一种地铁短时客流预测方法、系统、电子设备及存储介质技术方案

本发明专利技术公开了一种地铁短时客流预测方法、系统、电子设备及存储介质。该方法包括：基于不同时段其他站点的入站流量构建地铁网络图；获取不同时段目标站点地理标签范围内的社交媒体数据；构建基于注意力的GCN

【技术实现步骤摘要】
一种地铁短时客流预测方法、系统、电子设备及存储介质


[0001]本专利技术涉及客流预测
，特别是涉及一种地铁短时客流预测方法、系统、电子设备及存储介质。

技术介绍

[0002]现有的短期客流预测一般以15～60min为时间粒度，指根据历史客流和实时客流等数据，利用客流预测模型，计算得到预测对象在15min后的客流情况，若该数值超过行业规范或运营公司所给出的安全范围，则相关运营部门和工作人员应按照相应的安全预案立刻开展行动，如通过广播播报、入口限流等措施来保障车站以及站台人流密度在安全范围内，预防踩踏等危及乘客人身安全事件的发生，确保乘客的安全和列车的正常运营。
[0003]在事件发生情况下的城市轨道交通短时客流预测领域有两个主要局限性。第一，现有的模型及数据收集与处理方式在常规短期客流预测中表现良好，但它们忽视了社交媒体的影响，无法识别特殊事件时期的突发出站客流，考虑了事件的影响并应用社交媒体数据源的研究还不够完善。第二，考虑了社交媒体的研究侧重于挖掘文本内容和客流之间的关系，然而对时空数据的挖掘程度不足，其他车站的进站流量被认为是导致事件周边站点轨道交通出站客流量突然增加的原因，应予以充分考虑。

技术实现思路

[0004]针对上述问题，本专利技术提供了一种地铁短时客流预测方法、系统、电子设备及存储介质。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种地铁短时客流预测方法，包括：
[0007]基于不同时段其他站点的入站流量构建地铁网络图；
[0008]获取不同时段目标站点地理标签范围内的社交媒体数据；
[0009]构建基于注意力的GCN
‑
GRU模型；所述基于注意力的GCN
‑
GRU模型包括多个GCN网络模型、多个全连接层以及多个GRU网络模型；
[0010]将所述地铁网络图以及所述社交媒体数据输入至所述基于注意力的GCN
‑
GRU模型中，预测当前时间段目标站点的出站流量。
[0011]可选地，将所述地铁网络图以及所述社交媒体数据输入至所述基于注意力的GCN
‑
GRU模型中，预测当前时间段目标站点的出站流量，具体包括：
[0012]将所述地铁网络图输入至所述GCN网络模型中，提取不同时间段其他站点的入站客流特征；
[0013]将所述社交媒体数据输入至所述全连接层中，提取不同时段的社交媒体特征；
[0014]对不同时间段其他站点的入站客流特征和不同时段的社交媒体特征进行拼接，得到拼接后的特征；
[0015]将所述拼接后的特征输入至所述GRU网络模型中，预测当前时间段目标站点的出
站流量。
[0016]可选地，所述地铁网络图G＝(V，E，S，A
V
)，其中V是节点集，E是边集，每个节点v∈V表示一个轨道交通站点，每条边(u，v)∈E表示一个从节点u向节点v进行穿越的线路，S表示两个方向的轨道交通站点邻接矩阵；A
V
表示每个站点的入站流量。
[0017]可选地，获取不同时段目标站点地理标签范围内的社交媒体数据，具体包括：
[0018]通过地理位置过滤器收集具有地理坐标的社交媒体帖子；
[0019]从所述社交媒体帖子中筛选出目标站点地理标签范围内的社交媒体帖子；
[0020]保留筛选出来的社交媒体帖子的时间戳和地理位置作为社交媒体数据。
[0021]本专利技术还提供了一种地铁短时客流预测系统，包括：
[0022]地铁网络图构建模块，用于基于不同时段其他站点的入站流量构建地铁网络图；
[0023]社交媒体数据获取模块，用于获取不同时段目标站点地理标签范围内的社交媒体数据；
[0024]模型构建模块，用于构建基于注意力的GCN
‑
GRU模型；所述基于注意力的GCN
‑
GRU模型包括多个GCN网络模型、多个全连接层以及多个GRU网络模型；
[0025]目标站点出站流量预测模块，用于将所述地铁网络图以及所述社交媒体数据输入至所述基于注意力的GCN
‑
GRU模型中，预测当前时间段目标站点的出站流量。
[0026]可选地，所述目标站点出站流量预测模块包括：
[0027]入站客流特征提取单元，用于将所述地铁网络图输入至所述GCN网络模型中，提取不同时间段其他站点的入站客流特征；
[0028]社交媒体特征提取单元，用于将所述社交媒体数据输入至所述全连接层中，提取不同时段的社交媒体特征；
[0029]拼接单元，用于对不同时间段其他站点的入站客流特征和不同时段的社交媒体特征进行拼接，得到拼接后的特征；
[0030]目标站点出站流量预测单元，用于将所述拼接后的特征输入至所述GRU网络模型中，预测当前时间段目标站点的出站流量。
[0031]可选地，所述地铁网络图G＝(V，E，S，A
V
)，其中V是节点集，E是边集，每个节点v∈V表示一个轨道交通站点，每条边(u，v)∈E表示一个从节点u向节点v进行穿越的线路，S表示两个方向的轨道交通站点邻接矩阵；A
V
表示每个站点的入站流量。
[0032]可选地，所述社交媒体数据获取模块包括：
[0033]收集单元，用于通过地理位置过滤器收集具有地理坐标的社交媒体帖子；
[0034]筛选单元，用于从所述社交媒体帖子中筛选出目标站点地理标签范围内的社交媒体帖子；
[0035]保留单元，用于保留筛选出来的社交媒体帖子的时间戳和地理位置作为社交媒体数据。
[0036]本专利技术还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述地铁短时客流预测方法。
[0037]本专利技术还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述地铁短时客流预测方法。
[0038]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0039]本专利技术提供的地铁短时客流预测方法充分考虑了城市轨道交通网络的空间结构，利用来自其他站点进站客流量和事件周边社交媒体发帖量的突然增加来预测特殊事件期间的周边站点的出站客流量，致力于弥补当前技术的不足。
附图说明
[0040]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0041]图1为本专利技术提供的地铁短时客流预测方法的流程图；
[0042]图2为本专利技术提供的GRU网络模型的更新过程示意图。
具体实施方式
[0043]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地铁短时客流预测方法，其特征在于，包括：基于不同时段其他站点的入站流量构建地铁网络图；获取不同时段目标站点地理标签范围内的社交媒体数据；构建基于注意力的GCN
‑
GRU模型；所述基于注意力的GCN
‑
GRU模型包括多个GCN网络模型、多个全连接层以及多个GRU网络模型；将所述地铁网络图以及所述社交媒体数据输入至所述基于注意力的GCN
‑
GRU模型中，预测当前时间段目标站点的出站流量。2.根据权利要求1所述的地铁短时客流预测方法，其特征在于，将所述地铁网络图以及所述社交媒体数据输入至所述基于注意力的GCN
‑
GRU模型中，预测当前时间段目标站点的出站流量，具体包括：将所述地铁网络图输入至所述GCN网络模型中，提取不同时间段其他站点的入站客流特征；将所述社交媒体数据输入至所述全连接层中，提取不同时段的社交媒体特征；对不同时间段其他站点的入站客流特征和不同时段的社交媒体特征进行拼接，得到拼接后的特征；将所述拼接后的特征输入至所述GRU网络模型中，预测当前时间段目标站点的出站流量。3.根据权利要求1所述的地铁短时客流预测方法，其特征在于，所述地铁网络图G＝(V，E，S，A
V
)，其中V是节点集，E是边集，每个节点v∈V表示一个轨道交通站点，每条边(u，v)∈E表示一个从节点u向节点v进行穿越的线路，S表示两个方向的轨道交通站点邻接矩阵；A
V
表示每个站点的入站流量。4.根据权利要求1所述的地铁短时客流预测方法，其特征在于，获取不同时段目标站点地理标签范围内的社交媒体数据，具体包括：通过地理位置过滤器收集具有地理坐标的社交媒体帖子；从所述社交媒体帖子中筛选出目标站点地理标签范围内的社交媒体帖子；保留筛选出来的社交媒体帖子的时间戳和地理位置作为社交媒体数据。5.一种地铁短时客流预测系统，其特征在于，包括：地铁网络图构建模块，用于基于不同时段其他站点的入站流量构建地铁网络图；社交媒体数据获取模块，用于获取不同时段目标站点地理标签范围内的社交媒体数据；模型构建模块，用于构建基于注意力的GCN
...

【专利技术属性】
技术研发人员：刘忠良，薛刚，宫大庆，刘玮，刘芳，李红杰，
申请(专利权)人：亿雅捷交通系统北京有限公司，
类型：发明
国别省市：