一种基于时空特征的地铁短时客流预测方法技术

本发明专利技术公开了一种基于时空特征的地铁短时客流预测方法，包括步骤：获取目标地铁站在待预测时间段下的待预测特征；待预测特征包括：待预测时间特征和待预测空间特征，待预测时间特征包括：与待预测时间段相邻的前若干个时间段的客流量、待预测时间段的工作日特征、目标地铁站在不同日期同一时间段的客流量均值，待预测空间特征包括：目标地铁站以及目标地铁站的相似地铁站的工作日客流量之和；根据待预测特征和训练好的随机森林模型，确定目标地铁站在待预测时间段下的预测客流量。由于通过待预测时间特征和待预测空间特征作为特征输入，并结合随机森林模型，对目标地铁站在待预测时间段下的的预测客流量，预测精度较高，提高了预测的准确性。提高了预测的准确性。提高了预测的准确性。

【技术实现步骤摘要】
一种基于时空特征的地铁短时客流预测方法


[0001]本专利技术涉及城市轨道交通地铁
，尤其涉及的是一种基于时空特征的地铁短时客流预测方法。

技术介绍

[0002]地铁是城市重要的轨道交通基础设施，其运营里程逐年递增。地铁作为重要的交通出行方式被更多的居民选择，同时也给地铁系统带来了更大的客运强度。巨大的客运强度大幅提高了运营难度：地铁站点客流一天内出现多个客流高峰，在高峰期间，大量人群在短期间内集中涌入空间有限的地铁站，不仅会产生巨大的交通压力，还会带来严重的安全隐患。这给地铁运营管理部门做好动态管控增加难度。同时，地铁短时间内的客流因受多种复杂因素影响而呈现波动性，现有技术难以针对短时间的客流进行准确预测并进行提早预警。
[0003]因此，现有技术还有待于改进和发展。

技术实现思路

[0004]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于时空特征的地铁短时客流预测方法，旨在解决现有技术中无法对地铁站的客流量进行准确预测的问题。
[0005]本专利技术解决技术问题所采用的技术方案如下：
[0006]一种基于时空特征的地铁短时客流预测方法，其中，包括步骤：
[0007]获取目标地铁站在待预测时间段下的待预测特征；其中，所述待预测特征包括：待预测时间特征和待预测空间特征，所述待预测时间特征包括：与待预测时间段相邻的前若干个时间段的客流量、待预测时间段的工作日特征、所述目标地铁站在不同日期同一时间段的客流量均值，所述待预测空间特征包括：所述目标地铁站以及所述目标地铁站的相似地铁站的工作日客流量之和；
[0008]根据所述待预测特征和所述训练好的随机森林模型，确定所述目标地铁站在所述待预测时间段下的预测客流量。
[0009]所述的基于时空特征的地铁短时客流预测方法，其中，所述目标地铁站以及所述目标地铁站的相似地铁站的工作日客流量之和为客流量非加权求和或客流量加权求和。
[0010]所述的基于时空特征的地铁短时客流预测方法，其中，所述客流量加权求和为：
[0011][0012][0013]其中，x
weight_sum
表示客流量加权求和，x
t
表示目标地铁站的工作日客流量，w表示目标地铁站的权值，表示目标地铁站的第i个相似地铁站的客流量，w
i
表示目标地铁站的第
i个相似地铁站的权值，n表示与目标地铁站的相似地铁站的数量，d
i
表示目标地铁站与第i个相似地铁站之间的距离。
[0014]所述的基于时空特征的地铁短时客流预测方法，其中，所述目标地铁站与第i个相似地铁站之间的距离为
[0015]d
i
＝R*arccos[cos(y)*cos(y
′
i
)*cos(x
‑
x
′
i
)+sin(y)*sin(y
′
i
)][0016]其中，R表示地球半径，x表示目标地铁站的经度，y表示目标地铁站的纬度，x'
i
表示第i个相似地铁站的经度，y'
i
表示第i个相似地铁站的纬度。
[0017]所述的基于时空特征的地铁短时客流预测方法，其中，所述客流量非加权求和为：
[0018][0019]其中，x
t
表示目标地铁站的工作日客流量，表示目标地铁站的第i个相似地铁站的客流量，n表示目标地铁站的相似地铁站的数量。
[0020]所述的基于时空特征的地铁短时客流预测方法，其中，所述相似地铁站为与目标地铁站的聚类类别相同的地铁站，所述目标地铁站的聚类类别根据目标地铁站在各工作日的平均客流量确定。
[0021]所述的基于时空特征的地铁短时客流预测方法，其中，所述训练好的随机森林模型采用如下步骤训练得到：
[0022]获取各地铁站的历史刷卡数据；
[0023]根据所述历史刷卡数据，确定各地铁站在各历史时间段下的历史特征和历史客流量；其中，所述历史特征包括：与历史时间段相邻的前若干个时间段的客流量、历史时间段的工作日特征、地铁站在不同日期同一时间段的客流量均值，所述历史空间特征包括：地铁站以及该地铁站的相似地铁站的工作日客流量之和；
[0024]根据各地铁站在各历史时间段下的所述历史特征和所述历史客流量，确定所述历史刷卡数据对应的数据集；
[0025]基于所述数据集，对随机森林模型进行训练，得到训练好的随机森林模型。
[0026]所述的基于时空特征的地铁短时客流预测方法，其中，所述历史刷卡数据为地铁站在各时间段下的客流量；所述获取各地铁站的历史刷卡数据包括：
[0027]获取刷卡记录；其中，所述刷卡记录包括：刷卡闸机号和刷卡时间；
[0028]针对每一条刷卡记录，根据该刷卡记录中的刷卡闸机号，确定该刷卡记录对应的地铁站；
[0029]针对每一个地铁站，根据该地铁站对应的所有刷卡记录中的刷卡时间，确定该地铁站在各时间段下的客流量，以得到各地铁站的历史刷卡数据。
[0030]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0031]一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0032]有益效果：由于通过待预测时间特征和待预测空间特征作为特征输入，并结合随机森林模型，对目标地铁站在待预测时间段下的的预测客流量，预测精度较高，提高了预测的准确性。
附图说明
[0033]图1是本专利技术中地铁站每时间段平均客流在工作日与非工作日随时间变化的客流图。
[0034]图2是本专利技术中同一时段客流在不同日期具有相似客流趋势变化关系图。
[0035]图3是本专利技术中基于时空特征的地铁短时客流预测方法的流程图。
[0036]图4是本专利技术中5种聚类类别的平均客流曲线趋势图。
[0037]图5是本专利技术中不同地铁站的平均客流曲线趋势图。
[0038]图6为本专利技术中随机森林模型的框架图。
[0039]图7为本专利技术随机森林模型的预测结果图。
具体实施方式
[0040]为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0041]请同时参阅图1
‑
图7，本专利技术提供了一种基于时空特征的地铁短时客流预测方法的一些实施例。
[0042]如图3所示，本专利技术实施例的基于时空特征的地铁短时客流预测方法，包括以下步骤：
[0043]步骤S100、获取目标地铁站在待预测时间段下的待预测特征；其中，所述待预测特征包括：待预测时间特征和待预测空间特征，所述待预测时间特征包括：与待预测时间段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空特征的地铁短时客流预测方法，其特征在于，包括步骤：获取目标地铁站在待预测时间段下的待预测特征；其中，所述待预测特征包括：待预测时间特征和待预测空间特征，所述待预测时间特征包括：与待预测时间段相邻的前若干个时间段的客流量、待预测时间段的工作日特征、所述目标地铁站在不同日期同一时间段的客流量均值，所述待预测空间特征包括：所述目标地铁站以及所述目标地铁站的相似地铁站的工作日客流量之和；根据所述待预测特征和所述训练好的随机森林模型，确定所述目标地铁站在所述待预测时间段下的预测客流量。2.根据权利要求1所述的基于时空特征的地铁短时客流预测方法，其特征在于，所述目标地铁站以及所述目标地铁站的相似地铁站的工作日客流量之和为客流量非加权求和或客流量加权求和。3.根据权利要求2所述的基于时空特征的地铁短时客流预测方法，其特征在于，所述客流量加权求和为：流量加权求和为：其中，x
weight_sum
表示客流量加权求和，x
t
表示目标地铁站的工作日客流量，w表示目标地铁站的权值，表示目标地铁站的第i个相似地铁站的客流量，w
i
表示目标地铁站的第i个相似地铁站的权值，n表示与目标地铁站的相似地铁站的数量，d
i
表示目标地铁站与第i个相似地铁站之间的距离。4.根据权利要求3所述的基于时空特征的地铁短时客流预测方法，其特征在于，所述目标地铁站与第i个相似地铁站之间的距离为d
i
＝R*arecos[cos(y)*cos(y
′
i
)*cos(x
‑
x
′
i
)+sin(y)*sin(y'
i
)]其中，R表示地球半径，x表示目标地铁站的经度，y表示目标地铁站的纬度，x'
i
表示第i个相似地铁站的经度，y'
i
表示第i个相似地铁站的纬度。5.根据权利要求...

【专利技术属性】
技术研发人员：邹亮，龙韵诗，
申请(专利权)人：深圳大学，
类型：发明
国别省市：