A method and device for forecasting the short time passenger flow status of the rail transit station. The method includes: generating passenger flow and speed time series according to the passenger flow and passenger flow speed of the target site and the target site upstream and downstream adjacent sites; the first order difference operation is carried out on the passenger flow and the speed time sequence, and the stability is obtained. Time series; a vector autoregressive model is constructed with historical sample data of stationary time series; error correction is obtained according to the historical sample data of the original passenger flow, passenger flow and speed time series at the same time period; a vector error correction model for target site traffic and passenger flow speed is established; and the calculation time interval is t The predicted values of target site passenger volume and passenger flow speed. The method and device for forecasting the short time passenger flow status of the rail transit station, use the passenger flow and speed parameter data of the related sites, establish the vector error correction model to predict the passenger flow and passenger flow speed of the target site, and improve the accuracy and dependability of the short-term passenger flow prediction.
【技术实现步骤摘要】
轨道交通站点短时客流状态预测方法及装置
本专利技术涉及一种城市轨道交通管理
,具体地涉及一种轨道交通站点短时客流状态预测方法及装置。
技术介绍
城市轨道交通以其快速、舒适、整洁等优点,吸引了越来越多的居民选择轨道交通出行,引起了客流时空分布的巨大变化,进而对运营管理提出了更高的要求。轨道交通客流状态预测是轨道交通运营、管理和控制的关键技术之一,准确、可靠的预测不仅能够反映客流实时变化规律、提供运能分析和运量匹配的数据支撑,也是服务水平、系统运行状态评价的重要决策指标,对其进行深入研究具有重要意义。目前,轨道交通短时客流预测也开展了一些研究,如神经网络模型、时间序列模型等预测方法,由于站点客流具有时间序列特性,时间序列模型已经成为短时客流预测的经典模型之一。但现有的轨道交通站点客流状态预测大多是依据本站点历史客流,采用单输入单输出的预测模型为主,忽视了参数之间的内在联系,以及网络化运营下站点之间时空相关性等有效信息,难以准确预测客流状态。因此,深入挖掘轨道交通客流参数之间的时空相关性,并在此基础上构建轨道交通站点客流状态多变量时间序列模型,能够进一步提高客流状态预测的准确性。
技术实现思路
本专利技术的目的在于提出一种轨道交通站点短时客流状态预测方法及装置,以提高客流短时预测的准确性和可靠性。为达此目的,本专利技术采用以下技术方案:一种轨道交通站点短时客流状态预测方法,所述方法包括:根据获取的轨道交通目标站点及所述目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,Sit=(qit,vit)T,i=1、2、 ...
【技术保护点】
1.一种轨道交通站点短时客流状态预测方法,其特征在于,所述方法包括:根据获取的轨道交通目标站点及所述目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,所述客流量和客流速度由通道内的视频数据获取;Sit=(qit,vit)T,i=1、2、3,分别表示所述目标站点上游相邻站点、所述目标站点和所述目标站点的下游相邻站点,qit为客流量,vit为客流速度;对所述客流和速度时间序列进行一阶差分运算,得到平稳时间序列S′it=(q′it,v′it)T,其中,S′it为第i个站点在时间间隔t内的一阶差分值;采用所述平稳时间序列的历史样本数据构建向量自回归模型;根据相同时段的原始客流量、所述客流和速度时间序列的历史样本数据,检验所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt‑1;根据所述向量自回归模型以及所述误差修正项,建立目标站点客流量和客流速度的向量误差修正模型;根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。
【技术特征摘要】
1.一种轨道交通站点短时客流状态预测方法,其特征在于,所述方法包括:根据获取的轨道交通目标站点及所述目标站点上游和下游相邻站点的客流量和客流速度,生成客流和速度时间序列{Sit,i=1,2,3},其中,所述客流量和客流速度由通道内的视频数据获取;Sit=(qit,vit)T,i=1、2、3,分别表示所述目标站点上游相邻站点、所述目标站点和所述目标站点的下游相邻站点,qit为客流量,vit为客流速度;对所述客流和速度时间序列进行一阶差分运算,得到平稳时间序列S′it=(q′it,v′it)T,其中,S′it为第i个站点在时间间隔t内的一阶差分值;采用所述平稳时间序列的历史样本数据构建向量自回归模型;根据相同时段的原始客流量、所述客流和速度时间序列的历史样本数据,检验所述客流和速度时间序列{Sit,i=1,2,3}之间的协整关系,得到误差修正项λecmt-1;根据所述向量自回归模型以及所述误差修正项,建立目标站点客流量和客流速度的向量误差修正模型;根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值。2.根据权利要求1所述的方法,其特征在于,所述向量自回归模型为:其中,p,q为向量自回归过程的滞后阶数,Δq2t为目标站点客流量在时间间隔t内的一阶差分值,Δv2t为目标站点客流速度在时间间隔t内的一阶差分值,Δq1(t-m)、Δq3(t-m)为上游和下游相邻站点客流量在时间间隔(t-m)内一阶差分值,Δv1(t-m)、Δv3(t-m)为上游和下游相邻站点客流速度在时间间隔(t-m)内一阶差分值;αxm、βxm、γxm、δxm、εxm、∈xm、αym、βym、γym、δym、εym、∈ym、cx、cy为所述向量自回归模型的待估参数;∈xt、∈yt为所述向量自回归模型的误差项。3.根据权利要求2所述的方法,其特征在于,所述向量误差修正模型为:其中,λ1、λ2位对应的误差修正系数,λ1ecmt-1、λ2ecmt-1为误差修正项。4.根据权利要求3所述的方法,其特征在于,所述根据所述向量误差修正模型和视频数据计算时间间隔t内目标站点客流量和客流速度的预测值,包括:从视频获取在时间间隔(t-1),(t-2),(t-3)……(t-p+1)的实际观测值;根据所述实际观测值及所述向量误差修正模型计算在时间间隔t内目标站点客流量和客流速度一阶差分时间序列的预测值Δq2t、Δv2t...
【专利技术属性】
技术研发人员:张宁,张炳森,尹嵘,袁春强,
申请(专利权)人:东南大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。