基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法技术

本发明专利技术公开了一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法，该方法如下：通过检测系统实时获取客运枢纽区域驻留情况数据；根据待预测日的日期特性，选取与待预测日相似的m个历史样本作为预测的样本空间；对历史样本中的异常数据和噪声进行预处理；确定待预测日和历史样本对应待预测时间段的特征空间，计算历史样本与待预测日在特征空间上数据的增量比标准差，找出增量比标准差最小的k天数据作为k邻近样本；计算k邻近样本的增量比系数，根据增量比系数预测区域驻留人数变化趋势；以当前区域驻留人数为基准，计算区域驻留人数短时预测值。本发明专利技术能利用历史数据精准预测短时区域驻留人数变化趋势，从而基于当前区域驻留人数计算得到较高精度的短时区域驻留人数预测结果。本发明专利技术适用于智能交通领域。

Short-term Forecasting Method of Resident Number Change Trend in Passenger Hub Area Based on KNN Algorithms

The invention discloses a short-term forecasting method for the change trend of the number of passenger terminal area residents based on kNN algorithm. The method is as follows: real-time acquisition of the data of passenger terminal area residents through the detection system; selection of M historical samples similar to the date to be predicted as the forecasting sample space according to the characteristics of the date to be predicted; and introduction of abnormal data and noise in the historical samples. Firstly, the characteristic space of the time period to be predicted is determined, and the incremental ratio standard deviation between the historical sample and the date to be predicted is calculated, and the K-day data with the smallest incremental ratio standard deviation is found as the k-neighboring sample; secondly, the incremental ratio coefficient of the k-neighboring sample is calculated to predict the trend of the resident population in the current region according to the incremental ratio coefficient. Based on the number of regional residents, the short-term forecast value of the number of regional residents is calculated. The invention can accurately predict the changing trend of resident population in short-term area by using historical data, thereby obtaining a high accuracy prediction result of resident population in short-term area based on the calculation of the current resident population in the region. The invention is applicable to the field of intelligent transportation.

【技术实现步骤摘要】
基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法
本专利技术涉及智能交通领域，更具体的，涉及一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法。
技术介绍
客运枢纽，作为交通场站设施的综合体，能够为乘客提供多种服务，以满足乘客的多种需求，致力于让乘客感到便捷和舒适。客运枢纽内的驻留乘客数量直接反映了枢纽内的人群密度和拥挤程度，是客流组织方案和疏运管理方案的最重要参考指标之一，精准的驻留乘客数量短时预测对于紧急实施分级预案与安保管理具有重要意义。由于客运枢纽乘客驻留人数受多种影响因素综合作用，其间的关系也错综复杂，因而为影响因素的选取带来了一定的困扰。此外，由于在预测过程中某些相关因素本身就具有不确定性，加上每逢节假日与春运，客运枢纽区域人群聚集具有明显的临时性、突发性等特征，因此要进行精确的短时预测具有较大的难度。在此情况下，不分开考虑各个因素对客运枢纽未来驻留人数的影响，而直接利用与待预测日相似的历史数据及其潜在数据关系进行预测，往往能够取得准确度较高的预测效果。因此，本专利技术提出一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法。kNN(k-Near本文档来自技高网...

【技术保护点】
1.一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法，其特征在于：所述预测方法步骤如下：S1：通过检测系统实时获取客运枢纽区域驻留情况数据；S2：根据待预测日的日期特性，选取与待预测日相似的m个历史样本作为预测的样本空间；S3：对历史样本中的异常数据和噪声进行预处理；S4：确定待预测日和历史样本对应待预测时间段的特征空间：若预测某天一段短时间内的区域驻留人数X＝(x1,x2,…,xl)；根据预测时间段之前的n个已知连续驻留人数数据Y＝(y1,y2,…,yn)，计算其差值向量

【技术特征摘要】
1.一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法，其特征在于：所述预测方法步骤如下：S1：通过检测系统实时获取客运枢纽区域驻留情况数据；S2：根据待预测日的日期特性，选取与待预测日相似的m个历史样本作为预测的样本空间；S3：对历史样本中的异常数据和噪声进行预处理；S4：确定待预测日和历史样本对应待预测时间段的特征空间：若预测某天一段短时间内的区域驻留人数X＝(x1,x2,…,xl)；根据预测时间段之前的n个已知连续驻留人数数据Y＝(y1,y2,…,yn)，计算其差值向量作为特征向量；对于m个历史样本，样本i对应特征向量Y同时间段的n个数据时间点的驻留人数Qi＝(q1,q2,…,qn)i的差值向量为其中：i＝1,2,...,m；xr表示待预测日待预测时段内时间点r的区域驻留人数，r＝1,2,…,l；yj表示待预测日待预测时段之前的n个时间点中时间点j的区域驻留人数，j＝1,2,…,n；(qj)i表示样本i对应特征向量Y时间点j的驻留人数，i＝1,2,…,m，j＝1,2,…,n；寻找k邻近样本：根据差值向量计算历史样本与待预测日的数据在特征空间上数据的增量比标准差找出增量比标准差最小的k天数据作为k邻近样本；其中：i＝1,2,...,m；表示待预测日与历史样本i在特征空间内数据增量比的均值，且规定为增量比系数；S5：计算k邻近样本的增量比系数，根据增量比系数预测区域驻留人数变化趋势：根据步骤S4所选的k邻近样本，得到相应的增量比系数为所选k邻近样本对应的与待预测数据X＝(x1,x2,…,xl)同时间段的数据向量的相邻数据差值向量为则待预测数据X的相邻...

【专利技术属性】
技术研发人员：卢凯，吴蔚，林观荣，夏小龙，首艳芳，
申请(专利权)人：华南理工大学，广州现代产业技术研究院，
类型：发明
国别省市：广东,44