站点客流量预测方法、装置、可读存储介质及计算机设备制造方法及图纸

一种站点客流量预测方法、装置、可读存储介质及计算机设备，该方法包括：获取历史时间段内当前站点每一测量时刻的客流特征和关联特征；以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测。本发明专利技术综合考虑了外界因素对客流量的影响，使训练后的预测模型具有较高的预测效率和准确性。

【技术实现步骤摘要】
站点客流量预测方法、装置、可读存储介质及计算机设备
本专利技术涉及电子
，特别是涉及一种站点客流量预测方法、装置、可读存储介质及计算机设备。
技术介绍
随着公共交通行业的发展，轨道交通、地面公交等交通工具为大家的出行带来了极大的便利。尤其是地铁，因其具备良好的便利性同时拥有快速的运输速度受到大家的青睐。但是，随着越来越多的乘客选择地铁作为他们的主要通勤工具，也加剧了地铁高峰期的拥堵程度，甚至高峰期时各个站点的乘客数量超过了地铁站的容量造成乘客拥挤，轨道交通运营方不得已采取了站点限流和预约进站等非常规手段。乘客拥挤已经严重影响到了人们的日常生活和城市交通的发展，特别是针对上班族常常需要赶时间，因此能及时了解每个地铁站点的拥挤情况可以使大家合理的选择交通工具和乘车路线，避免因拥挤而耽误乘车，带来不必要的麻烦。
技术实现思路
鉴于上述状况，有必要提供一种站点客流量预测方法、装置、可读存储介质及计算机设备，以便于用户了解各个站点的拥挤情况。一种站点客流量预测方法，包括：获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测，所述客流量等级设置有多种，不同所述客流量等级对应不同的客流量取值范围。进一步的，上述站点客流量预测方法，其中，所述以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集的步骤之前还包括：计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。进一步的，上述站点客流量预测方法，其中，所述获取历史时间段内当前站点每一测量时刻的客流特征的步骤包括：获取历史时间段内当前站点每一测量时刻的摄像图像，并对所述摄像图像进行识别以确定所述当前站点的人数，以得到各个所述测量时刻的客流量。进一步的，上述站点客流量预测方法，其中，所述利用所述训练样本对预测模型进行训练的步骤包括：利用变分自编码器和长短期记忆网络模型构建预测模型；将所述训练样本作为所述变分自编码器的输入，并对所述预测模型中的变分自编码器进行训练；提取所述变分自编码器中间层的隐变量特征，并作为所述长短期记忆网络模型的输入，并将客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。进一步的，上述站点客流量预测方法，其中，所述利用训练好的预测模型对所述当前站点的客流量等级进行预测的步骤之后还包括：将所述预测模型预测的所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。进一步的，上述站点客流量预测方法，其中，所述天气特征包括天气类型、温度、降水概率、风向风速等级和空气质量中的至少一种本专利技术实施例还提供了一种站点客流量预测装置，包括：特征信息获取模块，用于获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；训练样本获取模块，用于以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；训练模块，用于利用所述训练样本对预测模型进行训练；预测模块，用于利用训练好的预测模型对所述当前站点的客流量等级进行预测。进一步的，上述站点客流量预测装置，还包括：计算模块，用于计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；确定模块，用于确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。本专利技术实施例还提供了一种可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一所述的站点客流量预测方法。本专利技术实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现上述任意一项所述的站点客流量预测方法。本专利技术根据历史时刻的客流特征，以及天气特征、节假日特征、星期名称和特殊事件标志来构建训练样本，并根据该训练样本对预测模型进行训练。综合考虑了外界因素对客流量的影响，使训练后的预测模型具有较高的预测效率和准确性。附图说明图1为本专利技术第一实施例提供的站点客流量预测方法的流程图；图2为本专利技术第二实施例提供的站点客流量预测方法的流程图；图3为本专利技术第三实施例提供的站点客流量预测装置的结构框图。具体实施方式下面详细描述本专利技术的实施例，所述实施例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相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。参照下面的描述和附图，将清楚本专利技术的实施例的这些和其他方面。在这些描述和附图中，具体公开了本专利技术的实施例中的一些特定实施方式，来表示实施本专利技术的实施例的原理的一些方式，但是应当理解，本专利技术的实施例的范围不受此限制。相反，本专利技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。请参阅图1，为本专利技术实施例中的站点客流量预测方法，包括步骤S11~S13。步骤S11，获取历史时间段内当前站点每一测量时刻的客流特征和关联特征。所述客流特征包括客流量和当前对应的时间。所述关联特征包括天气特征、节假日特征、星期名称、特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度。所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件。具体的，该天气特征包括天气类型（如晴、雨、阴天等）、温度、降水概率、风向风速等级和空气质量中的本文档来自技高网...

【技术保护点】
1.一种站点客流量预测方法，其特征在于，包括：/n获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；/n以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；/n利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测，所述客流量等级设置有多种，不同所述客流量等级对应不同的客流量取值范围。/n

【技术特征摘要】
1.一种站点客流量预测方法，其特征在于，包括：
获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；
以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；
利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测，所述客流量等级设置有多种，不同所述客流量等级对应不同的客流量取值范围。


2.如权利要求1所述的站点客流量预测方法，其特征在于，所述以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集的步骤之前还包括：
计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；
确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。


3.如权利要求1所述的站点客流量预测方法，其特征在于，所述获取历史时间段内当前站点每一测量时刻的客流特征的步骤包括：
获取历史时间段内当前站点每一测量时刻的摄像图像，并对所述摄像图像进行识别以确定所述当前站点的人数，以得到各个所述测量时刻的客流量。


4.如权利要求1所述的站点客流量预测方法，其特征在于，所述利用所述训练样本对预测模型进行训练的步骤包括：
利用变分自编码器和长短期记忆网络模型构建预测模型；
将所述训练样本作为所述变分自编码器的输入，并对所述预测模型中的变分自编码器进行训练；
提取所述变分自编码器中间层的隐变量特征，并作为所述长短期记忆网络模型的输入，并将客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。<...

【专利技术属性】
技术研发人员：晏明智，贺斯进，陈星，邓毅，
申请(专利权)人：江西鹭鹭行科技有限公司，
类型：发明
国别省市：江西;36