一种轨道交通短期客流预测方法、系统及电子设备技术方案

本申请涉及一种轨道交通短期客流预测方法、系统及电子设备。所述方法包括：步骤a：基于历史观测数据构建历史数据集；步骤b：基于KNN邻近算法从所述历史数据集中选择与当前特征最相近的样本数据，得到相似样本集；步骤c：基于所述相似样本集构建高斯过程回归预测模型，通过所述高斯过程回归预测模型对轨道交通短期客流进行预测。相比现有技术，本申请在预测精度和效率上更能够满足实际需求，更适用于基于多源大数据下实时高精度的地铁客流预测场景。

A short-term passenger flow prediction method, system and electronic equipment for rail transit

【技术实现步骤摘要】
一种轨道交通短期客流预测方法、系统及电子设备
本申请属于轨道交通服务
，特别涉及一种轨道交通短期客流预测方法、系统及电子设备。
技术介绍
轨道交通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。随着城市轨道交通网络运营里程的不断增长及网络承载客流量的不断提高，各站点的出站客流量极易发生急剧变化，为了提高运营调度的效率，对轨道交通各站点出站客流做短期预测非常重要，例如列车调度、最后一公里接驳车调度等。影响各站点出站客流的因素比较复杂，包括：(1)空间因素，某站点的出站客流与其他站点的进站客流有关，且各站点对此站点的贡献率不同。(2)时间因素，某站点的出站客流与前几个时段，以及相邻天的相同时段的客流相关。(3)其它外界因素，例如天气、大型活动等。传统的客流预测方法主要着重从单个因素和少量数据集建模预测轨道交通客流量，例如自回归移动平均(ARMA)、卡尔曼滤波、粒子滤波、神经网络等，其客流预测结果与实际值之间存在着较大的误差。然而从实际轨道交通运营数据来看，轨道交通客流量往往受多个因素的影响，随着目本文档来自技高网...

【技术保护点】
1.一种轨道交通短期客流预测方法，其特征在于，包括以下步骤：/n步骤a：基于历史观测数据构建历史数据集；/n步骤b：基于KNN邻近算法从所述历史数据集中选择与当前特征最相近的样本数据，得到相似样本集；/n步骤c：基于所述相似样本集构建高斯过程回归预测模型，通过所述高斯过程回归预测模型对轨道交通短期客流进行预测。/n

【技术特征摘要】
1.一种轨道交通短期客流预测方法，其特征在于，包括以下步骤：
步骤a：基于历史观测数据构建历史数据集；
步骤b：基于KNN邻近算法从所述历史数据集中选择与当前特征最相近的样本数据，得到相似样本集；
步骤c：基于所述相似样本集构建高斯过程回归预测模型，通过所述高斯过程回归预测模型对轨道交通短期客流进行预测。


2.根据权利要求1所述的轨道交通短期客流预测方法，其特征在于，在所述步骤a中，所述历史观测数据包括智能卡刷卡数据、天气数据、大型活动数据；
所述智能卡刷卡数据包括CardID、StationId、TrnsctTime、TrnsctyType；其中，CardID表示智能卡唯一标识，StationId表示轨道站点的标识，TrnsctTime表示交易时间，TrnsctyType表示交易类型；
所述天气数据包括StationID、Gps、Humidity、Tenmnrainfall；其中，StationID表示气象站点，Gps表示站点经纬度，Humidity表示湿度，Tenmnrainfall表示降雨量；
所述大型活动数据包括Type、Begintime、Endtime、LocationGps；其中，Type表示事件类型，Begintime表示开始时间，Endtime表示结束时间，LocationGps表示发生地点。


3.根据权利要求1或2所述的轨道交通短期客流预测方法，其特征在于，在所述步骤a中，所述历史数据集中的每个数据样本由特征向量X和估测目标y组成，X代表当前条件，所述历史数据集包括出发客流量历史数据集和到达客流量历史数据集；
所述出发客流量历史数据集的构建方式为：
设定时间段离开设定站点的估测目标y所对应的特征向量X表示如下：
X＝(weekday？,holidays？,bigevent？,timeofday,departflow,weatherfeatures)；其中，weekday？是布尔类型值，用于表示此数据样本是否发生在工作日，Holidays表示是否为节假日，bigevent表示是否发生重大事件，timeofday用于表示时间所发生的时段，departflow用Fdp＝[Dc-n,...Dc-2,Dc-1]表示，其中Dc-j表示第j个时段离开S站点的客流量，weatherfeatures包括与客流量有密切关系的温度和湿度两个特征；
所述到达客流量估计历史数据集的构建方式为：
设定时间段到达设定站点的估测目标y所对应的特征向量X表示如下：
X＝(weekday？,holidays？,bigevent？,timeofday,arrivalflows,departflows,weatherfeatures)；其中，arrivalflows和departflows分别表示前几个时段到达设定站点的客流量。


4.根据权利要求3所述的轨道交通短期客流预测方法，其特征在于，在所述步骤b中，所述基于KNN邻近算法从所述历史数据集中选择与当前特征最相近的样本数据具体包括：基于相似度量方法，在所述历史数据集中搜索与当前样本具有最高相似度的前k个近邻样本，对历史数据集的各个特征做归一化处理，对于每一个历史数据Xh和测试数据Xt，使用计算两样本和之间的距离，其中M为向量X的维度，ξ1，ξ2…ξM分别为估测目标y与M个预测变量之间的相关系数。


5.根据权利要求4所述的轨道交通短期客流预测方法，其特征在于，在所述步骤c中，所述通过高斯过程回归预测模型对轨道交通短期客流进行预测具体包括：给定前k个近邻样本，H≡{hi＝(xi,yi):i＝1,2,…,k}，其中xi表示输入特征向量，yi表示与xi相关联的目标值，使用GPR高斯过程回归估算下一个时间段所对应的客流量；在核函数的选择上，采用平方指数核函数给定当前特征向量xc，其对应的预测目标yc计算如下：
y*|x*,X,Y～GP(k(x*,X)[k(X,X)]-1Y,k(x*,x*)
-k(x*,X)[k(X,X)]-1k(X,x*))。


6.一种轨道交通短期客流预测系统，其特征在于，包括：
历史数据集构建模块：用于基于历史观测数据构建历史数据集；
相似样本集构建模块：用于基于KNN邻近算法从所述历史数据集中选择与当前特征最相近的样本数据，得到相似样本集；
预测模型构建模块：用于基于所述相似样本集构建高斯过程回归预测模型，通过所述...

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