【技术实现步骤摘要】
一种基于客流特征分析的地铁短时进站客流预测方法
本专利技术涉及客流预测
，具体为一种基于客流特征分析的地铁短时进站客流预测方法。
技术介绍
随着城市轨道交通网络化进程的加快，准确掌握客流实时变化规律成为了有效保障运输秩序和提高运输服务质量的关键要素。高精度的短时进站客流预测可以帮助管理者针对客流波动作出快速反应，及时调整运输计划并缓解城市轨道交通线路客流不均衡的状况，提高运输服务质量。同时也为车站设施合理布局提供必要的决策支撑，保障轨道交通系统安全高效运行。针对于短时客流预测，可以划分为两类：参数方法(如自回归积分滑动平均、卡尔曼滤波等)和非参数方法(如支持向量机、神经网络等)。参数方法的客流预测研究中，熊杰等基于卡尔曼滤波原理，构建了地铁换乘客流模型，得出工作日早高峰的客流预测更为精准；王奕等使用马尔科夫链对GM(1,1)灰色预测模型进行改进，并证明其对于波动性较大的客流预测具有较高精度；蔡昌俊等构建ARIMA进出站预测模型，验证得出模型具有良好预测精度。非参数方法的客流预测研究中，邹巍等建立以小波神经网络为...
【技术保护点】
1.一种基于客流特征分析的地铁短时进站客流预测方法，其特征在于，包括以下步骤：/nS1：地铁进站客流特征分析：对地铁站的AFC数据进行了预处理，对AFC异常数据进行了筛选和剔除，同时还剔除了单次行程时间超过三个小时的数据，以确保进站数据的有效性和真实性，最后对进站客流原始数据进行5分钟时间粒度的统计；/nS2：模型建立：/n1数据集建立：由于进站客流具有较强的时间关联性，因此考虑在模型数据集中加入与当前时段临近的q个时间段的进站流量，通过历史数据自相关系数的计算，可以得到q的合理取值；/n2模型构建：/n随机森林：通过自助法从原始训练集中有放回的重复随机抽取m个样本和n个特...
【技术特征摘要】
1.一种基于客流特征分析的地铁短时进站客流预测方法，其特征在于，包括以下步骤：
S1：地铁进站客流特征分析：对地铁站的AFC数据进行了预处理，对AFC异常数据进行了筛选和剔除，同时还剔除了单次行程时间超过三个小时的数据，以确保进站数据的有效性和真实性，最后对进站客流原始数据进行5分钟时间粒度的统计；
S2：模型建立：
1数据集建立：由于进站客流具有较强的时间关联性，因此考虑在模型数据集中加入与当前时段临近的q个时间段的进站流量，通过历史数据自相关系数的计算，可以得到q的合理取值；
2模型构建：
随机森林：通过自助法从原始训练集中有放回的重复随机抽取m个样本和n个特征来生成新的训练集，根据新的训练集来产生k个决策树，根据这些决策树的训练结果进行投票并输出结果；
支持向量机：给定训练样本集(xi,yi)(i＝1,2,3,…,n)，对于该样本集而言，xi∈Rn为n维输入样本，xi＝(xi1,xi2,…,xin)，y1∈Rn为输出样本，在非线性回归中，通过映射：Rn→H，H为特征空间，将训练样本由初始低维样本空间映射到高维特征空间，转化为特征空间中的线性回归问题，最终实现低维空间的非线性回归；
神经网络：选取BP神经网络进行模型的构建；
S3：结果对比分析：机器学习方法的不同模型具有不同的超参数，以均方误差最小为目标，采用交叉验证方法对各个模型的超参数进行了寻优搜索，为了更好的衡量模型的准确性和稳定性，选取站点的平均绝对百分误差(MAPE)、均方根误差(RMSE)为指标，进行不同模型的对比分析。
2.根据权利要求1所述的一种基于客流特征分析的地铁短时进站客流预测方法，其特征在于，所述步骤S2中，数据集建立的公式如下：
式中：为站点i于x日滞后q个时段的自相关系数；分别为站点i于x日时段n、n+q的进站量；为站点i于x日分时进站量的均值；N为有效时段数；
若设预测时段进站客流为则在工作日场景下，数据集中特征变量与因变量之间的映射关系如下方公式所示：
<...
【专利技术属性】
技术研发人员：张翀宇，赵淑芝，刘华胜，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22
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。