描述波动特性的城市轨道交通客流量变化区间预测方法技术

一种描述波动特性的城市轨道交通客流量的变化区间预测方法，通过一定置信水平下的客流波动变化区间来描述客流波动特性，并使用宽度流量比对波动性的强度进行评价，具体步骤如下：首先，对原始客流数据进行处理，获取一定时间汇集度下的客流序列；其次，通过客流时间序列图识别客流变化的周期；然后，使用历史客流训练结构化状态驱动的季节性差分自回归滑动平均模型，并进行历史客流离散水平递推，分别对研究时间段内的客流平均水平和离散水平进行建模和预测；在此基础上，对一定置信水平下的客流量区间进行预测，计算客流变化区间，描述客流波动特性；最后，定义客流变化区间的宽度与对应的客流真实值之比为宽度流量比，作为评价指标，通过宽度流量比的大小来衡量客流波动性的强弱；由此，本发明专利技术能克服现有技术的缺陷，能有效解决精度与效率之间的矛盾，还可平稳预测过程，去除噪声影响；模型复杂度可大大降低，实现低计算成本的高精度预测。

【技术实现步骤摘要】
描述波动特性的城市轨道交通客流量变化区间预测方法
本专利技术涉及城市轨道交通智能化的
，尤其涉及一种描述波动特性的城市轨道交通客流量变化区间预测方法。
技术介绍
随着我国城市化进程的迅猛发展，城市机动车保有量迅猛增加，城市交通系统拥堵日渐加重。在此背景下，以大容量、准点高效为主要特征的城市轨道交通系统逐渐得到了各界的认可，成为解决城市地面交通系统拥堵问题的有效举措之一。乘客是城市轨道交通的服务对象，客流量和行为特性是决定轨道交通系统设计与运营的重要因素。对设计而言，客流是贯穿整个过程的最重要的参数，直接决定了系统的规模、设施设备配置等。对运营而言，对客流特征实时、准确把握有助于城市轨道交通运营管理部门根据客流的变化而采取适当的措施，合理的进行车站行人交通组织和列车运营调度等，提升系统服务水平。实际状况下，城市轨道交通客流量是不断波动变化，处于不稳定状态。而现有的客流预测多为对客流量的单值预测，精确程度难以提升，且缺乏对客流变化区间的描述，不利于轨道交通运营管理部门决策的制定。在客流量预测方面，现有研究一般存在以下问题：1)本文档来自技高网...

【技术保护点】
1.一种描述波动特性的城市轨道交通客流量变化区间预测方法，其特征在于包含如下步骤：/n步骤1：对原始客流数据进行处理，获取一定时间汇集度下的城市轨道交通客流序列；/n步骤2：绘制客流时间序列图，识别客流变化的周期；/n步骤3：使用历史客流数据进行结构化状态驱动的季节性差分自回归滑动平均模型，预测客流平均水平；/n步骤4：使用历史客流离散水平递推的方法进行客流离散水平的建模和预测；/n步骤5：选取一定置信水平并确定该置信水平下的客流变化区间；/n步骤6：将客流变化区间的宽度与对应的客流真实值之比定义为宽度流量比，使用该指标来评价客流波动性的强弱，宽度流量比越大，说明客流的波动性越强；反之，客流的...

【技术特征摘要】
1.一种描述波动特性的城市轨道交通客流量变化区间预测方法，其特征在于包含如下步骤：
步骤1：对原始客流数据进行处理，获取一定时间汇集度下的城市轨道交通客流序列；
步骤2：绘制客流时间序列图，识别客流变化的周期；
步骤3：使用历史客流数据进行结构化状态驱动的季节性差分自回归滑动平均模型，预测客流平均水平；
步骤4：使用历史客流离散水平递推的方法进行客流离散水平的建模和预测；
步骤5：选取一定置信水平并确定该置信水平下的客流变化区间；
步骤6：将客流变化区间的宽度与对应的客流真实值之比定义为宽度流量比，使用该指标来评价客流波动性的强弱，宽度流量比越大，说明客流的波动性越强；反之，客流的波动性越弱。


2.如权利要求1所述的描述波动特性的城市轨道交通客流量变化区间预测方法，其特征在于：步骤1中确定时间汇集度T、研究时间段、研究的站点和客流类型，对原始客流数据进行处理，获取时间汇集度为T的客流序列{Flow1，Flow2，Flow3，…}。


3.如权利要求2所述的描述波动特性的城市轨道交通客流量变化区间预测方法，其特征在于：原始客流数据为每一位乘客的进、出站记录，包括进、出站的站点和时间，通过判断原始数据中的车站、时段信息，以对客流序列中的第n个客流值Flown进行计算，具体计算遵循以下公式(1)：



式中，Flown为时间汇集度为T的客流序列中的第n个客流值；Station为乘客进/出站站点，Time为乘客进/出站时间，Tn为研究时间段内的第n个汇集间隔所包含的时间段。


4.如权利要求1所述的描述波动特性的城市轨道交通客流量变化区间预测方法，其特征在于：步骤3的具体步骤分为两个子过程：
步骤3.1：使用历史客流，分析其周期与季节长度，训练下述模型，从而实现预测，其预测具体遵循以下公式(2)：



式中，Flown为时间编号为n的客流值；S为客流变化的周期；B为后移运算符；φP(BS)和ΘQ(BS)是B矩阵的阶为P,Q的多项式；P是季节自回归的阶数；D是季节差分数；Q是季节自平均阶数；S是季节长度；εn为随机干扰项，符合均值为0、方差为的正态分布；
步骤3.2：利用结构化状态预测模型驱动3.1中构建的季节性差分自回归滑动平均模型，降低趋势变化造成的波动，形成稳定的预测和修正框架，具体遵循以下公式(3)至公式(8)：
Flowt+1＝AFlowt+Wt(3)
Yt＝BFlowt+Vt(4)
其中，Flowt+1和Yt分别为系统的n维状态向量和m维观测向量，A和B分别为m×n维状态转换矩阵和观测矩阵，Wt和Vt分别为系统的n维随机干扰向量和m维观测噪声向量；
P(t+1|t)＝A·P(t|t)′+R1+R2+…+Rq(5)
...

【专利技术属性】
技术研发人员：高国飞，姚振康，朱宁，王道钢，郑汉，郭建华，韩士彦，杨越思，
申请(专利权)人：北京城建设计发展集团股份有限公司，苏州市轨道交通集团有限公司，
类型：发明
国别省市：北京;11