一种基于时序特征预测轨道交通OD客流量的方法技术

本发明专利技术涉及一种基于时序特征预测轨道交通OD客流量的方法，包括如下步骤：S1:采集轨道交通客流OD的历史数据，提取顺序时间序列与历史同期序列；S2：将顺序时间序列与历史同期序列结合得到新的时间客流量序列；S3：建立LSTM模型，将0至t时刻新的时间客流量序列作为输入对LSTM模型进行训练，然后再将t时刻新的时间客流量序列输入训练后的LSTM模型，得到t+1时刻的OD客流量。本发明专利技术方法将顺序时间序列与历史同期序列进行结合，形成新的特征组，用于预测轨道交通OD客流量，预测精度高。

A method for predicting OD passenger volume of rail transit based on time series characteristics

The invention relates to a method for predicting OD passenger flow of rail transit based on time series characteristics, including the following steps: S1: collecting historical data of OD of rail transit passenger flow, extracting sequence time series and historical synchronization sequence; S2: combining sequence time series with historical synchronization sequence to obtain new time passenger flow sequence; S3: establishing LST M model, the new time passenger flow sequence from time 0 to time t is used as input to train LSTM model, and then the new time passenger flow sequence at time t is input into the LSTM model after training, and the OD passenger flow at time t + 1 is obtained. The method combines the sequence time series with the historical synchronization sequence to form a new feature group, which is used to predict the OD passenger flow of rail transit with high prediction accuracy.

【技术实现步骤摘要】
一种基于时序特征预测轨道交通OD客流量的方法
本专利技术涉及轨道交通客流量预测
，尤其涉及一种预测轨道交通OD客流量的方法。
技术介绍
基于对历史数据进行统计而产生的模型，主要包括，历史平均模型、时间序列模型、线性回归模型等。历史平均模型在模型构建方面非常简单但是它并不能将客流非线性和不确定性准确的反映出来，尤其无法考虑随机干扰因素的影响。交通客流的影响因素众多，天气状况、节假日以及各种大型活动等等都会引起交通客流的的急剧增长。在1991年，Davis和Nihan将非参数回归模型引入到了交通短时客流预测中来，非参数回归模型只需足够的历史客流数据，所有的影响因素都蕴含在历史数据中，这些影响因素包含着各种复杂的环境状况。非参数回归模型通过寻找历史数据中与当前点相似“近邻”的基础上，但是仍然存在实用性不高，耗时过高的问题，不适合实时预测。史文雯基于北京轨道交通的历史数据，分析其时空分布特征，搭建短期预测模型并优化客运能力部署模型。实验结果显示，一套合理的配置能够减少乘客等待时间，一定程度上降低地铁拥堵程度和运营公司的成本。吴丽娟以北京轨道交通为实例，基于贝叶斯方法识别轨道交通车站的进站量异常情况，简历突发事件对客流的影响模型，并从影响范围和被影响程度分析突发时间对轨道线网造成的影响。从国内外研究成果中分析可以总结出选择适合数据特点的算法搭建模型，方可以更准确的预测其发展走向。城市轨道交通客流预测的前期研究主要集中在对年、月总量的预测，部分研究集中在中长时客流预测或是客流特征分析与安全运营上，而目前还缺少对于轨道交通小时级OD客流预测。
技术实现思路
针对现有技术之不足，本专利技术提供了一种基于时序特征预测轨道交通OD客流量的方法，弥补了现有技术的空白。为实现上述目的，本专利技术采用如下技术方案：一种基于时序特征预测轨道交通OD客流量的方法，包括如下步骤：S1:采集轨道交通客流OD的历史数据，提取顺序时间序列与历史同期序列，轨道交通客流OD数据的顺序时间序列记为{x0,x1,x2…xj…xt}，xj表示j时刻的OD值，历史同期序列记为{X0,X1,X2…Xj…Xt}，Xj表示历史同期j时刻的OD值；S2：将顺序时间序列与历史同期序列结合得到新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>}；S3：建立LSTM模型，将0至t时刻新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,X2>…<xj,Xj>…<xt,Xt>}作为输入对LSTM模型进行训练，然后再将t时刻新的时间客流量序列输入训练后的LSTM模型，得到t+1时刻的OD客流量。作为改进，所述步骤S3所建立的LSTM模型如下：xj＝Wx,j·Inputj+bx,j(1)；fj＝σ(Wf,j·[hj-1,xj]+bf,j)(2)；ij＝σ(Wi,j·[hj-1,xj]+bi,j)(3)；oj＝σ(Wo,j·[hj-1,xj]+bo,j)(6)；hj＝oj*tanh(Cj)(7)；其中，Wx,j表示j时刻全连接层权重，Inputj表示j时刻新的时间客流量序列，bx,j表示j时刻全连接层偏置；ft,j表示j时刻遗忘门限，hj-1表示j-1时刻单元的输出,Wf,j表示j时刻遗忘门权重，bf,j表示j时刻遗忘门的偏置，xj表示j时刻的输入；it,j表示j时刻输入门限，Wi,j表示j时刻输入门权重，bi,j表示j时刻输入门的偏置；表示j时刻的cell产生的新状态，Wc,j表示j时刻cell的权重，bc,j表示j时刻cell的偏置；表示j-1时刻的cell状态；Cj表示j时刻的cell总状态；oj表示j时刻输出门限，Wo,j表示j时刻输出门的权重，bo,j表示j时刻输出门的偏置；hj表示j时刻的输出。作为改进，所述步骤S3中，LSTM模型的训练方法如下：1)令j＝1；2)新的时间客流量序列<xj,Xj>作为输入,即令Inputj＝<xj,Xj>，并执行如下关系式的计算；xj＝Wx,j·Inputj+bx,j(1)；fj＝σ(Wf,j·[hj-1,xj]+bf,j)(2)；ij＝σ(Wi,j·[hj-1,xj]+bi,j)(3)；oj＝σ(Wo,j·[hj-1,xj]+bo,j)(6)；hj＝oj*tanh(Cj)(7)；3)当j>t时，执行下一步，否则令j＝j+1，并返回2)；4)输出当前LSTM模型，该模型即为训练后的LSTM模型。作为改进，所述步骤S3中，将t时刻新的时间客流量序列<xt,Xt>作为输入，输入训练后的LSTM模型，即令Inputj＝t＝<xt,Xt>，则输出hj＝t＝yt+1；yt+1表示预测结果，即预测出来的t+1时刻轨道交通OD客流量。本专利技术具有以下有益效果：本专利技术创新性的引入了轨道交通两种不同的时间信息，历史同期序列与顺序时间序列，并且将两种时间序列进行了结合，形成新的特征组，建立LSTM模型，将新的特征组作为输入，预测OD客流量，预测精度高。附图说明图1是本专利技术方法的流程简图。图2是本专利技术方法顺序时间序列与历史同期序列结合的过程示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。本专利技术引入了神经网络中的长短时记忆网络(LSTM)建立模型进行短时客流预测，建立了长短时记忆网络(LSTM)模型。本专利技术创新性的引入了轨道交通两种不同的时间信息，历史同期序列与顺序时间序列，并且将两种时间序列进行了结合，形成新的特征组。历史同期序列(周)，某一时刻与历史上以一周为周期所有该时刻的数据形成的时间序列。顺序时间序列，数据根据自身的时间先后关系形成的时间序列。参见图1和图2，图2中2号框代表历史同期序列，3号框代表顺序时间序列，1号框代表同一时刻(T-1)所有历史同期时间序列(T-1同期)与顺序时间序列(T-1时刻)结合构成的特征组。根据过去时刻特征组构成的序列构建长短时记忆模型(LSTM)并训练，预测下一时刻的OD客流。一种基于时序特征预测轨道交通OD客流量的方法，包括如下步骤：S1:采集轨道交通客流OD的历史数据，提取顺序时间序列与历史同期序列，轨道交通客流OD数据的顺序时间序列记为{x0,x1,x2…xj…xt}，xj表示j时刻的OD值，历史同期序列记为{X0,X1,X2…Xj…Xt}，Xj表示历史同期j时刻的OD值；S2：将顺序时间序列与历史同期序列结合得到新的时间客流量序列{<x0,X0>、<x1,X1>、<x2,本文档来自技高网...

【技术保护点】
1.一种基于时序特征预测轨道交通OD客流量的方法，其特征在于，包括如下步骤：S1：采集轨道交通客流OD的历史数据，提取顺序时间序列与历史同期序列，轨道交通客流OD数据的顺序时间序列记为{x0，x1，x2…xj…xt}，xj表示j时刻的OD值，历史同期序列记为{X0，X1，X2…Xj…Xt}，Xj表示历史同期j时刻的OD值；S2：将顺序时间序列与历史同期序列结合得到新的时间客流量序列{

【技术特征摘要】
1.一种基于时序特征预测轨道交通OD客流量的方法，其特征在于，包括如下步骤：S1：采集轨道交通客流OD的历史数据，提取顺序时间序列与历史同期序列，轨道交通客流OD数据的顺序时间序列记为{x0，x1，x2…xj…xt}，xj表示j时刻的OD值，历史同期序列记为{X0，X1，X2…Xj…Xt}，Xj表示历史同期j时刻的OD值；S2：将顺序时间序列与历史同期序列结合得到新的时间客流量序列{<x0，X0>、<x1，X1>、<x2，X2>…<xj，Xj>…<xt，Xt>}；S3：建立LSTM模型，将0至t时刻新的时间客流量序列{<x0，X0>、<x1，X1>、<x2，X2>…<xj，Xj>…<xt，Xt>}作为输入对LSTM模型进行训练，然后再将t时刻新的时间客流量序列输入训练后的LSTM模型，得到t+1时刻的OD客流量。2.如权利要求1所述的基于时序特征预测轨道交通OD客流量的方法，其特征在于，所述步骤S3所建立的LSTM模型如下：xj＝Wx，j·Inputj+bx，j(1)；fj＝σ(Wf，j·[hj-1，xj]+bf，j)(2)；ij＝σ(Wi，j·[hj-1，xj]+bi，j)(3)；oj＝σ(Wo，j·[hj-1，xj]+bo，j)(6)；hj＝oj*tanh(Cj)(7)；其中，Wx，j表示j时刻全连接层权重，Inputj表示j时刻新的时间客流量序列，bx，j表示j时刻全连接层偏置；ft，j表示j时刻...

【专利技术属性】
技术研发人员：杨梦宁，赵小超，陈开润，徐玲，唐启铖，杨滢，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50