【技术实现步骤摘要】
一种基于深度学习的城市轨道交通短期客流预测方法
本专利技术涉及一种基于深度学习的城市轨道交通短期客流预测方法,具体涉及通过使用一种改进的时空长短期记忆网络(Sp-LSTM)去深度学习全网相关车站的历史客流数据,从而提高客流预测精度。属于城市轨道交通客流预测
技术介绍
21世纪以来,城市轨道交通的建设进入了高潮,运量大、速度快、安全可靠的城市轨道交通在现代化城市中起着越来越重要的作用。客流预测在城市轨道交通管理中具有重要的意义。准确的短期客流预测有利于运营部门提前安排站台值班人员、避免群体性事故的发生;便于交通枢纽站安排客流、组织接驳;方便地铁运营公司调整运营计划、编制列车运行图,从而提高整个城市轨道交通网络运营效率。现阶段,城市轨道交通短时客流预测已经有了一定的研究基础。但大多数的预测模型是基于浅层学习和单车站预测,忽略了网络化运营情况下线网车站的相互影响,没有考虑到客流数据的时空性,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。
技术实现思路
针对现有技术中存在的缺陷,本专利技术的目的在于提供一种基于长短期记忆网络的城市轨道交通客流预测方法。具体为通过使用一种改进的时空长短期记忆网络模型,深度学习全网相关车站的历史客流数据,所述方法用来对车站的短期出站客流进行预测,从而提高客流预测精度。为达到以上目的,本专利技术采取的技术方案是:一种基于长短期记忆网络的城市轨道交通客流预测方法,包括步骤如下:步骤1,确定改进的时空长短期记忆网络模型的 ...
【技术保护点】
1.一种基于长短期记忆网络的城市轨道交通客流预测方法,其特征在于,包括步骤如下:/n步骤1,确定改进的时空长短期记忆网络模型的输入;/n所述输入包括以下5部分:待预测站点s
【技术特征摘要】
1.一种基于长短期记忆网络的城市轨道交通客流预测方法,其特征在于,包括步骤如下:
步骤1,确定改进的时空长短期记忆网络模型的输入;
所述输入包括以下5部分:待预测站点sk、选择空间相关度高的站点数量x、全网各站点的进出站客流量、全网OD矩阵、运营数据;
步骤2,确定与待预测站点sk空间相关度最高的x个车站s1、s2…sx;
步骤3,计算列车由车站s1、s2…sx运行到待预测站点sk所需时间
步骤4,根据步骤1所述的全网各站点的进出站客流量得到待预测站点sk的出站客流量序列并得到比待预测站点sk早的车站s1、s2…sx的进站客流序列
步骤5,将和输入改进的时空长短期记忆网络模型,输出为待预测站点sk的出站客流量;
步骤6,计算预测性能指标。
2.如权利要求1所述的基于长短期记忆网络的城市轨道交通客流预测方法,其特征在于,步骤1所述的运营数据包括:列车在各车站的运营时分。
3.如权利要求2所述的基于长短期记忆网络的城市轨道交通客流预测方法,其特征在于,步骤2具体包括如下步骤:
将全网各站点从1至n进行标号,构成站点集合N={1,2,…,i,…,n},各站点间的OD数据表示为一个n×n的矩阵:
其中,fi,j,i,j∈N为起点为i终点为j的客流量;
根据全网OD矩阵构建两个指标p,q来衡量站点间的空间相关度;
其中,sk为待预测站点,用fk表示从待预测站点sk出站的所有客流量之和:
用pi表示站点si对待预测站点sk的客流量贡献程度,i∈[1,n]且i≠k:
将其中最大值命名为pmax,最小值命名为pmin;
用fi'表示各站点的进站客流量,i∈[1,n]且i≠k:
各站点进站客流大小也将影响站点si和待预测站点sk的空间相关度,用qi表示站点si的进站客流量对待预测站点sk的客流量影响程度,i∈[1,n]且i≠k:
将其中最大值命名为qmax,最小值命名为qmin;
对pi、qi进行加权求和:
其中,分别为经过标准化后的pi,qi,ω1,ω2分别为p,q指标的重要性系数,zi为进行加权求和后的si站点与待预测站点sk间的空间相关度;将zi按从大到小的顺序排序,取前x个站点作为与待测站点sk空间相关度最高的站点,记为s1,s2…sx。
4.如权利要求3所述的基于长短期记忆网络的城市轨道交通客流预测方法,其特征在于,步骤3所述的列车由车站s1、s2…sx运行到待预测站点sk所需时间根据运营数据得到。
5.如权...
【专利技术属性】
技术研发人员:杨欣,尹浩东,吴建军,屈云超,薛秋驰,王永磊,万思军,杨桥,晏国杰,
申请(专利权)人:北京交通大学,贵阳海信网络科技有限公司,
类型:发明
国别省市:北京;11
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。