The invention discloses a real-time bus passenger flow prediction method based on nearest neighbor regression, which uses the passenger flow history of bus lines and stations and real-time data to predict the bus passenger flow in future time periods. The invention first establishes a database with a large number of historical bus passenger flow data, preprocesses the data to ensure the data quality of the sample, and uses the nearest neighbor regression algorithm to set the distance measurement mode, the number of nearest neighbors K and the prediction formula of the model, and forecasts the passenger flow in the future period according to the current real-time passenger flow number. It can solve the non-linear and complex problems of bus passenger flow, provide a strong basis for reasonable scheduling of public transport, and at the same time can improve passenger travel satisfaction and comfort.
【技术实现步骤摘要】
基于近邻回归的实时公交客流预测方法
本专利技术涉及公交系统客流预测
,具体地指一种基于近邻回归的实时公交客流预测方法。
技术介绍
在交通领域,大数据一直被视作缓解交通压力的技术利器。随着手机网络、全球定位系统/北斗车载导航、车联网、交通物联网的发展,交通要素的人、车、路等的信息都能够实时采集,城市交通大数据来源日益丰富。公交客流量作为一个能体现人们出行规律以及公交负载量的重要数据指标,准确有效的公交客流预测不仅为公交调度合理排班提供有力依据。公交客流数据的显著特点是具有高度的非线性和不确定性,这种不确定性指的是客流不仅会受到天气状况、季节变化等自然条件的影响,还会受上下班高峰期和节假日等时间因素的影响,这些因素的存在都是客流预测的难点。对于公交客流预测问题,目前的主要研究方法主要分为统计学预测方法和机器学习预测方法。主要分为如下几类:时间序列模型,历史平均模型,统计预测,神经网络和支持向量机等。传统的统计学方法如时间序列模型依赖于历史数据的质量,不能够充分考虑客流数据的不确定性,此类预测方法精度不高,可靠性低。神经网络和支持向量机等机器学习预测方法能够提高预测精度,但是模型复杂度过高,训练时间过长,参数选取困难。
技术实现思路
本专利技术就是针对上述技术问题,提供提出一种基于近邻回归的实时公交客流预测方法,该方法模型简便、预测精度高以及具有良好的普适性。为实现上述目的,本专利技术所设计的一种基于近邻回归的实时公交客流预测方法,其特征在于,它包括如下步骤:步骤1:从现有的公交业务信息数据库中提取待预测公交线路的历史客流数据和实时客流数据;步骤2:按如下方式 ...
【技术保护点】
1.一种基于近邻回归的实时公交客流预测方法,其特征在于,它包括如下步骤:步骤1:从现有的公交业务信息数据库中提取待预测公交线路的历史客流数据和实时客流数据;步骤2:按如下方式对提取的历史客流数据和实时客流数据进行预处理;首先,剔除历史客流数据和实时客流数据中乘客实际打卡一次,而公交业务信息数据库记录了多次的重复打卡记录数据;然后,对历史客流数据和实时客流数据中缺失的某一时间段的客流量数据,利用对应时间段的历史客流量平均值进行补缺;最后,将历史客流数据和实时客流数据中每个时间段的客流量数据与预设的对应时间段正常客流数据阈值范围进行对比,利用拉依达准则,对于超出正常客流数据阈值范围的时间段,采用对应时间段的客流量数据历史均值替换历史客流数据和实时客流数据中该时段的客流量数据;步骤3:从预处理后历史客流数据中找到与当前时间段的客流数据最相近的历史时间段,当前时间段的客流数据从预处理后的实时客流数据里获取,具体方法为:采用欧式距离作为度量指标,求出当前时间段的客流量与历史客流数据中各个历史时间段客流量的距离,其中,该距离最短时所对应的历史时间段为历史客流数据中与当前时间段的客流数据最相近的历史 ...
【技术特征摘要】
1.一种基于近邻回归的实时公交客流预测方法,其特征在于,它包括如下步骤:步骤1:从现有的公交业务信息数据库中提取待预测公交线路的历史客流数据和实时客流数据;步骤2:按如下方式对提取的历史客流数据和实时客流数据进行预处理;首先,剔除历史客流数据和实时客流数据中乘客实际打卡一次,而公交业务信息数据库记录了多次的重复打卡记录数据;然后,对历史客流数据和实时客流数据中缺失的某一时间段的客流量数据,利用对应时间段的历史客流量平均值进行补缺;最后,将历史客流数据和实时客流数据中每个时间段的客流量数据与预设的对应时间段正常客流数据阈值范围进行对比,利用拉依达准则,对于超出正常客流数据阈值范围的时间段,采用对应时间段的客流量数据历史均值替换历史客流数据和实时客流数据中该时段的客流量数据;步骤3:从预处理后历史客流数据中找到与当前时间段的客流数据最相近的历史时间段,当前时间段的客流数据从预处理后的实时客流数据里获取,具体方法为:采用欧式距离作为度量指标,求出当前时间段的客流量与历史客流数据中各个历史时间段客流量的距离,其中,该距离最短时所对应的历史时间段为历史客流数据中与当前时间段的客流数据最相近的历史时间段,其表达式为:其中,dn(i)表示当前时间段i的客流量与历史时间段n的客流量的欧氏距离;xit表示当前时间段i的...
【专利技术属性】
技术研发人员:王亚领,吴鹏,喻小林,周泽斐,荣华,巴瑞花,
申请(专利权)人:武汉蓝泰源信息技术有限公司,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。