The invention relates to a rail transit passenger flow prediction method based on space-time characteristics, which comprises the following steps: S1 collects the historical data of rail transit passenger flow; S2 extracts the spatial and temporal characteristics of the target station at time 0 to t from the historical data collected at step S1; S3 extracts the historical data of the target station at time 20 to t in time S2; The space feature and time sequence feature correspond to the two-dimensional vector of the target station at time 0 to t; S4 establishes the LSTM artificial neural network model, trains the LSTM artificial neural network model with the two-dimensional vector of the target station at time 0 to t as input, and then inputs the two-dimensional vector of the target station at time t into the LSTM artificial neural network after training. A neural network model is used to get the t+1 destination traffic. The method of the invention combines the spatial characteristics with the time series characteristics to predict the passenger flow of the rail transit target station, and has high prediction accuracy.
【技术实现步骤摘要】
一种基于时空特征的轨道交通客流量预测方法
本专利技术涉及轨道交通客流量预测
,尤其涉及一种基于时空特征的轨道交通客流量预测方法。
技术介绍
轨道交通客流预测具有很高的价值,在宏观层面,可以为运营调控、线路规划等工程提供支持;在微观层面,可以为大众用户的出行选择提供建议。所以如何准确地预测轨道交通客流成为了一个热门的问题。轨道交通数据的一个显著特点就是具有时间维度,传统的人工神经网络,例如CNN、RNN等,并不能很好的处理时序数据,从而不能很好的根据历史数据来预测轨道交通客流。后来研究人员提出的一些模型,这些模型都可以很好的处理时序数据,但是这些模型对轨道交通客流的预测精度较低,在轨道交通客流预测领域不具有实用性。
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轨交通客流量预测方法,该方法基于时序特征预测精度高。为实现上述目的,本专利技术采用如下技术方案:一种基于时空特征的轨道交通客流量预测方法,包括如下步骤:S1:采集轨道交通客流量的历史数据;S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;S3:将步骤S2中0至t时刻目标站点历史数据的空间特征和时序特征对应的合成0至t时刻目标站点的二维向量;S4:建立LSTM人工神经网络模型,将0至t时刻目标站点的二维向量作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的二维向量输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。作为改进,所述步骤S1中采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:xj,t,in=∑i∈M{i| ...
【技术保护点】
1.一种基于时空特征的轨道交通客流量预测方法,其特征在于:包括如下步骤:S1:采集轨道交通客流量的历史数据;S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;S3:将步骤S2中0至t时刻目标站点历史数据的空间特征和时序特征对应的合成0至t时刻目标站点的二维向量;S4:建立LSTM人工神经网络模型,将0至t时刻目标站点的二维向量作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的二维向量输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。
【技术特征摘要】
1.一种基于时空特征的轨道交通客流量预测方法,其特征在于:包括如下步骤:S1:采集轨道交通客流量的历史数据;S2:从S1步骤采集的历史数据中,提取0至t时刻目标站点的空间特征和时序特征;S3:将步骤S2中0至t时刻目标站点历史数据的空间特征和时序特征对应的合成0至t时刻目标站点的二维向量;S4:建立LSTM人工神经网络模型,将0至t时刻目标站点的二维向量作为输入对LSTM人工神经网络模型进行训练,然后再将t时刻目标站点的二维向量输入训练后的LSTM人工神经网络模型,得到t+1时刻目标站点的出站客流量。2.如权利要求1所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S1中采集轨道交通客流量的历史数据,并使用如下公式对描述历史数据:xj,t,in=∑i∈M{i|i.otime∈t;i.ostation=j}(1-1);xj,t,out=∑i∈M{i|i.dtime∈t;i.dstation=j}(1-2);其中,i代表整个轨道交通数据集M中的一条数据,otime,dtime,ostation,dstation是数据i的属性,分别代表进站刷卡时间、出站刷卡时间、起始站编号和终点站编号。3.如权利要求2所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S2中0至t时刻目标站点的空间特征采用如下方法计算:其中:Sj,r是指r时刻其他站点将要到达目标站点j的客流总数,即r时刻目标站点的空间特征;N是轨交通全网站点的集合;n站点集合N的总数据量;Pk,j,r是指r时刻站点k与目标站点j在t时刻的空间关联因子;Ink,t-ΔT代表站点k在r-ΔT时间段的进站人数;ΔT是站点k与目标站点j的平均旅行时间差;其中,Ink,r-ΔT代表的是r-ΔT时间段,站点k的进站人数;i代表整个轨道交通数据集M中的一条数据;m代表轨道交通数据集M的总数据量;xk,j,r-ΔT代表的是r-ΔT时间段,从站点k到目标站点j的客流人数;w代表时间周期;Pk,j,r就是r时刻所有历史同期的pk,j,r的平均值。4.如权利要求3所述的基于时空特征的轨道交通客流量预测方法,其特征在于:所述步骤S2中0至t时刻目标站点的时序特征采用如下方法获得:Tj,r=(tj,rtj,r-1…tj,r-time_step)T(3);其中,Tj,r是指r时刻历史时间段内目标站点j的出站客流总数;tj,r代表的是r时刻,目标站点j的出站人数;time_step代表的是时间步。5.如权利要求4所述的基...
【专利技术属性】
技术研发人员:杨梦宁,唐启铖,杨滢,徐玲,赵小超,陈开润,
申请(专利权)人:重庆大学,
类型:发明
国别省市:重庆,50
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。