一种基于时空特征的轨道交通客流量预测方法技术

本发明专利技术涉及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。本发明专利技术方法将空间特征和时序特征进行结合，用于预测轨道交通目标站点的客流量，预测精度高。

A prediction method of rail transit passenger volume based on spatiotemporal characteristics

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|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。作为改进，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。作为改进，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。作为改进，所述步骤S3中0至t时刻目标站点的空间特征和时序特征对应合成0至t时刻目标站点的二维向量Inputj,t如下：作为改进，所述步骤S4建立的LSTM人工神经网络模型如下：ar＝σ(Wa,r·xr+ba,r)(4-1)；fr＝σ(Wf,r·[hr-1,ar]+bf,r)(4-2)；ir＝σ(Wi,r·[hr-1,ar]+bi,r)(4-3)；or＝σ(Wo,r·[hr-1,ar]+bo,r)(4-6)；hr＝or*tanh(Cr)(4-7)；其中，ar表示r时刻全连接层输出，Wa,r表示r时刻全连接层权重，ba,r表示r时刻全连接层的偏置，xr表示r时刻的输入；fr表示r时刻遗忘门限，hr-1表示r-1时刻单元的输出,Wf,r表示r时刻遗忘门权重，bf,r表示r时刻遗忘门的偏置；ir表示r时刻输入门限，Wi,r表示r时刻输入门权重，bi,r表示r时刻输入门的偏置；表示r时刻的cell产生的新状态，Wc,r表示r时刻cell的权重，bC,r表示r时刻cell的偏置；表示r-1时刻的cell状态；Cr表示r时刻的cell总状态；or表示r时刻输出门限，Wo,r表示r时刻输出门的权重，bo,r表示r时刻输出门的偏置；hr表示r时刻的输出。作为改进，所述步骤S4建立的LSTM人工神经网络模型的训练过程如下：1)令r＝1；2)二维向量Inputj,r作为输入，即令xr＝Inputj,r，并执行如下关系式的计算：ar＝σ(Wa,r·xr+ba,r)(4-1)；fr＝σ(Wf,r·[hr-1,ar]+bf,r)(4-2)；ir＝σ(Wi,r·[hr-1,ar]+bi,r)(4-3)；or＝σ(Wo,r·[hr-1,ar]+bo,r)(4-6)；hr＝or*tanh(Cr)(4-7)；3)当r>t时，执行下一步，否则令r＝r+1，并返回2)；输出当前LSTM人工神经网络模型，该模型即为训练后的LSTM人工神经网络模型。作为改进，所述步骤S3中将t时刻目标站点的二维向量作为输入，输入训练后的LSTM人工神经网络模型，即令xr＝t＝Inputj,t，则输出hj＝t＝yt+1；yt+1表示预测结果，即预测出来的轨道交通t+1时刻目标站点j的出站客流量。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维度的特征，时间特征和空间特征，并且将两种特征进行了结合，形成二维向量，将0-t时刻目标站点的二维向量作为输入训练LSTM人工神经网络模型，再将t时刻目标站点的二维向量作为输入，预测目标站点t+1时刻的出站客流量，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是本专利技术方法具体流程图。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。轨道交通数据具有时空二维性。时间性：一定时间段内的客流数据具有一定的规律，相邻时间段之间的数据也存在着一定的关联。空间性：两个站点之间在空间上存在着一定的关联。每两个不同站点，在不同时间段的往来存在着一定的规律。由于轨道交通数据除了时间性，还具有空间性，每两个站点之间在空间上存在着一定的关联，这种关联最直接的体现就是旅客的旅行时间。通过将两站点间的空间距离转化为旅行的时间，也就是时间差ΔT，就可以表达两站点间的空间关系，本专利技术通过构建时间差矩阵T来引入全网站点间的空间位置关系。此外，对于某一给定的时间段，每两个站点间的往来客流量存在着一定规律，通过引入空间影响因子矩阵SIM，来引入这种关系。在本专利技术提出的架构中，将空间影响量转化为时间差来进行处理，这样就可以用处理时序数据的人工神经网络来处理空间性。将时序数据与空间影响量结合，来预测站点的进出站数据，得到了很好的效果。参见图1和图2，一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本文档来自技高网...

【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