面（k+1）、第一时间窗表示为时间窗（i+1）时，获取在第一时间窗第二断面的第三实时监测数据，可以表示为实时检测到断面（k+1）的时间窗（i+1）的客流为
Figure 412304DEST_PATH_IMAGE044
。
步骤122、根据第二时间窗、所述第一数字孪生模型和所述第二数字孪生模型，确定在所述第一时间窗的所述第二断面的预测客流数据；所述第二时间窗对应时间段位于所述第一时间窗对应的时间段之前。
本申请中，人群到达在不同的时刻呈现一定的变化规律，因此上述公式（6）、公式（8）、公式（10）中的
Figure 331718DEST_PATH_IMAGE028
、公式（16）中的
Figure 853703DEST_PATH_IMAGE038
、
Figure 505264DEST_PATH_IMAGE039
应是与时间相关的函数，即为
Figure 612897DEST_PATH_IMAGE045
、
Figure 8106DEST_PATH_IMAGE046
和
Figure 369949DEST_PATH_IMAGE047
，根据第一数字孪生模型和第二数字孪生模型，可以确定一个出行决策组合的时间模型为
Figure 457991DEST_PATH_IMAGE048
。该步骤中，第二时间窗对应时间段位于第一时间窗对应的时间段之前的一个时间窗，因此，第二时间窗表示为时间窗i，将时间窗i输入时间模型为
Figure 787341DEST_PATH_IMAGE048
，可以确定时间窗i+1的客流为
Figure 533711DEST_PATH_IMAGE049
。
具体的，时间模型为
Figure 202590DEST_PATH_IMAGE048
通过公式（17）表示：
Figure 523850DEST_PATH_IMAGE050
，公式（17）。
步骤123、根据所述第三实时监测数据与所述预测客流数据，确定在所述第二时间窗内的均方误差；
步骤124、根据所述均方误差，修正所述第二断面的客流数据。
本申请结合步骤123和步骤124可以确定第二时间窗i内观测值与预测值的总均方误差，根据总均方误差，修正所述第二断面的客流数据。总均方误差可以通过公式（18）表示：
Figure 12600DEST_PATH_IMAGE051
，公式（18）；
对于研究场景所有功能区在每个时间窗i下，误差函数E的建立均能保证参数的选取使得观测值与预测值误差最小。通过模拟退火、遗传算法等智能算法对
Figure 828240DEST_PATH_IMAGE052
求解得到最优参数
Figure 413942DEST_PATH_IMAGE053
，完成当前时间窗参数更新后，即可利用当前模型计算预测下一时间窗下的客流，迭代实现参数更新与预测。
本申请实现了动态反馈机制。建立出行决策模型，通过检测设备提取出行特征，识别出行链，识别结果用于标定出行决策模型。随到达波次增加或随日期的增加，通过实时获取的数据不断标定模型参数，使模型准确度提升。相较于传统决策模型人工调查的标定方法，基于大数据检测设备标定实现了动态反馈、迭代标参，解决了预测仅依赖于断面的问题，在动态反馈框架下考虑时序与断面关联性，基于实时检测数据实现了出行决策孪生场景的构建，使模型具有了实时更新的能力。
可选地，上述的步骤102，包括：
步骤125、根据所述断面流量数据，确定每个断面的客流数据。
这里，通过断面流量数据，统计各个布设在断面的客流数量。采集不同类型的数据后需进行降噪处理。
步骤126、根据所述每个断面的客流数据，确定客流的出行数据；所述出行数据包括：客流的客流标识符、客流当前位置、客流到达所述当前位置的时刻，以及客流在所述当前位置的消耗时间。
例如，在机场场景下，出行链的起点可以是远机位的机舱门出口，或靠廊桥机位的机舱门出口，途经点可以是行李提取厅的入口、出口，航站楼不同楼层之间的电梯进出口，终点则可以是陆侧运输方式的起点位置，如城际铁路（含普通轨道交通、普通铁路、高速铁路）的候车厅、机场快轨候车厅、省际巴士候车厅、出租车上车点、网约出租车上车点、自驾车（含自驾小轿车、旅游大巴车等）上车点（一般为停车楼）等。其中重要节点包括廊桥、行李提取区、到达出口等；其中，链路则可以是机场停机坪的摆渡车行驶通道、廊桥到行李提取厅的走廊、不同楼层之间的电梯间，电梯出口到陆侧运输方式的起点位置等。
综合地，从不同断面间的流动性出行来看，通过步骤125至步骤126可以将客流表示为个体标识符、出行链中的关键点（含节点、通道）以及进入该关键点的时刻、在该关键节点的停留或耗费时间等要素来共同描述，其集合通过公式（19）可以表示为：
Figure 578207DEST_PATH_IMAGE054
，公式（19）；
其中，
Figure 629952DEST_PATH_IMAGE055
是客流的唯一标识符，
Figure 170655DEST_PATH_IMAGE056
是出行链的第i段地点（可以是一个节点，也可以一条通道），
Figure 610864DEST_PATH_IMAGE057
是客流
Figure 211609DEST_PATH_IMAGE055
到达
Figure 488001DEST_PATH_IMAGE056
的时刻，
Figure 832395DEST_PATH_IMAGE058
则是客流
Figure 392689DEST_PATH_IMAGE055
在
Figure 711806DEST_PATH_IMAGE056
上消耗的时间，如在行李提取厅的行李提取等候时间，在远机位乘坐摆渡车到达航站楼入口的耗费时间等。该集合可以是对断面流量数据数据处理后，确定断面的客流数据得到的。
步骤127、根据所述客流的出行数据，确定所述目标区域内所述客流的出行链数据。
在该步骤中，根据上述公式（19）的集合，基于时空关联技术实现乘客出行链的识别，最终得到基于上述的出行链识别技术，获取通过提取出行链后，可获得出行链时间、人数分布。目标区域内客流的出行链数据通过公式（20）的五元组来表示：
Figure 928024DEST_PATH_IMAGE059
，公式（20）；
其中，
Figure 872846DEST_PATH_IMAGE060
和
Figure 38379DEST_PATH_IMAGE061
分别表示出行链的起点和终点，
Figure 715348DEST_PATH_IMAGE062
表示不同功能区的到达时刻，
Figure 215600DEST_PATH_IMAGE063
表示该出行链上的经停时间，
Figure 901796DEST_PATH_IMAGE064
表示在该出行链上的人数，它是
Figure 924766DEST_PATH_IMAGE063
的函数。
本申请中，可以确定出目标区域内客流的出行链数据，根据目标区域内所述客流的出行链数据，可以提取旅客的出行特征，为构建后续的行为决策组合模型并实现模型的初步标定实现了技术支撑。
可选地，上述的步骤126，包括：
步骤128、根据所述每个断面的客流数据，确定每个断面的识别特征数据；
该实施例中，对降噪处理后每个断面的客流数据进行特征提取，确定每个断面客流对应的识别特征数据，以便于后续用于出行链的识别。
这里以枢纽为例，考虑客流的走行特征以及感知节点采集的数据类型，确定影响旅客走行路径的因素应包括换乘距离、航班/列车时刻、站内诱导信息等枢纽因素和旅客性别、年龄、停留次数、结伴行为、携带行李大小等个体因素以及天气、节假日等条件因素共同决定。
步骤129、根据所述识别特征数据和预设关联算法，确定客流的出行数据。
本申请中，将确定的识别特征数据依据预设的关联算法，确定不同断面的流行性数据，可以得到客流的个体标识符、出行链中的关键点（含节点、通道）以及进入该关键点的时刻、在该关键节点的停留或耗费时间等要素，从而确定上述公式（19）表达的客流的出行数据。
进一步地，所述识别特征数据包括以下至少一项：
（1）、每个断面的客流数据的数据类型；如以机场场景为例，航班/列车时刻与节假日为0-1变量，如果该预测时间窗内有航班/列车到达，其值为1。
（2）、断面之间的距离特征；基于枢纽数字化建模或人工调查方式实现换乘距离的测量。其中换乘距离为实际走行距离，包含垂直距离与水平距离。
（3）、断面的环境特征。
（4）、客流个体特征；基于视频检测器数据提取客流个体特征。通过行人识别与视频帧提取，以目标检测算法识别，如YOLO（You Only Look Once）为基础识别算法，通过训练-预测的方式实现对旅客性别、年龄、停留次数、结伴行为、携带行李大小等影响因素的识别。
（5）、天气特征；天气作为离散变量，通过建立映射关系实现天气到离散数字的转换。例如，天气列表可以为{晴、多云、阴、阵雨、雷阵雨、雨夹雪、小雨、中雨、大雨、暴雨、大暴雨、特大暴雨、阵雪、小雪、中雪、大雪、暴雪、雾、冻雨、浮尘、扬沙、沙尘暴、霾}，但并不限于该列表的数据。
（6）、日期特征。
其余断面的场景还包括园区、社区、体育馆、大型商场等，均可以提取个体特征、功能区的距离及天气、环境等相关特征。
通过上述识别特征数据的确定，可以为后续建立动态孪生场景提供了数据支撑，从而实现不同功能区或断面的客流预测。
在一具体实现方式中，本申请还提供一种基于动态反馈的出行决策孪生场景，其流程参照图6所示，在客流到达后，通过感知节点监测，即通过各种检测设备检测统计断面的客流量；通过断面的客流量，统计各个布设在断面的客流数量，实现数据降噪与断面统计；针对降噪后的数据，进行特征识别与提取，通过数据融合以及时空关联技术，识别出行链；梳理客流在具体场景不同断面之间的逻辑关系，结合识别的出行链以及不同断面的前后关联性，建立出行决策组合模型，也就是上述的第一数字孪生模型和第二数字孪生模型；根据出行决策组合模型与断面客流数据，预测实现当前断面前往不同断面的比例。
出行决策组合模型包括断面预测与决策行为预测两部分，通过输入断面客流，实现客流在不同断面的决策比例。
需要说明的是，这里会根据实时获取的断面数据进行多次迭代更新出行决策组合模型，以保证出行决策组合模型预测的实时性。
在一可选地实现方式中，参照图7所示，图7表示循环迭代与预测标定（时间窗）的示意图，其中，
Figure 100532DEST_PATH_IMAGE065
表示t时间内观测客流数据；
Figure 25763DEST_PATH_IMAGE066
表示t时间内预测的客流数据；
Figure 63120DEST_PATH_IMAGE067
表示t时间内S(n-1)与S(n)之间未布设检测器断面的预测客流数据。在图7中，空间S表示为建筑或建筑群不同的断面，例如以枢纽为例，S1可以表示为航班到达区，S2可以表示为行李提取区。客流达到波次表示每一次的航班/客流到达的次序，例如每隔若干小时或每天，时间t表示在一次客流达到次序中的时间窗次序，例如15分钟。
每个时间窗次序（t）中都存在由检测设备采集的观测客流数据
Figure 390196DEST_PATH_IMAGE065
和基于观测值和组合预测算法得到的客流
Figure 736864DEST_PATH_IMAGE066
。通过出行决策组合模型的建立，实现对后续功能区的实时更新预测，同时实现对出行决策组合模型的误差反馈与参数更新，即实现了长周期迭代更新模型。此外，出行决策组合模型能够实现对未设有检测器的中间断面进行预测。
综上所述，本申请提供了模型的动态反馈机制。建立出行决策组合模型，即上述的第一数字孪生模型和第二数字孪生模型，通过检测设备提取出行特征，识别出行链，识别结果用于标定出行决策模型。随到达波次增加或随日期的增加，通过实时获取的数据不断标定模型参数，使模型准确度提升。相较于传统决策模型人工调查的标定方法，基于大数据检测设备标定实现了动态反馈、迭代标参，实现了任意断面的客流预测，解决检测器不连续、检测数据误差大的问题。
本申请的第一数字孪生模型考虑了枢纽不同断面（功能区）之间的关联性。一方面，第一数字孪生模型（多层巢式模型）的建立以条件概率的方式考虑了不同功能区之间的客流选择概率，从而体现了断面间的关联。另一方面，检测器实时采集的客流数据能够修正当前功能区或检测断面及其后续位置的预测结果，同时也能够反馈修正该断面之前的预测结果。
本申请的模型能够并行计算。当客流较大时，传统模型在计算上存在一定的计算负荷，导致计算时间慢。而该模型能够在空间上对不同客流的关联性解耦。客流在枢纽内的选择路径较多，而路径之间不存在关联性（例如A→B→C与A→D→E），因此可将客流分群体计算。
本申请中，当某区域发生客流突增或减少时，通过实时检测数据，基于模型考虑时序与空间关联性，能够通过误差反馈及时修正预测结果，相较于传统模型具备更强的预测精准性和实时更新能力。
参照图8所示，本申请实施例还提供一种基于孪生场景的客流出行预测的处理***，包括：
第一获取模块801，用于获取目标区域内客流位于第一断面的断面流量数据；
第一确定模块802，用于根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据；所述出行链数据上包括所述客流在至少两个断面的出行数据；
第一构建模块803，用于根据至少两个断面的所述出行数据，构建第一数字孪生模型；
第二构建模块804，用于根据所述断面流量数据，构建第二数字孪生模型；
第一处理模块805，用于根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据。
本申请实施例中，上述的第一处理模块805，包括：
第一确定单元，用于根据所述第一数字孪生模型，确定选择所述第二断面的第一概率；
第二确定单元，用于根据所述第二数字孪生模型，确定所述第一断面的第一预测客流数据；
第一获取单元，用于获取所述第一断面的第一实时监测数据；
第一处理单元，用于根据所述第一概率、所述第一实时监测数据与预设的第一权重，以及所述第一预测客流数据与预设的第二权重，预测所述客流前往第二断面的客流数据。
可选地，上述的第一处理单元，包括：
第一确定子单元，用于确定所述第一概率、所述第一实时监测数据与所述第一权重三者之间的第一乘积；
第二确定子单元，用于确定所述第一预测客流数据与所述第二权重之间的第二乘积；
第三确定子单元，用于确将所述第一乘积与所述第二乘积之和，确定为预测所述客流前往第二断面的客流数据；
其中，在所述第一断面的断面流量数据为零或者数据异常的情况下，所述第二权重为零。
可选地，上述的第一构建模块803，包括：
第三确定单元，用于根据所述断面的所述出行数据，确定不同断面之间的关联性；
第一构建单元，用于根据不同断面之间的关联性，构建三层选择关系树；
第四确定单元，用于确定每层选择关系树的选择概率以及对应的效用函数；
第二构建单元，用于根据每层对应的所述选择概率和所述效用函数，构建第一数字孪生模型。
本申请实施例中，上述的处理***还包括：
第二获取模块，用于获取所述第一断面的第二实时监测数据；
第二确定模块，用于确定所述第一概率、所述第二实时监测数据和第一权重三者之间的第三乘积；
第三确定模块，用于确定所述第一预测客流数据与所述第二权重之间的第四乘积；
第四确定模块，用于将所述第三乘积与所述第四乘积之和，确定为预测所述客流前往第二断面的客流数据。
本申请实施例中，上述的处理***还包括：
第三获取模块，用于获取在第一时间窗所述第二断面的第三实时监测数据；
第二处理模块，用于根据第二时间窗、所述第一数字孪生模型和所述第二数字孪生模型，确定在所述第一时间窗的所述第二断面的预测客流数据；所述第二时间窗对应时间段位于所述第一时间窗对应的时间段之前；
第五确定模块，用于根据所述第三实时监测数据与所述预测客流数据，确定在所述第二时间窗内的均方误差；
第三处理模块，用于根据所述均方误差，修正所述第二断面的客流数据。
可选地，上述的第一确定模块802，包括：
第五确定单元，用于根据所述断面流量数据，确定每个断面的客流数据；
第六确定单元，用于根据所述每个断面的客流数据，确定客流的出行数据；所述出行数据包括：客流的客流标识符、客流当前位置、客流到达所述当前位置的时刻，以及客流在所述当前位置的消耗时间；
第七确定单元，用于根据所述客流的出行数据，确定所述目标区域内所述客流的出行链数据。
可选地，上述的第六确定单元，包括：
第四确定子单元，用于根据所述每个断面的客流数据，确定每个断面的识别特征数据；
第五确定子单元，用于根据所述识别特征数据和预设关联算法，确定客流的出行数据。
可选地，所述识别特征数据包括以下至少一项：
每个断面的客流数据的数据类型；
断面之间的距离特征；
断面的环境特征；
客流个体特征；
天气特征；
日期特征。
其中，上述基于孪生场景的客流出行预测的处理方法的所述实现实施例均适用于该基于孪生场景的客流出行预测的处理***的实施例中，也能达到相同的技术效果。
本申请实施例的一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的基于孪生场景的客流出行预测的处理方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的基于孪生场景的客流出行预测的处理方法中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等。
上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本申请精神及教示，因此，本申请不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本申请会是完善又完整，且会将本申请范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (11)

1.一种基于孪生场景的客流出行预测的处理方法，其特征在于，包括：
获取目标区域内客流位于第一断面的断面流量数据；
根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据；所述出行链数据包括所述客流在至少两个断面的出行数据；
根据至少两个断面的所述出行数据，构建第一数字孪生模型；
根据所述断面流量数据，构建第二数字孪生模型；
根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据。
2.根据权利要求1所述的方法，其特征在于，根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据，包括：
根据所述第一数字孪生模型，确定选择所述第二断面的第一概率；
根据所述第二数字孪生模型，确定所述第一断面的第一预测客流数据；
获取所述第一断面的第一实时监测数据；
根据所述第一概率、所述第一实时监测数据与预设的第一权重，以及所述第一预测客流数据与预设的第二权重，预测所述客流前往第二断面的客流数据。
3.根据权利要求2所述的方法，其特征在于，根据所述第一概率、所述第一实时监测数据与预设的第一权重，以及所述第一预测客流数据与预设的第二权重，预测所述客流前往第二断面的客流数据，包括：
确定所述第一概率、所述第一实时监测数据与所述第一权重三者之间的第一乘积；
确定所述第一预测客流数据与所述第二权重之间的第二乘积；
将所述第一乘积与所述第二乘积之和，确定为预测所述客流前往第二断面的客流数据；
其中，在所述第一断面的断面流量数据为零或者数据异常的情况下，所述第二权重为零。
4.根据权利要求1所述的方法，其特征在于，根据至少两个断面的所述出行数据，构建第一数字孪生模型，包括：
根据所述断面的所述出行数据，确定不同断面之间的关联性；
根据不同断面之间的关联性，构建三层选择关系树；
确定每层选择关系树的选择概率以及对应的效用函数；
根据每层对应的所述选择概率和所述效用函数，构建第一数字孪生模型。
5.根据权利要求2所述的方法，其特征在于，在所述第二断面与所述第一断面之间存在至少一断面的情况下，所述方法还包括：
获取所述第一断面的第二实时监测数据；
确定所述第一概率、所述第二实时监测数据和第一权重三者之间的第三乘积；
确定所述第一预测客流数据与所述第二权重之间的第四乘积；
将所述第三乘积与所述第四乘积之和，确定为预测所述客流前往第二断面的客流数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取在第一时间窗所述第二断面的第三实时监测数据；
根据第二时间窗、所述第一数字孪生模型和所述第二数字孪生模型，确定在所述第一时间窗的所述第二断面的预测客流数据；所述第二时间窗对应时间段位于所述第一时间窗对应的时间段之前；
根据所述第三实时监测数据与所述预测客流数据，确定在所述第二时间窗内的均方误差；
根据所述均方误差，修正所述第二断面的客流数据。
7.根据权利要求1所述的方法，其特征在于，根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据，包括：
根据所述断面流量数据，确定每个断面的客流数据；
根据所述每个断面的客流数据，确定客流的出行数据；所述出行数据包括：客流的客流标识符、客流当前位置、客流到达所述当前位置的时刻，以及客流在所述当前位置的消耗时间；
根据所述客流的出行数据，确定所述目标区域内所述客流的出行链数据。
8.根据权利要求7所述的方法，其特征在于，根据所述每个断面的客流数据，确定客流的出行数据，包括：
根据所述每个断面的客流数据，确定每个断面的识别特征数据；
根据所述识别特征数据和预设关联算法，确定客流的出行数据。
9.根据权利要求8所述的方法，其特征在于，所述识别特征数据包括以下至少一项：
每个断面的客流数据的数据类型；
断面之间的距离特征；
断面的环境特征；
客流个体特征；
天气特征；
日期特征。
10.一种基于孪生场景的客流出行预测的处理***，其特征在于，包括：
第一获取模块，用于获取目标区域内客流位于第一断面的断面流量数据；
第一确定模块，用于根据所述断面流量数据，确定所述目标区域内所述客流的出行链数据；所述出行链数据上包括所述客流在至少两个断面的出行数据；
第一构建模块，用于根据至少两个断面的所述出行数据，构建第一数字孪生模型；
第二构建模块，用于根据所述断面流量数据，构建第二数字孪生模型；
第一处理模块，用于根据所述第一数字孪生模型和所述第二数字孪生模型，预测所述客流前往第二断面的客流数据。
11.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至9任一项所述的基于孪生场景的客流出行预测的处理方法中的步骤。
CN202211528070.5A 2022-12-01 2022-12-01 基于孪生场景的客流出行预测的处理方法和*** Active CN115545360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211528070.5A CN115545360B (zh) 2022-12-01 2022-12-01 基于孪生场景的客流出行预测的处理方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211528070.5A CN115545360B (zh) 2022-12-01 2022-12-01 基于孪生场景的客流出行预测的处理方法和***

Publications (2)

Publication Number Publication Date
CN115545360A true CN115545360A (zh) 2022-12-30
CN115545360B CN115545360B (zh) 2023-04-07

Family

ID=84722293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211528070.5A Active CN115545360B (zh) 2022-12-01 2022-12-01 基于孪生场景的客流出行预测的处理方法和***

Country Status (1)

Country Link
CN (1) CN115545360B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法
CN114529032A (zh) * 2021-12-27 2022-05-24 浙江浙大网新众合轨道交通工程有限公司 一种基于lstm网络的地铁断面客流预测方法
CN115018148A (zh) * 2022-06-01 2022-09-06 北京交通大学 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法
CN114529032A (zh) * 2021-12-27 2022-05-24 浙江浙大网新众合轨道交通工程有限公司 一种基于lstm网络的地铁断面客流预测方法
CN115018148A (zh) * 2022-06-01 2022-09-06 北京交通大学 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUE-YING QIU 等: "《Forecasting the railway freight volume in China based on combined PSO-LSTM model》", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 *
沈富鑫 等: "《基于CEEMD-GRU组合模型的快速路短时交通流预测》", 《河北科技大学学报》 *

Also Published As

Publication number Publication date
CN115545360B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
WO2021212866A1 (zh) 一种车辆出行量预测模型构建方法及预测方法和***
CN110766942B (zh) 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
WO2018214675A1 (zh) 一种量化分析城市建成环境对道路行程时间影响的方法
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
CN107919014B (zh) 面向多载客里程的出租车运行线路优化方法
Nagaraj et al. Passenger flow prediction in bus transportation system using deep learning
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN109785618A (zh) 一种基于组合逻辑的短时交通流预测方法
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
CN115527369B (zh) 一种空港枢纽大面积延误条件下的大客流预警与疏散方法
Li et al. Flight delay prediction from spatial and temporal perspective
CN112784000B (zh) 基于出租车轨迹数据的寻客方法
CN112785077A (zh) 基于时空数据的出行需求预测方法及***
CN114580751B (zh) 空港到港旅客疏散时间预测方法、***、存储介质及终端
Chen et al. A Deep Learning Model with Conv‐LSTM Networks for Subway Passenger Congestion Delay Prediction
CN115563761A (zh) 基于时刻表的地铁枢纽站周围道路拥堵预测方法
CN116862325A (zh) 一种城市轨道交通乘客出行链推断方法及***
CN116153125A (zh) 一种基于ida-rnn模型的空间维度公交到达时间预测方法
CN111882915A (zh) 采用复合算法及交互模型的应需定制公交线路规划方法
CN109409563B (zh) 一种公交运营车辆实时人数的分析方法、***和存储介质
CN111008736A (zh) 用于新航线的开通决策方法及***
Xu et al. A taxi dispatch system based on prediction of demand and destination
CN116415756B (zh) 一种基于vr技术的城市虚拟场景体验管理***

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