基于时间特征权重和线网拓扑的客流预测方法及装置与流程

[0001]
本申请实施例涉及智慧交通技术领域，尤其涉及一种基于时间特征权重和线网拓扑的客流预测方法及装置。


背景技术：

[0002]
地铁作为一种重要的交通出行方式，随着城市公共交通的快速发展，给人们出行带来了巨大的便利，也给国家和地区的经济带来了很大的发展和促进作用。而随着乘坐地铁的人越来越多，伴随而来的问题也越来越多。怎么样将地铁和乘客进行结合，实现给乘客更合理的出行路线选择，规避交通堵塞，提取部署站点安保措施等问题，已经成为地铁运营首要考虑的问题，而且，随着当前大数据、机器学习、人工智能等技术的快速发展，怎么样将这些技术深入应用到地铁行业助力未来城市安全出行，也成了社会的热点。
[0003]
目前，在地铁运营场景中，主要的客流量预测方法包括基于时间序列方法预测和基于机器学习和深度学习算法进行预测。这些预测方法受自身历史客流信息和相似站点客流信息对客流预测的影响，其客流预测精准度相对较低。


技术实现要素：

[0004]
本申请实施例提供一种基于时间特征权重和线网拓扑的客流预测方法及装置，能够结合时间特征权重及线网拓扑结构进行客流预测，提升客流预测精度，保障客流预测的可靠性。
[0005]
在第一方面，本申请实施例提供了一种基于时间特征权重和线网拓扑的客流预测方法，包括：
[0006]
提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和所述历史客流运行数据构建时间权重客流预测模型，所述时间权重公式根据所述指定时间段中各个历史日期距离当前预测日期的不同天数预先设定；
[0007]
基于预先构建的关联站点拓扑模型确定预测站点的关联站点，所述关联站点拓扑模型根据站点分类、站点是否相通或者运行时间和运行距离确定所述预测站点的关联站点；
[0008]
基于所述时间权重客流预测模型确定各个所述关联站点的第一预测客流量；
[0009]
根据所述时间权重客流预测模型、所述第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据所述站点客流预测模型计算所述预测站点的第二预测客流量。
[0010]
进一步的，所述时间权重公式为:
[0011]
weight_mean
i
＝f(t
i
)
[0012][0013]
其中，f(t
i
)为权重系数，θ为训练确定的影响参数，t
i
为第i个历史日期距离当前预
测日期的天数。
[0014]
进一步的，所述时间权重客流预测模型为：
[0015][0016]
其中，time_model
flow
表示对应站点在设定时段内的预测客流量，n为指定时间段的总天数，weight_mean
i
为第i个历史日期对应的时间权重，history_flow
i
为第i个历史日期对应设定时段内的实际客流量。
[0017]
进一步的，所述站点客流预测模型为：
[0018][0019]
其中，time_model
flow
表示对应站点在设定时段内的预测客流量，m为关联站点的总数量，neighbor_flow
j
为第j个关联站点的第一预测客流量，α、β分别为对应的预先训练的参数因子。
[0020]
进一步的，基于预先构建的关联站点拓扑模型确定预测站点的关联站点，包括：
[0021]
根据线网拓扑数据信息确定与预测站点线路相通的对应站点作为关联站点。
[0022]
进一步的，根据任意两个站点间的站点距离数据信息和站点运行时间数据信息确定任意两个站点间的最短路径，确定在对应的所述最短路径上，运行时间和运行距离与所述预测站点匹配的对应站点作为关联站点。
[0023]
进一步的，根据预定义的地理位置分类规则确定各个站点的第一分类，根据预定义的站点属性分类规则确定各个站点的第二分类；
[0024]
确定所述第一分类和所述第二分类与所述预测站点相同的站点作为关联站点
[0025]
在第二方面，本申请实施例提供了一种基于时间特征权重和线网拓扑的客流预测装置，包括：
[0026]
权重模块，用于提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和所述历史客流运行数据构建时间权重客流预测模型，所述时间权重公式根据所述指定时间段中各个历史日期距离当前预测日期的不同天数预先设定；
[0027]
关联模块，用于基于预先构建的关联站点拓扑模型确定预测站点的关联站点，所述关联站点拓扑模型根据站点分类、站点是否相通或者运行时间和运行距离确定所述预测站点的关联站点；
[0028]
第一预测模块，用于基于所述时间权重客流预测模型确定各个所述关联站点的第一预测客流量；
[0029]
第二预测模块，用于根据所述时间权重客流预测模型、所述第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据所述站点客流预测模型计算所述预测站点的第二预测客流量。
[0030]
在第三方面，本申请实施例提供了一种电子设备，包括：
[0031]
存储器以及一个或多个处理器；
[0032]
所述存储器，用于存储一个或多个程序；
[0033]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于时间特征权重和线网拓扑的客流预测方法。
[0034]
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于时间特征权重和线网拓扑的客流预测方法。
[0035]
本申请实施例通过提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和历史客流运行数据构建时间权重客流预测模型，基于预先构建的关联站点拓扑模型确定预测站点的关联站点，并基于时间权重客流预测模型确定各个关联站点的第一预测客流量。最终，根据时间权重客流预测模型、第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据站点客流预测模型计算预测站点的第二预测客流量。采用上述技术手段，可以结合关联站点以及不同日期历史客流运行数据对客流预测的影响，实现更精准的客流预测，优化客流运营效果。
附图说明
[0036]
图1是本申请实施例一提供的一种基于时间特征权重和线网拓扑的客流预测方法的流程图；
[0037]
图2是本申请实施例一提供的一种基于关联站点确认流程图；
[0038]
图3是本申请实施例一中的根据站点分类的关联站点确定流程图；
[0039]
图4是本申请实施例一中的站点客流预测模型构建流程图；
[0040]
图5是本申请实施例二提供的一种基于时间特征权重和线网拓扑的客流预测装置的结构示意图；
[0041]
图6是本申请实施例三提供的一种电子设备结构示意图。
具体实施方式
[0042]
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
[0043]
本申请提供的基于时间特征权重和线网拓扑的客流预测方法，旨在通过构建时间权重客流预测模型及关联站点拓扑模型，以充分考虑时间权重信息和线网拓扑的空间信息对客流预测的影响，进而提升客流预测的精准度。相对于传统的客流预测方法，其在进行客流预测过程中，一般采用时间序列方法预测或者机器学习和深度学习算法进行预测。在采用传统客流预测模型进行客流预测时，模型通常会假设客流规律在统计的时间范围内是会重复出现的，而没有考虑到其他外界因素的影响。其对于天气、突发事件等因素引起的大客流无法准确预测。同时这类模型也没有考虑到历史客流时间远近的影响权重关系，一般而言，距离预测日期越近的历史日期，其客流数据对未来预测的权重应该更大。此外，传统的客流预测模型也没有考虑到线网拓扑结构下关联站点的客流相关性。显然，站点的客流量
除了跟自己的历史客流信息相关，还跟与其相似的站点(即关联站点)的客流信息相关。基于此，提供本申请实施例的一种基于时间特征权重和线网拓扑的客流预测方法，以解决传统客流预测模型的客流预测精度问题。
[0044]
实施例一：
[0045]
图1给出了本申请实施例一提供的一种基于时间特征权重和线网拓扑的客流预测方法的流程图，本实施例中提供的基于时间特征权重和线网拓扑的客流预测方法可以由基于时间特征权重和线网拓扑的客流预测设备执行，该基于时间特征权重和线网拓扑的客流预测设备可以通过软件和/或硬件的方式实现，该基于时间特征权重和线网拓扑的客流预测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该基于时间特征权重和线网拓扑的客流预测设备可以是客流运营后台服务器、电脑、服务器主机等计算设备。
[0046]
下述以基于时间特征权重和线网拓扑的客流预测设备为执行基于时间特征权重和线网拓扑的客流预测方法的主体为例，进行描述。参照图1，该基于时间特征权重和线网拓扑的客流预测方法具体包括：
[0047]
s110、提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和所述历史客流运行数据构建时间权重客流预测模型，所述时间权重公式根据所述指定时间段中各个历史日期距离当前预测日期的不同天数预先设定。
[0048]
不同于传统客流预测模型直接根据预测站点过去一段时间的历史客流运行数据求均值作为预测结果，本申请实施例考虑到不同历史日期距离预测日期远近的影响，通过加权平均方法的方式确定各个历史日期的时间权重，并基于时间权重构建时间权重客流预测模型。
[0049]
具体的，在确定时间权重之前，通过选取过去一段历史时间(如过去90天)作为指定时间段进行时间权重计算。其中，所述时间权重公式为:
[0050]
weight_mean
i
＝f(t
i
)
[0051][0052]
其中，f(t
i
)为权重系数，θ为训练确定的影响参数，t
i
为第i个历史日期距离当前预测日期的天数。
[0053]
通过上述时间权重公式，可以根据历史日期距离预测日期的远近，给距离预测日期更近的历史日期赋予更高的时间权重，而距离预测日期更远的历史日期，其赋予的时间权重则相对较低。
[0054]
进一步的，基于上述时间权重公式，进一步进行时间权重客流预测模型的构建，时间权重客流预测模型可以确定预测站点在设定时段内的预测客流量。所述时间权重客流预测模型为：
[0055][0056]
其中，time_model
flow
表示对应站点在设定时段内的预测客流量，设定时段根据实际需求选定(比如早上的7:00-9:00，晚上的17:00-20:00，全天运行时段即6点到23点等)，n为指定时间段的总天数，weight_mean
i
为第i个历史日期对应的时间权重，history_flow
i
为
第i个历史日期对应设定时段内的实际客流量。基于上述预测站点，即可确定本申请实施例基于时间特征权重的客流预测结果。而由于本申请实施例还综合关联站点(即相似站点)的客流相关性影响进行客流预测。因此还进一步确定基于网络拓扑关联站点的客流预测结果，进而综合两种客流预测结果作为最终的客流预测结果。
[0057]
s120、基于预先构建的关联站点拓扑模型确定预测站点的关联站点，所述关联站点拓扑模型根据站点分类、站点是否相通或者运行时间和运行距离确定所述预测站点的关联站点。
[0058]
进一步的，在基于关联站点的相关性影响进行客流预测时，首先需要确定当前预测站点的关联站点。参照图2，本申请实施例根据站点分类、站点是否相通或者运行时间和运行距离确定预测站点的关联站点。
[0059]
其中，在根据站点是否相通确定关联站点时，根据线网拓扑数据信息确定与预测站点线路相通的对应站点作为关联站点。具体的，根据查询线网拓扑数据信息(如线网拓扑结构图)，可以找到每个站点是否有相通的站点。如果某一站点与预测站点相通，则确定该站点为关联站点，如果不相通，则认为该站点非关联站点。可以理解的是，在线路上相通的两个站点，一般具有一定的相关性，以此确定的关联站点，其客流量一定程度上与预测站点相关，依此进行预测站点客流预测，可以得到较好的预测效果。
[0060]
而在根据运行时间和运行距离确定关联站点时，则根据任意两个站点间的站点距离数据信息和站点运行时间数据信息确定任意两个站点间的最短路径，确定在对应的所述最短路径上，运行时间和运行距离与所述预测站点匹配的对应站点作为关联站点。具体的，对于网络拓扑中的任意两个站点，由于两个站点间存在多条可能的路径，其路径一般不唯一。因而在此只选择任意两个站点对应的最短路径作为其唯一路径。可选的，可以利用开源算法dijkstra算法(迪杰斯特拉算法)来获取任意两个站点的最短路径。dijkstra算法是典型最短路径算法，用于计算一个节点到其他节点的最短路径。其主要特点是以起始点为中心向外层层扩展(广度优先搜索思想)，直到扩展到终点为止。需要说明的是，上述仅为本申请实施例对最短路径确定的一种实施方式，实际应用中，还可以使用其他算法进行最短路径确定，本申请实施例在此不做固定限制。
[0061]
进一步的，在确定任意两个站点的最短路径之后，基于通过计算两个站点之间的运行时间和运行距离，进而通过运行时间和运行距离的比对确定该两个站点是否关联。运行时间或运行距离计算公式为：
[0062][0063]
其中，d
ab
表示站点a和站点b的最短路径，w
ab
表示站点a和站点b最短路径的运行时间或者运行距离，σ和ε是用来控制每个站点关联站点数量的阈值，这么做的主要目的是为了保持数据的稀疏性。在实际应用当中，每个站点的关联站点不是特别多，本申请实施例的目的是要找到那些最能够影响预测站点的关联站点，对于其他非相关的站点，应该尽量去掉，以防造成不必要的误差。最终，基于上述每个站点到其他站点最短路径的运行时间和运行距离计算结果，若某一个站点到预测站点最短路径的运行时间和运行距离计算结果都为“1”，则确定这一站点为预测站点的关联站点。
[0064]
此外，在根据站点分类确定关联站点时，参照图3，提供根据站点分类的关联站点确定流程图，其关联站点确定流程包括：
[0065]
s1201、根据预定义的地理位置分类规则确定各个站点的第一分类，根据预定义的站点属性分类规则确定各个站点的第二分类；
[0066]
s1202、确定所述第一分类和所述第二分类与所述预测站点相同的站点作为关联站点。
[0067]
具体的，根据各个地铁站点所属的地理位置，判断出各个地铁站点是属于郊区还是城区，以此确定各个站点的第一分类(即郊区或城区)。进一步的，通过选择历史一段时间(如90天)各个站点的客流运行数据，进而统计各个站点的高峰期小时系数。其中，高峰期小时系数的计算公式如下：
[0068][0069]
其中，n1为选定的一段历史时间，j1表示历史时间中的一天，j
2-m2为对应的高峰时段，flow
j1j2
为对应的客流量；i
2-n2为全天运行时段，即6点到23点；i1为表示历史时间中的一天，flow
i1i2
为对应的客流量。
[0070]
根据统一的标准，设定每个站点的高峰期集中在早上的7:00-9:00，晚上的17:00-20:00。并且，高峰期小时系数只需要计算进站高峰期小时系数或出站高峰期小时系数中的一个，本申请实施例选择计算进站高峰期小时系数。进一步的，按照某固定的时间粒度(比如15分钟的时间粒度)，将每个站点n1天的客流运行数据绘制成图(此处只需要统计进站和出站中的一个，比如统计进站)。在一些实施例中，根据不同分析需求，可以选择10分钟、30分钟等时间粒度进行分析作图，通过适应性选择时间粒度，可以更加直观地表示每个站点的客流分布情况。进一步的，根据计算确定的进站高峰期小时系数和出站高峰期小时系数，结合站点的实际属性和客流运行数据图进行综合分析，基于以下分类规则进行站点第二分类划分(以进站为例)：1、工作日只存在晚高峰波峰的站点为工作地；2、工作日只存在早高峰波峰的站点为居住地；3、周末的客流数据大于工作日客流数据达到设定值的站点为休闲娱乐地；4、火车站、高铁站、汽车客运站站点标记为交通枢纽。以此即可得到各个站点对应的第二分类，即工作地、居住地、休闲娱乐地、交通枢纽、工作地+居住地、工作地+休闲娱乐地、居住地+休闲娱乐、工作地+居住地+休闲娱乐地共8类站点。
[0071]
之后，基于上述各个站点的第一分类和第二分类，对每个站点和其他站点进行比较，如果两个站点间的第一分类和第二分类均相同，则认为两个站点互为关联站点，以此即可确定当前预测站点的关联站点。
[0072]
基于上述确定关联站点的三种方式，分别确定对应的关联站点，进而将关联站点汇总，筛除重复的关联站点，进而将确定的关联站点用于客流预测。
[0073]
s130、基于所述时间权重客流预测模型确定各个所述关联站点的第一预测客流量。
[0074]
s140、根据所述时间权重客流预测模型、所述第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据所述站点客流预测模型计算所述预测站点的第二预测客流量。
[0075]
最终，基于上述步骤s120确定的预测站点的关联站点，进一步进行各个关联站点第一预测客流量的预测。参照图4，利用上述预先构建的时间权重客流预测模型，基于各个关联站点指定时间段的历史运行数据，即可计算得到各个关联站点基于时间特征权重的客流预测结果，以这一客流预测结果作为各个关联站点的第一预测客流量。进一步的，基于上述已确定的时间权重客流预测模型以及各个关联站点的第一预测客流量，即可综合时间特征权重的客流预测结果和网络拓扑关联站点的客流预测结果进行当前预测站点的客流预测。其中，通过该时间权重客流预测模型、第一预测客流量以及预先训练的参数因子构建站点客流预测模型，所述站点客流预测模型为：
[0076][0077]
其中，time_model
flow
表示对应站点在设定时段内的预测客流量，m为关联站点的总数量，neighbor_flow
j
为第j个关联站点的第一预测客流量，α、β分别为对应的预先训练的参数因子。
[0078]
基于上述站点客流预测模型，即可对当前预测站点的实时客流量进行精准预测，以此完成本申请实施例基于时间特征权重和线网拓扑的客流预测。可以理解的是，本申请实施例通过构建时间权重客流预测模型，可以确定对应不同时间特征权重的客流量。并且，历史日期距离预测日期越近，其时间权重越大，以此可以避免所有历史日期的权重相同，防止因周期性、季节性变化影响客流预测结果。并且，本申请实施例通过关联站点拓扑模型，找到预测站点的关联站点，由于关联站点在某种程度上可以认为是和预测站点的客流分布非常类似的，其客流量的分布会影响预测站点的客流量。基于这一特性，本申请实施例通过基于线网拓扑关联站点的相关性进行客流预测，使得客流预测会更加精准。
[0079]
上述，通过提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和历史客流运行数据构建时间权重客流预测模型，基于预先构建的关联站点拓扑模型确定预测站点的关联站点，并基于时间权重客流预测模型确定各个关联站点的第一预测客流量。最终，根据时间权重客流预测模型、第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据站点客流预测模型计算预测站点的第二预测客流量。采用上述技术手段，可以结合关联站点以及不同日期历史客流运行数据对客流预测的影响，实现更精准的客流预测，优化客流运营效果。
[0080]
实施例二：
[0081]
在上述实施例的基础上，图5为本申请实施例二提供的一种基于时间特征权重和线网拓扑的客流预测装置的结构示意图。参考图5，本实施例提供的基于时间特征权重和线网拓扑的客流预测装置具体包括：权重模块21、关联模块22、第一预测模块23和第二预测模块24。
[0082]
其中，权重模块21用于提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和所述历史客流运行数据构建时间权重客流预测模型，所述时间权重公式根据所述指定时间段中各个历史日期距离当前预测日期的不同天数预先设定；
[0083]
关联模块22用于基于预先构建的关联站点拓扑模型确定预测站点的关联站点，所述关联站点拓扑模型根据站点分类、站点是否相通或者运行时间和运行距离确定所述预测站点的关联站点；
[0084]
第一预测模块23用于基于所述时间权重客流预测模型确定各个所述关联站点的第一预测客流量；
[0085]
第二预测模块24用于根据所述时间权重客流预测模型、所述第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据所述站点客流预测模型计算所述预测站点的第二预测客流量。
[0086]
上述，通过提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和历史客流运行数据构建时间权重客流预测模型，基于预先构建的关联站点拓扑模型确定预测站点的关联站点，并基于时间权重客流预测模型确定各个关联站点的第一预测客流量。最终，根据时间权重客流预测模型、第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据站点客流预测模型计算预测站点的第二预测客流量。采用上述技术手段，可以结合关联站点以及不同日期历史客流运行数据对客流预测的影响，实现更精准的客流预测，优化客流运营效果。
[0087]
本申请实施例二提供的基于时间特征权重和线网拓扑的客流预测装置可以用于执行上述实施例一提供的基于时间特征权重和线网拓扑的客流预测方法，具备相应的功能和有益效果。
[0088]
实施例三：
[0089]
本申请实施例三提供了一种电子设备，参照图6，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
[0090]
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的基于时间特征权重和线网拓扑的客流预测方法对应的程序指令/模块(例如，基于时间特征权重和线网拓扑的客流预测装置中的权重模块、关联模块、第一预测模块和第二预测模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0091]
通信模块用于进行数据传输。
[0092]
处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于时间特征权重和线网拓扑的客流预测方法。
[0093]
输入装置可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置可包括显示屏等显示设备。
[0094]
上述提供的电子设备可用于执行上述实施例一提供的基于时间特征权重和线网拓扑的客流预测方法，具备相应的功能和有益效果。
[0095]
实施例四：
[0096]
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行
指令在由计算机处理器执行时用于执行一种基于时间特征权重和线网拓扑的客流预测方法，该基于时间特征权重和线网拓扑的客流预测方法包括：提取指定时间段的历史客流运行数据，基于预设定的时间权重公式和所述历史客流运行数据构建时间权重客流预测模型，所述时间权重公式根据所述指定时间段中各个历史日期距离当前预测日期的不同天数预先设定；基于预先构建的关联站点拓扑模型确定预测站点的关联站点，所述关联站点拓扑模型根据站点分类、站点是否相通或者运行时间和运行距离确定所述预测站点的关联站点；基于所述时间权重客流预测模型确定各个所述关联站点的第一预测客流量；根据所述时间权重客流预测模型、所述第一预测客流量以及预先训练的参数因子构建站点客流预测模型，并根据所述站点客流预测模型计算所述预测站点的第二预测客流量。
[0097]
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、edo ram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
[0098]
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于时间特征权重和线网拓扑的客流预测方法，还可以执行本申请任意实施例所提供的基于时间特征权重和线网拓扑的客流预测方法中的相关操作。
[0099]
上述实施例中提供的基于时间特征权重和线网拓扑的客流预测装置、存储介质及电子设备可执行本申请任意实施例所提供的基于时间特征权重和线网拓扑的客流预测方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于时间特征权重和线网拓扑的客流预测方法。
[0100]
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。