一种基于客流去向结构的轨道交通OD客流预测方法及系统

本发明涉及城市轨道交通短时od客流预测，具体为一种基于客流去向结构的轨道交通od客流预测方法。

背景技术：

1、随着轨道交通的迅速发展，很多城市轨道交通线路从单一化逐渐形成轨道交通网络，迅速扩大的轨道交通网络以及急剧增加的轨道交通客流给轨道交通组织和运营管理提出了新的要求。目前传统的轨道交通调度方法尚存在方法单一、效率低、局部供需不平衡等问题。随着大数据、机器学习、深度学习等新兴技术的发展为上述问题的解决提供了有效思路。在时代发展的推动下，城市轨道交通的运营管理也逐步呈现出智能化、数字化的发展趋势。在智能轨道交通的技术生态里可分为智能感知、智能建模、智慧管控等。其中，城市轨道交通短时客流预测是智能感知的研究方向之一，包括了城市轨道短时进站客流预测、短时od客流区域以及短时断面客流预测等。在智能轨道交通的大数据应用领域，自动售检票系统中存储着海量历史客流数据，通过实时、准确的获取乘客的进出站刷卡数据，实现城市轨道交通短时客流预测。afc系统中历史客流数据可以揭示客流的时序变化规律，在研究时空客流变化规律上提供重要价值。

2、可以看出，城市轨道交通短时客流预测在新技术和工具下迎来了发展，充分挖掘利用多源数据准确预测和掌握轨道交通运营网络的时空动态变化规律，对于实现轨道交通短时客流预测的高精度和高效率，助力城市轨道交通运营管理的数字化和精细化。

3、既有的轨道短时客流预测主要是针对每个站点的历史时间序列数据去观察数据的变化，并以此构建每个站点的短时客流预测模型。但是站点与站点之间会存在着相似的客流趋势。因此，如何充分捕捉这些站点的客流特征，将具有相似客流特征的站点统筹构建一个具有较强泛化能力预测模型对于预测应用而言更具有实际意义。因此，本发明设计了一种基于基于客流去向结构的od客流实时预测方法。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述存在的问题，提出了本发明。

3、因此，本发明解决的技术问题是：现有的轨道交通调度方法存在方法单一，效率低，局部供需不平衡，以及如何提高客流od预测精度的优化问题。

4、为解决上述技术问题，本发明提供如下技术方案：一种基于客流去向结构的轨道交通od客流预测方法，包括构建时段类别预测模型，输入历史客流数据构建数据集；预测分时客流去向结构，计算同时段下的历史时段客流去向结构的权重，权重加权得到客流去向结构数据的初步预测值；构建客流去向结构自适应修正模型，利用状态空间模型作为客流去向结构自适应修正模型；预测当前时段的客流去向结构数据作为粒子集合，对粒子集合重采样，计算客流去向结构的自适应修正数据。

5、作为本发明所述的基于客流去向结构的轨道交通od客流预测方法的一种优选方案，其中：所述构建时段类别预测模型包括构建训练数据集因变量，利用k-means++算法对历史客流时段客流量数据进行聚类，得到不同类别特征的时段数据，将类别标签作为因变量；所述k-means++算法包括输入需要的聚类数目n，在输入对象中抽取一个聚类中心作为初始聚类中心，计算对象和初始聚类中心的距离，距离远近为正比计算概率产生下一个聚类中心，重复计算获取n个聚类中心，被每个样本对象划分到与其最近的聚类中心，以此得到n个类别，对于每个不同的类别，重新计算样本均值并将得到结果作为新的聚类中心，重复计算样本均值不再有新的聚类中心产生；将各时间段的数据时段属性集合作为输入，类别标签作为输出，站点i的输入样本集xi和输出样本集yi，表示为：

6、

7、

8、

9、其中，x1(l)为车站i时段l的输入样本，经过独热编码处理后的时段属性数据，labeli(l)为车站i时段l的客流去向结构对应的时段类别标签，weeki(l)为是否为工作日，houri(l)为是否为时段，hourtypei(l)为是否为时段类型。

10、作为本发明所述的基于客流去向结构的轨道交通od客流预测方法的一种优选方案，其中：所述构建时段类别预测模型还包括随机森林算法和训练模型与预测时段类别；训练集t的大小为n，特征数目为m，随机森林的大小为k，随机森林的算法包括遍历随机森林的大小k次；从训练集t中有放回抽样的方式，取样n次形成一个新的训练集d；选择m个特征，其中m<m；使用新的训练集d和m个特征，通过决策树得到随机森林；将样本集合输入随机森林模型进行模型训练，根据训练好的模型，将需要预测的样本输入到模型中，输出预测数据中时段类别的概率。

11、作为本发明所述的基于客流去向结构的轨道交通od客流预测方法的一种优选方案，其中：所述客流去向结构数据的初步预测值包括根据时段类别预测模型，预测得到输入数据时段类别，找出相同类别的历史时段客流数据，通过afc刷卡数据得到客流去向结构数据，表示为：

12、si＝{bi(1),bi(2),...,bi(s)}

13、其中，bi(s)为同时段类别下的客流去向结构数据；历史各时间区间内样本数据和预测时段类别的聚类中心之间的距离及当下时段类别对应的样本权重表示为：

14、w＝w′·w"

15、

16、其中，w为各个历史时段客流去向结构的权重，w'为预测时段类别对应的概率，w"表示客流样本与聚类中心的系数，dis(bi(s),c(pre))为聚类中心与历史时段客流样本之间的样本距离，对各历史时段去向结构数据的权重归一化，得到最终权重w*，将权重对历史时段去向结构数据进行加权，得到客流去向结构数据的初步预测值表示为：

17、

18、在初步预测值加入上一时段的客流去向结构数据，最终的预测模型表示为：

19、

20、其中，θ为衡量可信度的权重系数。

21、作为本发明所述的基于客流去向结构的轨道交通od客流预测方法的一种优选方案，其中：所述构建客流去向结构自适应修正模型还包括构建状态转移方程和构建观测方程；状态转移方程表示为：

22、xk＝f(xk-1,wk-1)

23、观测方程表示为：

24、yk＝h(xk,vk)

25、其中，xk-1和xk分别为时刻k-1和时刻k的系统状态变量，yk为时刻k的观测变量，wk-1和vk分别为过程噪音与观测噪音，f是状态变量的时间变化函数，h为状态值与观测值的函数关系，状态转移方程的建立基于上一个时段的客流去向数据得到当前时刻的客流去向结构数据，状态转移方程利用客流去向结构预测模型，表示为：

26、

27、其中，α为衡量可信度的权重系数，bi(t-1)为时段t-1的客流去向结构，w(t-1)为高斯白噪音，客流量之间存在约束关系，观测方程通过客流量的约束关系进行建立，实现对于去向结构预测值的自适应修正，客流量的守恒关系主要包括：

28、

29、qij(t)＝oi(t)·bij(t)

30、

31、

32、其中，qij(t)为t时间内从站点i去往站点j的od客流，qi(t)为分时进站客流，bij(t)为客流通过车站i进站并在车站j出站的客流占车站i所有进站客流量之和oi(t)的比例；以车站i和j分别为起讫点的乘客，从车站i进站后，抵达车站j并出站，对不同时段的客流到达量数据进行统计，客流od量，客流累计到达量与客流到达系数约束关系表示为：

33、

34、其中，为客流到达率，rij(t)为客流od量；轨道交通线网中od间的乘客旅行时间所跨域的时段个数不超过m，客流od量表示为：

35、

36、m根据轨道交通网线的规模或预测时段的时间粒度赋值；观测方程表示为：

37、

38、映射函数h表示为：

39、

40、其中，v(t)为测量噪音。

41、作为本发明所述的基于客流去向结构的轨道交通od客流预测方法的一种优选方案，其中：所述计算客流去向结构的自适应修正数据包括设置粒子的集合容量为r，并使用服从高斯分布的box-muller算法生成粒子噪音；通过afc闸口刷卡数据，统计客流数据，进站客流量与客流达到率，收集历史afc客流数据并统计车站历史数据的客流累计到达量rt(t)；根据预测得到的客流去向结构数据bi(t)，生成客流去向结构预测数据的粒子集合并初始化粒子权重为1/r；计算粒子集合中的粒子似然度，似然函数为高斯函数，更新每个粒子的权重wr，在高斯分布中，粒子x，观测值υ与子权重wr关系表示为：

42、

43、

44、μ＝ri(t)

45、其中，s为似然函数，g为高斯函数，x为通过粒子计算得到的客流累计到达量，μ为观测得到的客流累计到达量。

46、作为本发明所述的基于客流去向结构的轨道交通od客流预测方法的一种优选方案，其中：所述计算客流去向结构的自适应修正数据还包括重采样；归一化粒子中的权重，让权重之和表示为：

47、

48、算法中的采样空间平均分割成r个层次，每一层取值范围表示为：

49、

50、在每个取值范围内抽取随机数ur，得到随机数组表示为：

51、

52、

53、其中，u[0,1]为均匀分布；粒子权重累计函数为对每个ur进行重采样，对位于[cdf(r),cdf(r+1)]中的粒子进行复制；通过对粒子集合进行重采样，得到更新后的粒子均值，通过构建状态空间模型，以afc闸机刷卡数据建立观测方程，对当前时段的客流去向结构数据进行更新修正，并进行每个时段的迭代计算，随着时段的推进得到车站每一个时段的客流去向结构的自适应修正数据。

54、本发明的另外一个目的是提供一种基于客流去向结构的轨道交通od客流预测系统，其能通过计算客流去向结构自适应修正数据模块，可以实现客流预测模型的动态适应和修正，解决了预测不同时段下的客流去向结构不准确的问题。

55、作为本发明所述的一种基于客流去向结构的轨道交通od客流预测系统的一种优选方案，其中：包括时段类别预测模块、预测分时客流去向模块、客流去向修正模块、数据修正模块；所述时段类别预测模块用于构建一个预测模型，预测客流数据的时段类别，通过对历史数据进行分类预测建模，识别出不同的时段类别；所述预测分时客流去向模块根据时段类别预测模块的输出，确定当前时段所属的时段类别，计算客流的去向结构的权重，将权重与历史时段去向结构数据进行加权，得到当前时段的分时客流去向结构的初步预测值；所述客流去向修正模块用于构建一个自适应修正模型，对分时客流去向结构进行调整和修正；所述数据修正模块使用预测数据作为初始粒子集合，根据粒子集合重采样，构建状态空间模型，更新每个时段的客流去向结构自适应修正数据，得到车站每个时段的客流去向结构自适应修正数据。

56、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，其特征在于，所述处理器执行所述计算机程序是实现一种基于客流去向结构的轨道交通od客流预测方法的步骤。

57、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现一种基于客流去向结构的轨道交通od客流预测方法的步骤。

58、本发明的有益效果：本发明提供的一种基于客流去向结构的轨道交通od客流预测方法通过构建时段类别预测模型和预测分时客流去向结构，该方法能够准确预测不同时间段的客流去向数据。聚类分析和权重计算考虑了历史数据和预测时段类别的概率，从而提高了预测的准确性。构建了客流去向结构自适应修正模型，利用状态空间模型表示客流去向结构的预测值，并通过观测方程进行修正。该模型可以根据历史数据和当前时段的数据进行自适应修正，提高了预测结果的可靠性和稳定性。平均wmape的平均值为12.21％，相较于传统模型提高了12％的精度，因此本发明的客流od实时预测框架具有良好的模型性能。本发明在准确性、可靠性和稳定性方面都取得更加良好的效果。