一种基于条件随机场的城市人口移动数据模型分析方法技术

本发明专利技术涉及一种基于条件随机场的城市人口移动数据模型分析方法。该方法包括：根据轨道交通历史客流OD数据以及相关的天气数据，建立对每个站点到其它站点的客流比例的预测模型；输入实时天气数据预测出各个站点到其它站点的客流分配比例，获取乘客进站数据依据客流分配比例预测乘客出站站点；模拟各个乘客出行情况，计算轨道交通路网客流分布。该方法将地铁客流与天气因素关联，准确的建立了乘客出行选择与天气因素的关联关系，挖掘轨道交通客流变化的内在因素，实现对轨道交通客流更加更高精度的预测。

【技术实现步骤摘要】

本专利技术提出了一种基于条件随机场的城市人口移动数据模型分析方法，该方法结合天气因素分析城市居民通过地铁移动的目的地分布。该方法将轨道交通客流和天气数据关联，预测各个OD对客流量，然后归一化得到出站概率向量来表示居民出站点即居民移动目的地分布，而后依据实时刷卡数据和轨道交通基础数据模拟乘客出行，统计出轨道交通网络全路网客流分布。本专利技术旨在挖掘轨道交通客流与天气因素的相关关系，分析天气因素对城市人口移动的影响，预测城市居民通过地铁去往的目的地分布。
技术介绍
现在人们越来越重视健康出行，在出行时对室外空气质量的考虑越来越看重，因此城市人口移动受到天气因素越来越大的影响。现在在分析城市人口移动、预测乘客出行目的地方面，大多数客流预测算法只是考虑算法客流序列自身的特征，而没有与影响客流变化的因素结合，因此本专利申请在图模型的基础上结合客流序列与天气因素对乘客出站进行预测，以达到分析城市人口通过地铁移动的分布的目的。同时，在预测乘客出站的基础上提出一种统计客流分布的方法，即时计算路网客流分布。
技术实现思路
本专利技术的目的在于提出一种基于条件随机场的城市人口移动数据模型分析方法。该方法将轨道交通客流和天气因素关联，结合历史客流数据和天气数据，预测各个站点到其它站点的出站概率向量，然后对于乘客实时刷卡数据，预测乘客的出站点和出行路径，并模拟乘客出行，统计轨道交通网络客流分布。这种算法将轨道交通客流与天气因素关联，更加准确的预测乘客的出站点和全路网客流分布。本专利技术解决其技术问题所采取的技术方案是：通过历史数据训练模型得到客流预测模型，计算各个站点的出站概率向量，之后，通过对实时乘客进站数据进行模拟，统计全路网客流分布。首先将一天依据客流特征划分为n个时段，针对每个OD对建立客流预测模型，将天气数据和历史客流作为模型输入，预测出该OD对的客流序列；然后对每个站点，归一化其到其它站点的客流序列得到该站点的出站概率向量；最后实时获取乘客进站数据，预测乘客出站点和出行路径，对每条数据进行出行模拟，统计得到全路网各个站点的客流量和各辆列车上的客流量。本专利技术的详细技术方案如下：一种基于条件随机场的城市人口移动数据模型分析方法包括两个步骤：步骤一：预测站点到其它站点的出站概率向量：依据历史客流数据和天气数据训练条件随机场客流预测模型，输入天气数据预测每个OD对客流序列，归一化计算各个站点出站概率向量。(1)条件随机场模型建立见图2，将一天划分为n个时段，天气数据(温度、空气质量、是否下雨)X＝{x1,x2,...,xn本文档来自技高网...

【技术保护点】
一种基于条件随机场的城市人口移动数据模型分析方法，其特征在于：它包括两个步骤：步骤一：预测站点到其它站点的出站概率向量：依据历史客流数据和天气数据训练条件随机场客流预测模型，输入天气数据预测每个OD对客流序列，归一化计算各个站点出站概率向量；(1)条件随机场模型建立将一天划分为n个时段，天气数据即温度、空气质量、是否下雨X＝{x1,x2,...,xn}作为模型的输入数据，OD对客流数据Y＝{y1,y2,...,yn}作为模型的输出数据；模型中变量x和y包括两种相互关系，一种是观察变量和输出变量之间的关系，一种是输出变量之间的时间序列关系；观察变量和输出变量之间的关系称为联合势能，采用二次的函数gt(yt,x；α,β)表示，表达式如下所示：gt(yt,x;α,β)=exp(-Σj=1kI(zt=vj)(12αtjxtyt2-βtjxtyt))]]>式中：gt(yt,x；α,β)：联合势能函数I(zt＝vj)：指示函数I(zt=vj)=1;ifzt=vj0;ifzt≠vj]]>zt：t时段是否下雨这一状态vj：vj＝{1,2}分别表示下雨和不下雨两种状态t时段vj状态下二次变量的参数t时段vj状态下一次变量yt的参数；输出变量之间的关系称为相互势能，采用二次函数ft(yt,yt+1,x；λ)表示，表达式如下所示：ft(yt,yt+1,x;λ)=exp(-Σj=1kI(zt=vj)(λtjxtytyt+1))]]>式中：ft(yt,yt+1,x；λ)：相互势能函数I(zt＝vj)：指示函数I(zt=vj)=1;ifzt=vj0;ifzt≠vj]]>zt：t时段是否下雨这一状态vj：vj＝{1,2}分别表示下雨和不下雨两种状态t时段vj状态下相邻变量ytyt+1的参数；在联合势能函数和相互势能函数的基础上，条件随机场客流预测模型的条件概率p(y|x)的表达式为：p(y|x;α,β,λ)=1Z(x;α,β,λ)Πt=1Tgt(yt,x;α,β)Πt=1T-1ft(yt,yt+1,x;λ)]]>式中：p(y|x；α,β,λ)：条件随机场客流预测模型的条件概率Z(x；α,β,λ)：归一化函数Z(x;α,β,λ)=∫Πt=1Tgt(yt,x;α,β)Πt=1T-1ft(yt,yt+1,x;λ)dy;]]>T：客流序列每天划分的时段数依据历史客流数据和历史天气数据对模型的条件概率p(y|x；α,β,λ)使用梯度下降算法进行优化迭代得到模型的最优参数；(2)预测OD对客流序列由于乘客在出行时一般由进站点的天气因素影响，因此提出的条件随机场模型将进站点的天气数据作为输入，在(1)中，对各个OD对进行训练得到各自的参数，将天气数据输入得到站点O到站点Di的客流序列为因此对各个OD对进行预测，得到每个OD对的客流序列；(3)出站概率向量计算：对一个进站点在不同时间段归一化该站到其它站点的客流序列，计算出出站点概率向量；出站概率向量计算方法如下：对于一个站点O，输入天气数据预测从该站点到其它m个站点的客流序列分别为则在k时段，站点O到其它m个站点的客流向量为对客流向量进行归一化得到该站点在k时段到其它m个站点的客流比例，即其中表示k时段m个站点客流总和；该客流比例表明乘客从O站点出发到达其它站点的比例，对于一条乘客进站数据，该向量表示乘客去往其它各个站点的概率，即为站点O的出站概率向量；对每个计算其去往其它站点的出站概率向量，得到全路网站点的出站概率矩阵，用于预测乘客的出站站点；步骤二：实时获取乘客进站数据，模拟乘客出行，统计轨道交通网络全路网客流分布；(1)出站站点预测：依据刷卡记录时间所属的时间段，搜索该时间段进站点的出站向量，依据随机数所属的区间预测出站点；(2)出行路径选择：对于一个记录的进展点和出站点，依据历史该OD对路径客流比例的统计数据，分配一条出行路径给该条记录；(3)模拟乘客出行：以轨道交通基础数据发车时间、行车速度和乘客的进站时间、预测的出站点，模拟乘客的在轨道网络中的出行情况；(4)计算全路网客流分布：模拟每个乘客的出行，将乘客出行数据存入数据库，综合所有乘客的出行数据统计出轨道交通网络各个站点和列车的实时客流量。...

【技术特征摘要】
1.一种基于条件随机场的城市人口移动数据模型分析方法，其特征在于：
它包括两个步骤：
步骤一：预测站点到其它站点的出站概率向量：依据历史客流数据和天气
数据训练条件随机场客流预测模型，输入...

【专利技术属性】
技术研发人员：杜恒，冷彪，熊璋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11