站点客流量预测方法、装置、可读存储介质及计算机设备与流程
本发明涉及电子技术领域，特别是涉及一种站点客流量预测方法、装置、可读存储介质及计算机设备。
背景技术：
随着公共交通行业的发展，轨道交通、地面公交等交通工具为大家的出行带来了极大的便利。尤其是地铁，因其具备良好的便利性同时拥有快速的运输速度受到大家的青睐。
但是，随着越来越多的乘客选择地铁作为他们的主要通勤工具，也加剧了地铁高峰期的拥堵程度，甚至高峰期时各个站点的乘客数量超过了地铁站的容量造成乘客拥挤，轨道交通运营方不得已采取了站点限流和预约进站等非常规手段。乘客拥挤已经严重影响到了人们的日常生活和城市交通的发展，特别是针对上班族常常需要赶时间，因此能及时了解每个地铁站点的拥挤情况可以使大家合理的选择交通工具和乘车路线，避免因拥挤而耽误乘车，带来不必要的麻烦。
技术实现要素：
鉴于上述状况，有必要提供一种站点客流量预测方法、装置、可读存储介质及计算机设备，以便于用户了解各个站点的拥挤情况。
一种站点客流量预测方法，包括：
获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测，所述客流量等级设置有多种，不同所述客流量等级对应不同的客流量取值范围。
进一步的，上述站点客流量预测方法，其中，所述以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集的步骤之前还包括：
计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
进一步的，上述站点客流量预测方法，其中，所述获取历史时间段内当前站点每一测量时刻的客流特征的步骤包括：
获取历史时间段内当前站点每一测量时刻的摄像图像，并对所述摄像图像进行识别以确定所述当前站点的人数，以得到各个所述测量时刻的客流量。
进一步的，上述站点客流量预测方法，其中，所述利用所述训练样本对预测模型进行训练的步骤包括：
利用变分自编码器和长短期记忆网络模型构建预测模型；
将所述训练样本作为所述变分自编码器的输入，并对所述预测模型中的变分自编码器进行训练；
提取所述变分自编码器中间层的隐变量特征，并作为所述长短期记忆网络模型的输入，并将客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。
进一步的，上述站点客流量预测方法，其中，所述利用训练好的预测模型对所述当前站点的客流量等级进行预测的步骤之后还包括：
将所述预测模型预测的所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。
进一步的，上述站点客流量预测方法，其中，所述天气特征包括天气类型、温度、降水概率、风向风速等级和空气质量中的至少一种
本发明实施例还提供了一种站点客流量预测装置，包括：
特征信息获取模块，用于获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
训练样本获取模块，用于以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
训练模块，用于利用所述训练样本对预测模型进行训练；
预测模块，用于利用训练好的预测模型对所述当前站点的客流量等级进行预测。
进一步的，上述站点客流量预测装置，还包括：
计算模块，用于计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定模块，用于确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
本发明实施例还提供了一种可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的站点客流量预测方法。
本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现上述任意一项所述的站点客流量预测方法。
本发明根据历史时刻的客流特征，以及天气特征、节假日特征、星期名称和特殊事件标志来构建训练样本，并根据该训练样本对预测模型进行训练。综合考虑了外界因素对客流量的影响，使训练后的预测模型具有较高的预测效率和准确性。
附图说明
图1为本发明第一实施例提供的站点客流量预测方法的流程图；
图2为本发明第二实施例提供的站点客流量预测方法的流程图；
图3为本发明第三实施例提供的站点客流量预测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1，为本发明实施例中的站点客流量预测方法，包括步骤s11~s13。
步骤s11，获取历史时间段内当前站点每一测量时刻的客流特征和关联特征。
所述客流特征包括客流量和当前对应的时间。所述关联特征包括天气特征、节假日特征、星期名称、特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度。所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件。
具体的，该天气特征包括天气类型（如晴、雨、阴天等）、温度、降水概率、风向风速等级和空气质量中的至少一种。该节假日特征为距离节假日的天数，例如节假日特征为1、2、3即分别为距离节假日一天、两天和三天，节假日特征为-1、-2和-3，即分别为假期过去一天、两天和三天，节假日特征为0，即表示处于节假日当中。该星期名称即为星期几，如星期一、星期二等。
可以理解的，由于不同节假日对站点客流量的影响不同，在本发明的其他实施例中，还可针对每个节假日设置对应的节假日特征。
站点沿线特殊事件例如为商场活动、露天表演等人流聚集的活动。轨道交通自身特殊事件包括但不限于票价政策波动、增加运力投放、新开可换乘线路、突发事件应急等。可以理解的，不同类型的特殊事件可以采用的特殊事件标志，例如可以用不同的数字符号作为标志。一般节假日期间各大商场周围的地铁站点都很拥挤，或者在地铁站附近有重大活动（如演唱会）时该地铁站客流量较大、比较拥挤，并且不同的特殊事件客流量有所差异。
所述周边地块开发投产状况用于表示站点周边地块开发和投产的情况，该投产状况可通过“良好”、“一般”和“差”等符号表示。大量数据表示站点周边地块开发投产状况与其站点客流量有一定的影响，一般来说周边地块开发投产状况良好的，对应的站点客流量较大。
所述地面交通管制状况包括但不限于小汽车限行政策、马拉松交通管制。具体实施时，不同的地面交通管制状况可以用不同的符号来标识。一般来说小汽车限行政策、马拉松交通管制等情况下站点客流量有增大的趋势。
所述交通一体化实施程度包括但不限于地面公交、共享单车、p+r衔接改善等情况，其实施程度可用“优”、“良”、“一般”和“差”等符号表示，也可以通过数字量化。数据显示站点交通一体化实施程度越好其客流量越大。
本实施例中的客流量预测方法可用于地铁、车站等站点的客流量的预测，便于大家了解各个站点的客流量情况。本实施例通过构建预测模型对客流量进行预测，具体实施时，获取历史时间段的多个历史数据并从中获取训练样本，该历史数据包括每一测量时刻的客流特征、关联特征和客流量等级。
获取各个历史时间段内各个测量时刻的客流特征、关联特征和客流量等级作为模型训练样本的数据源。该测量时刻间隔根据实际需要进行设置，例如发车间隔时间，如5min。
进一步的，为了保障模型预测的准确性，该历史时间段的历史数据的选择基于以下几点因素进行考虑：
一、一天当中不同时间段对站点客流量的影响。例如以地铁站来说，早上7点至9点期间，以及下午17点至21点期间，站点一般很拥挤，其他时间段较为宽松。
二、一星期中的不同星期数对地铁客流量影响。一般而言，一线城市中站点通勤客流为主，周一和周五最为拥挤，非一线城市通勤比重不高而其他出行目的更多故周六、周日拥挤，其他天数较为宽松。
三、节假日、特殊事件、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度对客流量的影响。
因此，基于以上几点因素，该历史时间段包括多个节假日时间段和多个非节假日时间段，且该历史时间段内的客流数据涉及所有的周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，以及当站点沿线发生过的特殊事件应当涵盖上述提到的所有类型的特殊事件。
可以理解的，为了快速获取所需要的数据，还可通过模型模拟不同的特殊事件、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，并记录其对应的客流量。
站点的客流量可根据站点内的图像分析得到。一般站点各处会安装摄像头，通过获取摄像头采集的图像，并进行图像识别，提取该图像中的人体特征，根据提取的人体特征确定当前站点的人数。该对应的时间即为采集数据的时间，其以24h为周期进行计量。
具体实施时，可以获取站台、候车厅和出入口的摄像图像，并进行分析以统计站点的进站的客流量、出站的客流量和站台等候的客流量。
需要说明的是，在本发明的其他实施例中，站点当前的客流量还可通过分贝仪、红外探测仪、微波探测等接近传感器、压力感应器传导计量、热成像、气体（氧气和二氧化碳）传感器、生物雷达检测仪等可用于传感器附近物体的非接触式检测方式进行检测。
除此之外，考虑到现在人们都会携带手机出门，还需综合分析wifi热点连接数量、通讯基站接收到的手机信令、移动终端主动定位信息（包括但不限于gps和北斗）、nfc近场通讯和蓝牙ibeacon，以及通过扫码过闸的移动支付软件被启动数量的分布、电子围栏技术等侦测手机的技术手段来辅助判定客流量生成情况。
该客流量等级数可根据实际需要进行设置，例如可以设置五个等级，分别为s、a++、a+、a和b，该五个等级拥挤程度依次递增。具体实施时，根据客流量的数据来确定等级数。
步骤s12，以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本。
测量时刻t的历史数据如
针对历史时间段的客流特征，以预设尺寸的滑动窗口进行截取得到多个客流特征子集。具体的，历史时间段内的客流特征为
该历史数据的总量和滑动窗口的大小决定模型训练样本的生成数量，从而影响模型的拟合能力。本发明的一实施例中，可根据各个时刻的历史数据间的时刻皮尔逊相关系数来确定滑动窗口的尺寸，具体步骤如下：
计算当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定滑动窗口的尺寸。
滑动窗口的大小可根据设定的皮尔逊相关系数阈值进行确定，即将计算得到的皮尔逊相关系数中大于阈值的相应时刻的长度作为滑动窗口的尺寸。通过该方式可降低运算量，提高模型预测效率。
步骤s13，利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测。
现有的预测模型有多种，例如可选择长短期记忆网络(longshort-termmemory，lstm)，lstm网络组成结构上采用是与传统循环神经网络相同的链式结构，与之不同是一个lstm神经元由三个“门限控制”（分别为遗忘门、输入门以及输出门）与神经元状态组成。
对预测模型进行训练时，将训练样本作为该预测模型的输入，将下一时刻的客流量等级作为该模型的输出，对该预测模型进行训练，使该预测模型可以充分识别客流量等级。
训练好的预测模型可以用来预测站点下一时刻的客流量等级，用户可根据预测的客流量等级选择合适的出行方案。
本实施例中根据历史时刻的客流特征，以及天气特征、节假日特征、星期名称、特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度来构建训练样本，根据该训练样本对预测模型进行训练。综合考虑了外界因素对客流量的影响，使训练后的预测模型具有较高的预测效率和准确性。
请参阅图2，为本发明第二实施例中的客流量预测方法，包括步骤s21~s28。
步骤s21，获取历史时间段内当前站点每一测量时刻的客流特征和关联特征。
所述客流特征包括客流量和当前的时间。所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度。所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件。
步骤s22，计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数。
步骤s23，确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定滑动窗口的尺寸。
皮尔逊相关系数表示当前测量时刻的客流特征与下一时刻的客流特征的相关性。时间窗口的大小可根据设定的皮尔逊相关系数阈值进行确定，即将计算得到的皮尔逊相关系数中大于阈值的相应时刻的长度作为时间窗口的尺寸。举例来说，该历史时间段内，当前时刻为t0，其之前的测量时刻依次为t-1，t-2，t-3，t-4，t-5，t-6……，其中第t-5时刻对应的皮尔逊相关系数大于阈值，第t-6时刻对应的皮尔逊相关系数小于阈值，则将该时间窗口的大小设置为5，即每次截取5个时刻的客流特征。
其中，计算所述历史时间段内当前测量时刻之前的客流特征与当前测量时刻的客流特征之间的皮尔逊相关系数，根据以下公式计算：
其中
根据历史时间段内当前测量时刻之前的客流特征与当前测量时刻的客流特征之间的皮尔逊相关系数，并根据皮尔逊相关系数确定滑动窗口的尺寸。
步骤s24，以所述尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本。
以尺寸为l的滑动窗口截取各个历史时间段内的客流特征，得到对应的客流特征子集，并将该客流特征子集以及下一时刻的关联特征作为训练样本。例如截取的一客流特征子集y为t-1，t-2，t-3，t-4，t-5时刻的客流特征，则将该客流特征子集和t0时刻的关联特征作为其中一个训练样本。
步骤s25，利用变分自编码器和长短期记忆网络模型构建预测模型。
步骤s26，将所述训练样本作为所述变分自编码器的输入，对所述预测模型中的变分自编码器进行训练。
步骤s27，提取所述变分自编码器中间层的隐变量特征，并作为长短期记忆网络模型的输入，并将所述客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。
变分自编码器（variationalauto-encoders，vae）作为深度生成模型的一种形式。变分自编码器主要由两个部分组成，第一个是推断网络，用于原始输入数据的变分推断，生成隐变量的变分概率分布；第二个生成网络，它是根据生成的隐变量变分概率分布还原为原始数据的近似概率分布。
针对构建好的预测模型，利用从历史数据中获得的训练样本和客流量等级进行模型训练。其中，变分自编码器训练时，其输入数据为训练样本，输出为重构的训练样本数据，其推断网络生成的隐变量特征为训练样本的有效特征。长短期记忆网络训练时，其输入数据为从变分自编码器中提取的隐变量特征，输出数据为下一时刻的客流量等级。通过设置该变分自编码器，可以从训练样本的多个特征中提取有效特征，使输入至长短期记忆网络中的数据有效性更高，提高了预测模型的预测效率和准确性。
通过预测模型不断训练来使模型的网络参数不断地自我更新，以使该预测模型根据输入的数据可以充分识别到客流量等级。
步骤s28，利用训练好的预测模型对所述当前站点的客流量等级进行预测。
训练好的预测模型可用于实际场景中的客流量预测，根据前l个时刻的客流特征和l+1时刻的关联特征对该l+1时刻的客流量等级进行预测。
进一步的，在本发明的其他实施例中，该步骤s28之后还包括步骤：
将所述预测模型预测所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。
该移动终端例如为用户的手机、平板电脑等。具体实施时，移动终端可以在站点分布路线上以不同颜色的标记指示该当前站的客流量等级，例如紫色表示等级s、红色表示等级a++、黄色表示等级a+、蓝色表示等级a、绿色表示等级b。使用户可通过该移动终端了解各个站点的客流量情况，以合理选择交通工具和交通路线。
请参阅图3，为本发明第三实施例中的站点客流量预测装置，包括：
特征信息获取模块10，用于获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
训练样本获取模块20，用于以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
训练模块30，用于利用所述训练样本对预测模型进行训练；
预测模块40，用于利用训练好的预测模型对所述当前站点的客流量等级进行预测。
进一步的，上述站点客流量预测装置，还包括：
计算模块50，用于计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定模块60，用于确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。
进一步的，上述站点客流量预测装置，还包括：
发送模块70，用于将所述预测模型预测的所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。
本发明实施例所提供的站点客流量预测装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的站点客流量预测方法。
本发明实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现上述任意一项所述的站点客流量预测方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（ram），只读存储器（rom），可擦除可编辑只读存储器（eprom或闪速存储器），光纤装置，以及便携式光盘只读存储器（cdrom）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！