一种城市轨道交通新线站点短时客流预测方法技术

本发明专利技术涉及一种城市轨道交通新线站点短时客流预测方法，包括S1对预测模型所需的站点数据、客流数据、POI数据进行清洗和预处理，并将新线开通之后的客流划分为不同阶段；S2基于S1清洗后的POI数据，将新线站点周边的用地规模作为坐标对全网站点用地功能进行聚类；聚类结果与新线站点一致的既有站点，结合S1获得的实时新线客流数据，构建新线站点历史客流数据库；S3基于S2建立的新线站点历史客流数据库；S4基于S2得出的客流数据，将短时客流量转化为客流分时系数；S5将S3的全天客流数据与S4的客流分时系数相结合得到新线站点短时客流预测值结果。本发明专利技术提高了客流预测精度，提升了城轨运营的服务水平。轨运营的服务水平。轨运营的服务水平。

【技术实现步骤摘要】
一种城市轨道交通新线站点短时客流预测方法


[0001]本专利技术涉及一种城市轨道交通新线站点短时客流预测方法，属于城市轨道交通


技术介绍

[0002]随着社会经济的发展，城市人口日益增加，城市规模与范围不断扩大，居民出行需求与出行距离也急剧增长。为满足居民的出行需要，许多大城市正以大运量、长运距、高效率的轨道交通作为居民公交出行的骨干系统。随着新线延伸以及新站点开通，城市轨道交通已进入网络化运营阶段，线路之间的关联更加紧密，新线接入对既有线网客流的冲击与影响更加复杂，新线客流预测对既有线网运输组织调整显得尤为关键。
[0003]在实际运营过程中，新线站点开通之后将经历客流的培育期、成长期与成熟期，不同阶段客流的增长和波动规律不同，导致短时客流预测精度不佳。运营组织受制于缺乏准确的短时客流数据支撑，导致高峰期运能无法满足需求，而平峰期运能浪费，运输效率低下，难以达到精细化运营管理的要求。因此，新线短时客流预测是当前城轨运营组织的重要工作，但传统客流预测方法的鲁棒性和可靠性不足，预测精度也有待进一步提升。
[0004]目前新线站点客流预测缺乏对客流成长过程以及变化规律的深入挖掘，缺少对小样本历史数据的进一步分析，仍然存在客流时间粒度粗糙，对历史数据利用不足的问题，预测粒度与精度仍有提升的空间。不同于常规客流预测场景，新线开通初期客流特征存在极大的不稳定性，客流特征复杂多变，且运营初期缺乏足够庞大历史客流数据作为支撑。因此神经网络等深度学习方法并不适用于新线这一数据样本较少的特殊场景。
专利
技术实现思路

[0005]本专利技术的目的在于，克服现有技术中存在的问题，提供一种城市轨道交通新线站点短时客流预测方法，加强对历史数据有效特征的提取，以进一步增强预测模型的鲁棒性，提高短时客流预测精度，针对新线工可研阶段采用的四阶段法客流预测粒度不足的问题，进行短时客流预测以细分预测粒度，为城轨运营公司科学化运营与精细化管理提供客流数据基础。
[0006]为了解决上述问题，本专利技术的一种城市轨道交通新线站点短时客流预测方法，包括如下步骤：
[0007]S1、对预测模型所需的站点数据、客流数据、POI数据进行清洗和预处理，并对既有线网历史客流特征及演变规律进行分析，根据当前线网客流成长规律将新线开通之后的客流划分为不同阶段，并根据不同阶段分别使用不同输入样本；
[0008]S2、基于S1清洗后的POI数据，根据POI数据的土地利用功能进行面积换算，得到新线站点周边不同功能用地规模，将用地规模作为坐标对全网站点用地功能进行聚类；
[0009]聚类结果与新线站点一致的既有站点，结合S1获得的实时新线客流数据，将既有站点的历史客流加权计算，共同构建新线站点历史客流数据库；
[0010]S3、基于S2建立的新线站点历史客流数据库，全天客流量采用新线开通以来，到预测日前一周的所有全天客流数据作为样本进行对数回归预测客流量；
[0011]S4、基于S2得出的新线站点历史客流数据，将短时客流量转化为客流分时系数，通过改进卡尔曼滤波器对客流分时系数进行预测，并根据新线客流变化规律对卡尔曼滤波模型的协方差矩阵进行调整，最后将客流分时系数的预测结果进行归一化处理；
[0012]S5、将S3的全天客流数据与S4的客流分时系数相结合得到新线站点短时客流预测值结果。
[0013]进一步的，S1具体包括如下步骤：
[0014]S101、收集并处理预测模型所需的客流数据、POI数据、站点数据：短时客流为新线开通前一个月既有线网全站点短时客流数据和新线开通之后的实时客流数据，以及所在城市当地最近开通的新线的客流数据，其中短时客流数据以15min为粒度进行统计；
[0015]S102、分析该所在城市最近开通新线的客流特征，对象城市客流演变规律；基于其客流变化规律将一个新线客流演变过程划分为培育期、成长期和成熟期三个阶段，针对不同场景分别采用不同的客流输入。
[0016]进一步的S102中所述划分阶段的方法为：
[0017]以新线开通之日为工可研阶段与客流培育期的划分界限；当新线客流增长变化率小于0，客流出现负增长，表明客流从培育期进入客流成长期，此时增幅开始产生上下浮动；以周均客流波动与客流自然增长为基准设定阈值，当客流变化率绝对值小于该阈值，则从客流成长期进入稳定期，表明此时的客流变化规律已经接近成熟的既有线网。
[0018]进一步的，S2具体包括如下步骤：
[0019]S201、基于S1中的全网地铁站点坐标数据，设定站点吸引范围，筛选出地铁站影响范围内POI数据；
[0020]S202、基于S201筛选出的POI数据计算不同功能用地的规模大小；将站点i居住用地规模设为a
i
；商业服务业设施用地规模设为b
i
；工业用地规模设为c
i
；公共管理与公共服务用地设为d
i
；交通设施用地设为e
i
；风景名胜用地设为f
i
；
[0021]S203、根据S202的结果，将a
i b
i c
i d
i e
i f
i
设为聚类坐标，通过K
‑
means聚类方法对既有站点进行聚类，对与新线站点聚类结果一致的既有站点选择用地规模与预测站点欧式距离最近的若干站点，补充短时客流数据；
[0022]其新线站点i到既有站点j的欧式距离为：
[0023][0024]选取欧式距离最近的既有站点j，新线站点i的第n时刻近似客流数据Q
i
‑
History
(n)为：
[0025][0026]其中Q
j
‑
History
(n)为欧式距离最近的既有站点j的历史客流数据，由此获得Q
i
‑
History
(n)，构建既有线相似站点历史客流数据库，作为之后客流预测输入的参考。
[0027]进一步的，S3具体包括如下步骤：
[0028]S301、将S1新线实时客流数据与S2得出的既有近似站点客流数据中的15min短时
客流进行求和，计算全天站点进出站客流量y(t)；
[0029]S302、设S301得出的全天客流量y(t)与开通时间t的关系为：
[0030]y(t)＝a+b ln t
[0031]其中t为新线开通日与客流数据y当天的时间间隔；既有线近似站点客流数据在培育期作为补充输入，设其时间间隔t为培育期持续时间，在客流成长期之后则完全采用新线实时客流数据；a、b是模型的未知参数，a为新线站点开通即产生的初始客流基础，b为后续客流随时间增长的速率，假设x＝ln t，将对数线性化，随机误差ε
i
服从均值为0的正态分布N(0,σ2)，原式化为：
[0032]Y
i
＝α+βx
i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市轨道交通新线站点短时客流预测方法，其特征在于，包括如下步骤：S1、对预测模型所需的站点数据、客流数据、POI数据进行清洗和预处理，并对既有线网历史客流特征及演变规律进行分析，根据当前线网客流成长规律将新线开通之后的客流划分为不同阶段，并根据不同阶段分别使用不同输入样本；S2、基于S1清洗后的POI数据，根据POI数据的土地利用功能进行面积换算，得到新线站点周边不同功能用地规模，将用地规模作为坐标对全网站点用地功能进行聚类；聚类结果与新线站点一致的既有站点，结合S1获得的实时新线客流数据，将既有站点的历史客流加权计算，共同构建新线站点历史客流数据库；S3、基于S2建立的新线站点历史客流数据库，全天客流量采用新线开通以来，到预测日前一周的所有全天客流数据作为样本进行对数回归预测客流量；S4、基于S2得出的新线站点历史客流数据，将短时客流量转化为客流分时系数，通过改进卡尔曼滤波器对客流分时系数进行预测，并根据新线客流变化规律对卡尔曼滤波模型的协方差矩阵进行调整，最后将客流分时系数的预测结果进行归一化处理；S5、将S3的全天客流数据与S4的客流分时系数相结合得到新线站点短时客流预测值结果。2.根据权利要求1所述的城市轨道交通新线站点短时客流预测方法，其特征在于，S1具体包括如下步骤：S101、收集并处理预测模型所需的客流数据、POI数据、站点数据：短时客流为新线开通前一个月既有线网全站点短时客流数据和新线开通之后的实时客流数据，以及所在城市当地最近开通的新线的客流数据，其中短时客流数据以15min为粒度进行统计；S102、分析该所在城市最近开通新线的客流特征，对象城市客流演变规律；基于其客流变化规律将一个新线客流演变过程划分为培育期、成长期和成熟期三个阶段，针对不同场景分别采用不同的客流输入。3.根据权利要求2所述的城市轨道交通新线站点短时客流预测方法，其特征在于，S102中所述划分阶段的方法为：以新线开通之日为工可研阶段与客流培育期的划分界限；当新线客流增长变化率小于0，客流出现负增长，表明客流从培育期进入客流成长期，此时增幅开始产生上下浮动；以周均客流波动与客流自然增长为基准设定阈值，当客流变化率绝对值小于该阈值，则从客流成长期进入稳定期，表明此时的客流变化规律已经接近成熟的既有线网。4.根据权利要求1所述的城市轨道交通新线站点短时客流预测方法，其特征在于，S2具体包括如下步骤：S201、基于S1中的全网地铁站点坐标数据，设定站点吸引范围，筛选出地铁站影响范围内POI数据；S202、基于S201筛选出的POI数据计算不同功能用地的规模大小；将站点i居住用地规模设为a
i
；商业服务业设施用地规模设为b
i
；工业用地规模设为c
i
；公共管理与公共服务用地设为d
i
；交通设施用地设为e
i
；风景名胜用地设为f
i
；S203、根据S202的结果，将a
i b
i c
i d
i e
i f
i
设为聚类坐标，通过K
‑
means聚类方法对既有站点进行聚类，对与新线站点聚类结果一致的既有站点选择用地规模与预测站点欧式距离最近的若干站点，补充短时客流数据；
其新线站点i到既有站点j的欧式距离为：选取欧式距离最近的既有站点j，新线站点i的第n时刻近似客流数据Q
i
‑
History
(n)为：其中Q
j
‑
History
(n)为欧式距离最近的既有站点j的历史客流数据，由此获得Q
i
‑
History
(n)，构建既有线相似站点历史客流数据库，作为之后客流预测输入的参考。5.根据权利要求1所述的城市轨道交通新线站点短时客流预测方法，其特征在于，S3具体包括如下步骤：S301、将S1新线实时客流数据与S2得出的既有近似站点客流数据中的15min短时客流进行求和，计算全天站点进出站客流量y(t)；S302、设S301得出的全天客流量y(t)与开通时间t的关系为：y(t)＝a+b ln t其中t为新线开通日与客流数据y当天的时间间隔；既有线近似站点客流数据在培育期作为补充输入，设其时间间隔t为培育期持续时间，在客流成长期之后则完全采用新线实时客流数据；a、b是模型的未知参数，a为新线站点开通即产生的初始客流基础，b为后续客流随时间增长的速率，假设x＝ln t，将对数线性化，随机误差ε
i
服从均值为0的正态分布N(0,σ2)，原式化为：Y
i

【专利技术属性】
技术研发人员：叶茂，张子翰，芦永玖，武莹莹，郭孝洁，赵一凡，张人杰，殷世松，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：