一种客流量的预测方法及装置制造方法及图纸

本发明专利技术公开了一种客流量的预测方法及装置，用于客流量预测技术领域。在本发明专利技术一些可行的实施方式中，方法包括：获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。本发明专利技术技术方案基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。

【技术实现步骤摘要】

本专利技术涉及客流量预测
，具体涉及一种客流量的预测方法及装置。
技术介绍
轨道交通作为公共交通的重要组成部分，其具有速度快、时间准、运量大、运距长、舒适度高、受外界影响小等特点，其在城市公共交通流量大、道路拥堵等问题起着重要的作用，已日益成为市民出行的首选交通方式，随着地铁客流量的逐天增加，轨道交通也遭受客流集散拥挤严重，客流组织工作的复杂度也越来越高，因此，地铁客流量的短期预测体现出其他交通方式不可比拟的作用，是制定运力配置方案、客运组织方案的重要参考因素。现有的客流量的预测方法多是基于单源数据的预测方法，例如基于智能卡数据的客流量的预测方法，由于影响客流量的因素有多种多样，因此这种仅仅依据智能卡数据对客流量进行预测的方法会导致预测的精准度尤其是短期预测的精准度比较低。综上所述，现有技术中的客流量的预测方法是基于单源数据，导致预测的客流量的精准度比较低。
技术实现思路
本专利技术实施例提供一种客流量的预测方法及装置，以解决现有技术中的客流量的预测方法是基于单源数据，导致预测客流量的精准度比较低的问题。本专利技术第一方面提供一种客流量的预测方法，包括：获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。本专利技术第二方面提供一种客流量的预测装置，包括：获取模块，用于获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；预测模块，基于所述获取模块中获取的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。由上可见，本专利技术实施例基于多源数据中影响客流量的特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量，可提高预测的客流量的精准度。附图说明为了更清楚地说明本专利技术实施例技术方案，下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例提供的一种客流量的预测方法的流程图；图2是本专利技术实施例提供的一种客流量的预测方法的子流程图；图3是本专利技术实施例提供的一种客流量的预测方法的另一子流程图；图4是本专利技术实施例提供的一种客流量的预测装置的逻辑结构示意图；图5是本专利技术实施例提供的一种客流量的预测装置的另一逻辑结构示意图；图6是本专利技术实施例提供的一种客流量的预测装置的又一逻辑结构示意图。具体实施方式本专利技术实施例提供一种客流量的预测方法，以解决现有技术中的客流量的预测方法是基于单源数据，导致预测客流量的精准度比较低的问题。本专利技术实施例还提供相应的一种客流量的预测装置。为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。下面通过具体实施例，分别进行详细的说明。实施例一、请参考图1，本专利技术实施例提供的一种客流量的预测方法，可包括：110、获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据。影响客流量的因素有多种多样，例如天气状况，公路交通拥堵，这些因素都会影响到未来的客流量。本专利技术实施例通过获取智能卡刷卡数据、气象数据及机动车GPS数据，并基于这些数据的特征属性进行客流量的预测，可更好的提高预测的精准度。在本专利技术的一些实施例中，客流量具体为地铁客流量。在本专利技术的一些实施例中，所述智能卡刷卡数据包括：智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型。其中进出站类型是指乘客是进站类型还是出站类型。可用CardID、StationId、TrnsctTime和TrnsctyType来分别标识智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型。所述气象数据包括：气象站点、站点经纬度，十分钟风速，湿度，气压，十分钟降雨量。可用StationID、GPS、Tenmtwdspeed、Humidity，Barpressure和Tenmnrainfall来分别标识气象站点、站点经纬度，十分钟风速，湿度，气压及十分钟降雨量。所述机动车GPS数据包括：车牌号、时间、经度、纬度及速度。可用ID、Time、Lat、Lng及Speed来分别标识车牌号、时间、经度、纬度及速度。请参考图2，在本专利技术的一些实施例中，所述获取多源数据中影响客流量的特征属性包括：1101、基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量。在本专利技术的一些实施例中，所述基于智能卡刷卡数据将乘客分为常客和散客两类的步骤具体为：基于智能卡刷卡数据获取乘客的时空特征信息，根据所述时空特征信息将乘客分为常客和散客两类。请参考图3，在本专利技术的一些实施例中，所述基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘客的数量包括：11011、根据智能卡刷卡数据中的智能交通卡的唯一标识、公交线路或者地铁站的标识、刷卡时间及进出站类型，汇总每张智能卡的出行信息和活跃天数。在本专利技术的而一些实施例中，可将长时间的智能卡数据，按CardID、StationId、TrnsctTime、TrnsctyType将乘客的进站和出站记录相匹配，形成一次出行，每次出行包含了进站点和出站点及进出站时间，以汇总每张卡的所有出行信息和活跃天数。11012、根据所述出行信息和活跃天数获取乘客的集中出行时间段。在本专利技术的一些实施例中，针对每位乘客可按以下步骤做分析，假设乘客的活跃天数为Dnum。步骤11012根据所述出行信息和活跃天数获取乘客的集中出行时间段具体可包括以下步骤：(1)、获取乘客在每天每个时段的活跃状态。在本步骤中，可用数组H表示，其中行表示天，列表示时段，时段是指将天划分为多个时段，Hji的值表示在第j天，第i时段乘客的状态，当Hji的值为0时表示乘客在第j天，第i时段无乘车行为，当Hji的值为1时表示乘客在第j天，第i时段有乘车行为。(2)、汇总每个时间段乘客的乘车天数。本步骤中，可采用重叠时间段，三小时为一时间段，例如00:00～2:59,1:00～3:59…，结果用一维数组T表示乘客的乘车天数，这里Ti表示第i个时间段的乘车天数，结果用如下公式1表示：Ti=Σj=1Dnum(Hji|Hj(i+1)|Hj(i+2))]]>(公式1)(3)、对T中的值按降序排列，获取乘车天数与活跃天数大于预先本文档来自技高网...

【技术保护点】
一种客流量的预测方法，其特征在于，包括：获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数据、气象数据及机动车GPS数据；基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未来的客流量。

【技术特征摘要】
1.一种客流量的预测方法，其特征在于，包括：
获取多源数据中影响客流量的特征属性，所述多源数据包括智能卡刷卡数
据、气象数据及机动车GPS数据；
基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预测未
来的客流量。
2.根据权利要求1所述的方法，其特征在于，所述获取多源数据中影响客
流量的特征属性包括：
基于智能卡刷卡数据将乘客分为常客和散客两类，统计常客和散客两类乘
客的数量；
基于气象数据计算站点的天气指数；
基于机动车GPS数据计算所述站点的路况指数；
所述基于所述特征属性，利用自回归积分滑动平均模型和人工神经网络预
测未来的客流量包括：
基于所述常客和散客两类乘客的数量、所述天气指数和所述路况指数，利
用自回归积分滑动平均模型和人工神经网络预测未来的客流量。
3.根据权利要求2所述的方法，其特征在于，所述基于智能卡刷卡数据将
乘客分为常客和散客两类，统计常客和散客两类乘客的数量包括：
根据智能卡刷卡数据中的智能交通卡的唯一标识、公交线路或者地铁站的
标识、刷卡时间及进出站类型，汇总每张智能卡的出行信息和活跃天数；
根据所述出行信息和活跃天数获取乘客的集中出行时间段；
获取每个乘客在每个集中出行时间段的进站点，当第一乘客在第一集中出
行时间段中从第一进站点进站的概率大于预先设置的第一阈值时，则标记第一
进站点为第一集中出行时间段内第一乘客的经常出行站点，此时的第一乘客为
第一进站点、第一集中出行时间段内的常客，否则为散客，所述第一乘客是全
部乘客中的任一乘客，所述第一集中出行时间段是全部集中出行时间段中的任

\t一集中出行时间段，所述第一进站点是全部站点中的任一站点；周期统计常客
和散客两类乘客的数量，形成两个时间序列，分别为常客时间序列和散客时间
序列。
4.根据权利要求3所述的方法，其特征在于，所述基于所述常客和散客两
类乘客的数量、所述天气指数和所述路况指数，利用自回归积分滑动平均模型
和人工神经网络预测未来的客流量包括：
利用自回归积分滑动平均模型对常客时间序列和散客时间序列的数量进行
预测，得到第一预测结果和第二预测结果；
对第一残差序列进行样本重构，并加入所述天气指数和所述路况指数，形
成第一样本集，对第二残差序列进行样本重构，并加入所述天气指数和所述路
况指数，形成第二样本集，所述第一残差序列为所述常客时间序列与第一预测
结果的差，所述第二残差序列为所述散客时间序列与第二预测结果的差；
利用人工神经网络，分别对所述第一样本集和所述第二样本集进行预测，
得到第三预测结果和第四预测结果；
所述未来的客流量包括所述第一预测结果、所述第二预测结果、所述第三
预测结果和所述第四预测结果。
5.根据权利要求1所述的方法，其特征在于，
所述智能卡刷卡数据包括：智能交通卡的唯一标识、公交线路或者地铁站
的标识、刷卡时间及进出站类型；
所述气象数据包括：气象站点、站点经纬度，十分钟风速，湿度，气压，
十分钟降雨量；
所述机动车GPS数据包括：车牌号、时间、经度、纬度及速度。
6.一...

【专利技术属性】
技术研发人员：赵娟娟，张帆，须成忠，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44