一种高精度的客运预测方法及客运预测系统技术方案

本发明专利技术提供的一种高精度的客运预测方法及客运预测系统，解决以往的客运预测方法单一，预测结果精度与可靠性较低，没有一个完整的客运需求预测系统来进行综合的整合数据资源的技术问题。本发明专利技术提供近似非齐次指数序列灰色预测模型DNGM(1,1)、OGM(1,N)模型、OBGM(1,N)模型三种预测模型，解决了预测方法单一，预测结果精度与可靠性较低等问题。客运预测系统解决了目前并没有一个完整的客运需求预测系统，来进行综合的整合数据资源，通过选择适合的算法来合理预测客运需求，并对客运信息进行综合查看展示的问题。本预测方法和预测系统可以对铁路管理决策者和工作者提供有效的支持。

【技术实现步骤摘要】
一种高精度的客运预测方法及客运预测系统
本专利技术涉及交通预测智能管理
，尤其涉及一种高精度的客运预测方法及客运预测系统。
技术介绍
客运量预测是铁路建设项目前期研究和设计工作的基础，合理、客观的客流预测数据将直接关系到铁路建设项目的经济成本、运营效率及建成运营后的经济效益。然而，随着移动互联网时代的到来，12306网站、手机客户端售票渠道已经上线运行，产生了大量的交易、日志信息，事件处理模块需要对这些数据进行存储和处理，从而获取有用的信息，但目前并没有一个完整的客运需求预测系统来进行综合的整合数据资源，通过选择适合的算法来合理预测客运需求，并对客运信息进行综合查看展示。因此，如何根据现有运输通道的数据，建设一个科学的面向整个运输通道的客运专线客运预测系统显得尤为必要。
技术实现思路
本专利技术的实施例提供了一种高精度的客运预测方法及客运预测系统，已解决现有技术中存在的技术问题。为了实现上述目的，本专利技术采取了如下技术方案。一种高精度的客运预测方法，包括：获取客运历史数据；基于该客运历史数据，分别建立近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型；对该近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行评估，获得客运预测结果。优选地，建立近似非齐次指数序列灰色预测模型的过程包括：设X(0)为原始数据序列，X(1)为X(0)的一阶累加生成序列，获得算式X(0)＝(x(0)(1),x(0)(2),…,x(0)(n))(1)和通过该算式(1)和(2)，获得近似非齐次指数规律的离散灰色模型其中，δ为迭代初始值修正项，为迭代初始值，为原始序列数据的拟合值，α,β,γ,δ为近似非齐次指数规律的离散灰色模型的参数，根据最小二乘法的算式(α,β,γ)T＝(BTB)-1BTY(4)和获得；该算式(4)和(5)中Y＝[x(1)(2),x(1)(3),…,x(1)(n)]T(6)建立开放式地理数据优化模型的过程包括：设为系统特征数据序列(或称因变量序列)，为相关因素数据序列，为的一阶累加生成序列(1-AGO序列，为的紧邻均值生成序列，获得开放式地理数据优化模型(8)；式中，h1(k-1)和h2分别为开放式地理数据优化模型的线性修正项和灰色作用量；建立多变量优化灰色预测模型的过程包括：设原始序列的一阶累加生成序列(1-AGO序列)为获得背景值系数为ξ∈[0,1]的多变量优化灰色预测模型的初始式式中，参数列的最小二乘估计满足多变量优化灰色预测模型的时间响应式为：进一步获得多变量优化灰色预测模型的最终还原式：其中，优选地，对近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行评估的过程包括：获取评估数据；分别通过名称相似度方法、数据类型相似度方法和取值范围相似度方法中的一种或多种，以精确度指标并结合该评估数据对近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行模式匹配；优选地，分别通过名称相似度方法、数据类型相似度方法和取值范围相似度方法中的一种或多种，并结合该评估数据对近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行模式匹配的过程包括：精确度指标通过式获得；将评估数据分为未定义取值范围的属性A1和已定义取值范围的属性A2；基于该未定义取值范围的属性A1，通过单独使用名称相似度方法和组合使用名称相似度方法、数据类型相似度方法，以精确度指标并结合该未定义取值范围的属性A1对近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行模式匹配；基于该已定义取值范围的属性A2，通过单独使用名称相似度方法，组合使用名称相似度方法、数据类型相似度方法，组合使用名称相似度方法、数据类型相似度方法和取值范围相似度方法，以精确度指标并结合该已定义取值范围的属性A2对近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行模式匹配。优选地，还包括对该近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行测试的过程。第二方面，本专利技术提供一种高精度的客运预测系统，包括：数据获取模块，用于获取客运历史数据；数据库，用于存储客运历史数据；数据分析模块，用于基于客运历史数据，分别建立近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型；应用预测模块，用于对该近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行评估，获得客运预测结果；可视化交互模块，用于输出该客运预测结果，以及接收预测请求。优选地，数据获取模块获取客运历史数据的过程包括：对客运原数据进行抽取和清洗，获得客运历史数据。由上述本专利技术的实施例提供的技术方案可以看出，本专利技术提供的一种高精度的客运预测方法及客运预测系统，解决以往的客运预测方法单一，预测结果精度与可靠性较低，没有一个完整的客运需求预测系统来进行综合的整合数据资源的技术问题。本专利技术提供近似非齐次指数序列灰色预测模型DNGM(1,1)、OGM(1,N)模型、OBGM(1,N)模型三种预测模型，解决了预测方法单一，预测结果精度与可靠性较低等问题。客运预测系统解决了目前并没有一个完整的客运需求预测系统，来进行综合的整合数据资源，通过选择适合的算法来合理预测客运需求，并对客运信息进行综合查看展示的问题。本预测方法和预测系统可以对铁路管理决策者和工作者提供有效的支持。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的一种高精度的客运预测方法的处理流程图；图2为本专利技术提供的一种高精度的客运预测系统的逻辑框图；图3为本专利技术提供的一种高精度的客运预测系统的系统流程图；图4为本专利技术提供的一种高精度的客运预测系统的总体架构图；图5为本专利技术提供的一种高精度的客运预测系统的预测流程设计图。图中：201.数据获取模块202.数据库203.数据分析模块204.应用预测模块205.可视化交互模块。具体实施方式下面详细描述本专利技术的实施方式，实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示本文档来自技高网...

【技术保护点】
1.一种高精度的客运预测方法，其特征在于，包括：/n获取客运历史数据；/n基于该客运历史数据，分别建立近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型；/n对该近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行评估，获得客运预测结果。/n

【技术特征摘要】
1.一种高精度的客运预测方法，其特征在于，包括：
获取客运历史数据；
基于该客运历史数据，分别建立近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型；
对该近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行评估，获得客运预测结果。


2.根据权利要求1所述的客运预测方法，其特征在于，所述的建立近似非齐次指数序列灰色预测模型的过程包括：
设X(0)为原始数据序列，X(1)为X(0)的一阶累加生成序列，获得算式
X(0)＝(x(0)(1),x(0)(2),…,x(0)(n))(1)和



通过该算式(1)和(2)，获得所述近似非齐次指数规律的离散灰色模型



其中，δ为迭代初始值修正项，为迭代初始值，为原始序列数据的拟合值，α,β,γ,δ为所述近似非齐次指数规律的离散灰色模型的参数，根据最小二乘法的算式
(α,β,γ)T＝(BTB)-1BTY(4)和获得；
该算式(4)和(5)中
Y＝[x(1)(2),x(1)(3),…,x(1)(n)]T(6)



所述的建立开放式地理数据优化模型的过程包括：
设为系统特征数据序列(或称因变量序列)，为相关因素数据序列，为的一阶累加生成序列(1-AGO序列，为的紧邻均值生成序列，获得所述开放式地理数据优化模型式中，h1(k-1)和h2分别为所述开放式地理数据优化模型的线性修正项和灰色作用量；
所述的建立多变量优化灰色预测模型的过程包括：
设原始序列的一阶累加生成序列(1-AGO序列)为获得背景值系数为ξ∈[0,1]的所述多变量优化灰色预测模型的初始式



式中，参数列的最小二乘估计满足









所述多变量优化灰色预测模型的时间响应式为：



进一步获得所述多变量优化灰色预测模型的最终还原式：



其中，





3.根据权利要求2所述的客运预测方法，其特征在于，所述的对近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行评估的过程包括：
获取评估数据...

【专利技术属性】
技术研发人员：任爽，郑平标，诸葛恒英，向静文，宋欣悦，赵玉琨，韩冰，张宇翔，李许增，张鑫云，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11