【技术实现步骤摘要】
一种基于深度学习的OD客流预测方法
本专利技术涉及交通客流预测
，更具体地，涉及一种基于深度学习的OD客流预测方法。
技术介绍
城市轨道交通短时OD(OriginalDestination)客流预测是构建智能交通系统的重要一环，其预测结果是动态客流分配的重要输入，也是进行实时动态客运组织优化的重要参考。随着深度学习等前沿技术的飞速发展，城市轨道交通领域短时客流预测借助深度学习模型的良好表现取得了突破性进步。目前的研究大多关注进站流和出站流的短时预测，针对于OD短时客流预测的研究相对较少。然而，短时OD客流预测结果是动态客流分配的重要输入，同时可为实时的运营组织管理、路径规划、客流缓堵等提供参考，具有重要的研究意义。尽管短时进出站流量预测可以为OD矩阵预测(即OD短时客流预测)提供重要的参考信息。然而，在城市轨道交通系统中，两者主要存在以下重要区别：第一，先验信息不同。由于乘客进出地铁站时必须刷卡，所以可以及时获得实时进出站流量。在进行进出站客流预测时，可以将最相近的几个时间间隔内的实际流量作为模...
【技术保护点】
1.一种基于深度学习的OD客流预测方法，包括以下步骤：/n获取历史的OD矩阵信息和实时的进站客流时间序列信息，其中所述历史的OD矩阵信息以进站时间为基准划分时间段进行OD矩阵提取，用于表征历史多天同一时间段的OD流；/n根据进站时间提取，用于表征多个时间段的OD流，所述实时的进站客流时间序列用于表征多个时间段各车站的进站客流时间序列；/n将所述历史的OD矩阵信息和所述实时的进站客流时间序列信息输入至经训练的深度学习模型，获得预测的后续时间段的OD矩阵信息，其中所述深度学习模型包括主干结构和分支结构，该主干结构以所述历史的OD矩阵信息作为输入以提取高级特征，该分支结构以所述实...
【技术特征摘要】
1.一种基于深度学习的OD客流预测方法，包括以下步骤：
获取历史的OD矩阵信息和实时的进站客流时间序列信息，其中所述历史的OD矩阵信息以进站时间为基准划分时间段进行OD矩阵提取，用于表征历史多天同一时间段的OD流；
根据进站时间提取，用于表征多个时间段的OD流，所述实时的进站客流时间序列用于表征多个时间段各车站的进站客流时间序列；
将所述历史的OD矩阵信息和所述实时的进站客流时间序列信息输入至经训练的深度学习模型，获得预测的后续时间段的OD矩阵信息，其中所述深度学习模型包括主干结构和分支结构，该主干结构以所述历史的OD矩阵信息作为输入以提取高级特征，该分支结构以所述实时的进站客流时间序列作为输入，并通过对该主干结构的输出进行调整，进而获得预测的后续时间段的OD矩阵信息。
2.根据权利要求1所述的方法，其中，预测的后续时间段的OD矩阵信息表示为：
Md,t＝f(Md-x,t；Nd,t-y),x＝1,2,3…；y＝1,2,3…
其中：
Md,t为第d天第t个时间段的OD矩阵，Md-x,t为过去第d-x天同一个第t时间段内的OD矩阵，Nd,t-y为同一天第d天前第t-y个时间段的进站客流时间序列，为第d天第t个时间段从车站i到车站j的OD流，为第d天第t个时间段从车站i的进站客流时间序列。
3.根据权利要求1所述的方法，其中，所述主干结构包括输入层和多个卷积层，且在各卷积层之间、以及输入层和其相邻的卷积层之间设有通道特征加权层，每个卷积层利用不同尺寸的卷积核对输入进行卷积以提取高级特征，所述通道特征加权层对相应卷积层提取的特征或对输入层的不同通道数据进行加权。
4.根据权利要...
【专利技术属性】
技术研发人员：陈峰，张金雷，李小红，朱亚迪，王蕊，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11
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。