基于车站聚类的轨道交通新线接入客流预测方法与流程

本发明涉及城市轨道交通，尤其涉及一种基于车站聚类的轨道交通新线接入客流预测方法。

背景技术：

1、城市轨道交通的迅速发展为有关部门的运营组织管理工作提出了新的课题，而准确的新线客流需求预测是解决问题的关键。轨道交通车站进出站客流量预测是项目立项和可行性分析的重要依据，也是整个轨道交通系统规划与设计的重要依据。根据经验表明，新的路线建成以及建成环境的变化可能会对轨道交通路网客流产生影响，为了应对这些变化，运输部门和政府应设法确定其影响程度，以调整服务或改进规划。因此，应该对新线开通条件下的轨道交通车站进出站量进行研究。

2、构建合理的预测模型是进行客流预测的关键。交通流量预测最早使用的方法是“四阶段法”，由交通生成、交通分布、方式划分、交通分配四个阶段构成，是一种宏观层面的间接预测方法。由于四阶段法在中微观层面轨道客流预测研究中存在响应速度慢、预测精度不足的问题，因此许多学者开始研究直接预测模型。如中国发明专利cn108694463a提供的一种城市轨道交通站点进出站客流预测方法，通过建立既有轨道交通站点与周边建成环境要素的回归模型，将新开站点的建成环境要素带入回归模型中，得到新开站点的客流预测值。但上述方案没有考虑到不同类型车站的差异性，不能深入挖掘不同类型的车站建成环境与客流量之间的关系，从而导致新开站点的客流预测结果与真实客流数据之间存在偏差。

技术实现思路

1、为解决上述现有技术中存在的技术问题，本发明的目的在于提供一种的基于车站聚类的轨道交通新线接入客流预测方法，通过对既有站点客流数据聚类，获得既有站点类别，从而深入挖掘不同类型车站建成环境与客流之间的关系，可显著提高预测结果的准确性。

2、为实现上述发明目的，本发明提供了一种基于车站聚类的轨道交通新线接入客流预测方法，包括以下步骤：

3、步骤s1、获取既有站点的客流数据和建成环境数据以及新线站点的建成环境数据；

4、步骤s2、根据所述既有站点的客流数据进行聚类，获得既有站点的站点类别；

5、步骤s3、创建gbrt模型，利用既有站点的站点类别及其对应的客流数据和建成环境特征对gbrt模型进行分类别训练，获取每类站点的建成环境数据与进出站量的关系；

6、步骤s4、根据聚类获得的各类站点的建成环境特征和新线站点的建成环境特征进行新线站点的类型匹配，获得所述新线站点的类型；

7、步骤s5、通过训练完成的所述gbrt模型和所述新线站点的站点类别以及所述新线站点的建成环境数据，获取所述新线站点的进出站量。

8、根据本发明的一个技术方案，所述既有站点的客流数据为所述新线站点开通前一个月既有线网的全站点的客流数据，包括工作日客流数据和周末客流数据；

9、所述建成环境数据包括土地利用性质、区域社会经济、车站自身特征和外部交通属性；

10、所述土地利用性质为站点吸引范围内的商业娱乐poi数、教育poi数、大型场馆poi数、医院poi数、居住poi数、办公poi数、交通枢纽poi数、旅游景点poi数与土地利用混合指数；

11、所述区域社会经济为站点吸引范围内的居住人数与工作人数；

12、所述车站自身特征为站点的度、介数、出口数量与距市中心距离；

13、所述外部交通属性为站点吸引范围内的道路密度与公交条数。

14、根据本发明的一个技术方案，所述客流数据的时间粒度为1h；所述站点吸引范围为800米。

15、根据本发明的一个技术方案，在所述步骤s1中，还包括对所述既有站点的客流数据和建成环境数据进行数据清洗和预处理。

16、根据本发明的一个技术方案，在所述步骤s2中，具体包括：

17、步骤s21、根据所述既有站点的客流量数据，获取所述既有站点的日均客流量，并采用箱线图方法，进行所述既有站点的车站客流强度类型的划分；所述车站客流强度类型的分类公式如下：

18、

19、

20、其中，pi为第i个车站的客流强度特征，通过日均客流量表示；flowj为第j日车站客流量，n为合计天数；q1为第一四分位数，等于该样本中所有数值由小到大排列后第25％的数字；q4为第四分位数，等于该样本中所有数值由小到大排列后第75％的数字；

21、步骤s22、根据所述既有站点的客流量数据，进行车站功能类型的划分；所述车站功能类型的分类公式如下：

22、fi＝mar{x1，x2}

23、

24、其中，fi为第i个车站的车站功能特征，通过车站的就业系数x1和居住系数x2中较大者进行表示；△x为偏差系数，表示车站功能的突出程度，q1和q2分别为居住系数/就业系数的经验阈值和偏差系数的经验阈值；

25、所述就业系数x1表示为x1＝(x早出/x总出+x晚进/x总进)/2；

26、所述居住系数x2表示为x2＝(x早进/x总进+x晚出/x总出)/2；

27、所述偏差系数表示为△x＝x2-x1；

28、x早出表示车站的早高峰出站人数，x总出表示车站的总出站人数，x早进表示车站的早高峰进站人数，x总进表示车站的总进站人数，x晚进表示车站的晚高峰进站人数，x晚出表示车站的晚高峰出站人数；

29、步骤s23、根据所述既有站点的客流强度特征和车站功能特征，组合生成所述既有车站的站点类别。

30、根据本发明的一个技术方案，在所述步骤s4中，对所述gbrt模型进行分类别训练，具体包括：

31、对每类站点，根据所述既有站点的站点类别、客流数据和建成环境数据分别建立站点客流量因变量集合和环境指标自变量集合；

32、所述gbrt模型以所述建成环境指标自变量集合为输入特征，以所述站点客流量因变量集合为输出特征，对每类站点的客流量数据与其建成环境数据进行拟合，拟合函数近似为多个回归树的线性顺序组合f(x)，其中所述线性顺序组合如式(3)所示：

33、

34、其中，x表示输入特征，即所述建成环境指标自变量集合，m表示回归树的数量，αm表示第m棵回归树b(x；θm)的权重，θm为第m棵回归树的参数，代表回归树的最佳划分节点；

35、所述gbrt模型通过使损失函数l(yi,f(xi))达到最小值，确定αm和θm的参数取值；所述损失函数如式(4)所示：

36、

37、其中，xi表示车站i的建成环境，yi表示车站i的客流量，yi的输出特征为连续函数；

38、所述损失函数在前m个回归树的组合fm-1(x)的负梯度值为：

39、

40、回归树的权重与参数的估计公式如下式(6)所示：

41、

42、其中，n为样本点的个数；

43、所述gbrt模型的总体迭代过程表示为：

44、fm(x)＝fm-1(x)+αmb(x；θm)       (7)

45、根据本发明的一个技术方案，通过引入学习率ξ对所述gbrt模型进行改进，所述学习率ξ满足0<ξ<1；

46、当所述gbrt模型达到预定迭代次数l时，其最终模型函数表示为

47、fl(x)＝fl-1(x)+ξαlb(x；θl)        (8)。

48、根据本发明的一个技术方案，在所述步骤s4中，具体包括：

49、步骤s41、根据聚类获得站点类别，对每类站点内包含的既有站点的建成环境数据进行均值计算，获得每类站点的车站环境特征；

50、步骤s42、对新线站点和每类车站的车站环境特征的数值进行标准化，使车站环境特征的数值处于[0,1]区间，标准化的公式如式(9)所示：

51、

52、其中，x指标i表示车站i标准化后的建成环境特征，xi表示车站i建成环境；

53、步骤s43、计算新线站点与既有车站的建成环境特征的欧氏距离，并计算新线站点与既有车站的建成环境特征序列的综合距离，所述综合距离的计算公式如下：

54、

55、式中h为综合距离，xr表示新线车站第r个建成环境特征值，表示第k类车站的第r个建成环境特征平均值；

56、步骤s44、筛选出与新线站点的建成环境特征序列的综合距离最小的既有站点，以其站点类别作为新线站点的类别。

57、本发明与现有技术相比，具有如下有益效果：

58、(1)本发明提出了一种基于车站聚类的轨道交通新线接入客流预测方法，通过获取既有站点的客流数据和建成环境数据，并创建gbrt模型，利用gbrt模型获取站点建成环境数据与客流数据的关系，实现通过站点的环境因素进行客流预测。本发明中，通过对客流数据聚类获得既有站点的站点类别，并利用既有站点类别及其对应的客流数据和建成环境数据对gbrt模型进行分类别训练，充分考虑不同类型站点间的差异性；进行客流预测时首先根据新线站点的建成环境特征对新线站点进行类型匹配，提高了新线站点客流预测结果的准确性；

59、(2)本发明建成环境数据包括土地利用性质、区域社会经济、车站自身特征和外部交通属性，同时选择道路密度、公交条数、度、介数、出口、市中心距离、居住人数、工作人数、土地利用混合指数、商业娱乐poi数、教育poi数、大型场馆poi数、医院poi数、居住poi数、办公poi数、交通枢纽poi数、旅游景点poi数对建成环境特征进行表征，建成环境数据获取方便，考虑客流影响因素全面；

60、(3)本发明采用梯度提升回归树(gbrt)作为机器学习模型，gbrt模型需要调整的参数较少且精度较高，同时考虑了建成环境对车站客流的非线性影响；

61、(4)本发明中，对既有站点的客流数据进行聚类，获得站点类别，其中，客流数据包括工作日客流数据与周末客流数据，通过对站点的客流强度和车站功能类型进行划分，组合形成站点类别，并分析各类站点对应的建成环境特征，挖掘客流数据与建成环境间的映射关系，充分考虑到影响客流大小的环境因素，强化了客流特征与建成环境特征间的关系的对应性，从而进一步提高了利用站点建成环境数据预测客流的预测准确性。