一种基于模式分类的公交客流预测方法技术

本发明专利技术公开了一种基于模式分类的公交客流预测方法。该方法包括以下步骤：日期属性量化矩阵建立；影响因素与客流量之间的相关性与敏感性评价；通过特征工程处理，获取加权日期属性量化矩阵；进一步根据目标日期的属性，在矩阵中进行Shepard插值预测。本发明专利技术对影响公交客流因素进行模式分类，能有效反映客流量时段性和季节性变化，实现了公交客流的高精度和鲁棒性预测，相比传统的公交客流预测方法，本发明专利技术方法有更高的预测精度的较强的鲁棒性，且参数依赖性较小，为公交车辆运力配置和运营调度奠定了坚实的数据基础。

【技术实现步骤摘要】
一种基于模式分类的公交客流预测方法
本专利技术涉及公交运营调度，特别是涉及一种基于模式分类的公交客流预测方法。
技术介绍
准确及时的公交车辆调度是公交系统运行效率的保证，公交线网规划和运营调度的首要技术参数是运力规模的配置，而运力配置又取决于客流量的大小，其精确性和可靠性将对公交线网规划和运行调度的决策造成很大影响。公交客流信息对调度的有效性会产生显著影响，尤其在公交网络调度过程中，一条线路客流量变化引起的车辆运行延误可能传播到其他线路甚至引起“级联失效”的现象，因此，准确的客流预测是公交车辆运营计划制定和车辆调度工作重要的决策依据。此外，面向中长期的公交线网规划涉及到基础设施的投资和建设，一旦成型就不可随意改变，例如包括线路、枢纽场站规划，购车计划等的线网规划，其规划的基础数据也是公交客流需求，而客流需求往往呈现随时段和季节性的波动，因此要求公交客流预测能够反映未来交通量的不确定性。对于公交客流预测问题，目前研究所使用的预测方法主要集中在统计学预测方法和机器学习预测方法使用的方法，主要分为如下几类：时间序列分析、统计预测、神经网络、支持向量机。传统的统计学预测方法如时间序列分析何统本文档来自技高网...

【技术保护点】
一种基于模式分类的公交客流预测方法，其特征在于包括如下步骤：第一步提取日期与客流相关的属性，将其量化并归一化处理，建立针对日期的多维属性矩阵；第二步评价每个属性与客流之间的相关性与敏感性，提取有效预测的维度，并对每个有效维度赋权；第三步在预处理后的属性矩阵中，在历史数据的基础上，对目标日期的时段客流利用Shepard插值预测算法进行预测。

【技术特征摘要】
1.一种基于模式分类的公交客流预测方法，其特征在于包括如下步骤：第一步提取日期与客流相关的属性，将其量化并归一化处理，建立针对日期的多维属性矩阵；第二步评价每个属性与客流之间的相关性与敏感性，提取有效预测的维度，并对每个有效维度赋权；第三步在预处理后的属性矩阵中，在历史数据的基础上，对目标日期的时段客流利用Shepard插值预测算法进行预测。2.根据权利要求1所述的一种基于模式分类的公交客流预测方法，其特征在于第一步中，一个时段的公交客流量受多种因素的影响，包括日期、工作日、节假日、学时性质、天气和气温因素；利用特征工程的概念，将日期与客流相关的属性的特征量化抽象为多维矢量，经过去除量纲效应，再经过相关性检验，保留相关性显著的影响因子，并根据敏感性分析结果确定此影响因子对日期属性向量相异度的贡献,建立日期属性矩阵，以此为Shepard插值预测算法的数据基础；公交客流预测的影响因素经过特征工程处理，得相应日期属性的多维向量，日期属性向量之间距离越短则公交客流数越相近。3.根据权利要求1所述的一种基于模式分类的公交客流预测方法，其特征在于第二步中，设在收集的影响因子及其对应的客流量的数据集B中，一共有n条数据记录，m个影响因子；设影响因子序列为Aj＝[a1j；a2j；...；aij；...；anj]，j表示第j个影响因子，aij表示第i个历史数据的第j个影响因子的量化值，影响因子向量为xi＝[ai1,ai2,...,aji,...aim]，xi对应的客流量为yi，其中i表示第i个样本；客流量序列为Y＝[y1；y2；...；yi；...；yn]则影响因子-客流量矩阵为：其中Aj为B中的第j列，Y为B中的第m+1列，[xi,yi]为B中的第i行；设表示由m个影响因子组成的m维数据空间，则满足令第j个影响因子序列Aj与目标值序列Y的相关系数为rj，依次评估候选影响因素与目标值的相关系数并获得相关系数向量R＝(r1,r2,...,rj,...,rm)，若rj为正，则第j个影响因素在相应时段与目标值正相关，否则负相关；显然，|rj|越大，该因素对目标值的影响越大；根据相关性理论经验值，当|rj|>0.3时，则认为该因子与该时段客流是相关...

【专利技术属性】
技术研发人员：巫威眺，靳文舟，李鹏，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44