基于循环神经网络的城市轨道交通短时客流预测方法技术

本发明专利技术实施例公开一种基于循环神经网络的城市轨道交通短时客流预测方法，包括：获取历史站点客流量数据集，根据站点聚类数目和客流量的最大值及最小值，计算每一个聚类的聚类中心点，然后采用聚类算法对站点客流量数据集进行聚类，实现对站点的聚类；根据输入变量将历史站点客流量数据集与天气数据进行整合得到模型数据集，基于LSTM模型与GRU模型搭建短时客流预测模型，然后训练直至收敛，得到优化的短时客流预测模型及其参数组合。本发明专利技术实施例还通过RMSE与MAE的模型评价方法对得到的短时客流预测模型进行评价，从而验证模型预测结果的准确性。本发明专利技术方法考虑因素全面，实用性强，可为轨道交通运营管理提供必要的参考数据，大大提高运营管理效率。大大提高运营管理效率。大大提高运营管理效率。

【技术实现步骤摘要】
基于循环神经网络的城市轨道交通短时客流预测方法


[0001]本专利技术涉及智慧交通
，特别涉及一种基于循环神经网络的城市 轨道交通短时客流预测方法。

技术介绍

[0002]近年，我国经济快速发展，越来越多的中小型城市向大型城市转变，城 市化水平不断提高，居民的出行需求也随着城市规模的扩大而增长，进而交 通拥堵成为了许多城市面临的新问题。轨道交通凭借着其高效便捷、运输量 大等特点，成为了许多城市解决交通拥堵问题的重要方案之一。轨道交通系 统在各大城市得到蓬勃发展，相关统计显示，截至2020年底，中国大陆地 区先后有45个城市开通运营了城市轨道交通系统，线路合计244条，总里 程达7969.7千米；此外中国大陆地区2020年轨道交通总客运量达175.27 亿人次，受疫情影响，客运量较2019年下降26.40％。
[0003]从2016年到2020年的5年间，全国共新增运营线路长度为4263千米， 年均新增运营线路长度872千米，轨道交通运营里程处于世界前列，我国已 成为城市轨道交通大国。然而，城市轨道交通网络规模的不断扩大，也使得 城市轨道交通的运营管理问题接踵而来，如高峰时段运输组织难度大、高峰 运输存在安全隐患、应急预案可操作性不强等。
[0004]为有效解决城市轨道交通运营管理问题，进一步提高城市轨道交通的运 营组织水平，精细化、综合化、智能化已然成为城市轨道交通运营管理下一 阶段的发展方向。城市轨道交通在乘客出行交通方式选择中优先级的提高， 有赖于良好的运营管理，而运营管理工作的核心是掌握运输需求规律，首先 就要分析并掌握客流规律以设计良好的运行服务，所以，要提高轨道交通服 务水平与轨道交通在乘客出行交通方式选择中优先级，首要任务就是解决如 何准确的预测乘客出行客流规律的问题。
[0005]现有方法未对站点客流的时空特征进行分析，且因变量选择单一，大多 数方法只将历史客流量作为模型输入变量，而忽略了其他因素对客流的影 响，预测结果与实际客流的差距比较大。

技术实现思路

[0006]本专利技术要解决的技术问题，在于提供一种基于循环神经网络的城市轨道 交通短时客流预测方法，通过对站点进行聚类，然后根据聚类结果和相关性 分析构造模型数据集，从而实现快速且准确地对短时客流进行预测。
[0007]为了解决上述问题，本专利技术实施例提供了一种基于循环神经网络的城市 轨道交通短时客流预测方法，包括：站点聚类过程及预测模型构建训练过程；
[0008]所述站点聚类过程包括：
[0009]获取历史站点客流量数据集，根据站点聚类数目和客流量的最大值及最 小值，计算每一个聚类的聚类中心点，然后采用聚类算法基于站点客流量数 据集实现对站点的聚类；
[0010]所述预测模型构建训练过程包括：
[0011]设定输入变量，然后根据所述输入变量将历史站点客流量数据集与天气 数据进行整合得到模型数据集；所述输入变量包括站点历史客流量、天气条 件、是否为高峰时段以及是否为工作日；其中，所述站点历史客流量根据不 同时间粒度进行划分，所述天气条件通过对天气变量与客流量进行相关性分 析，将相关性大于设定条件的天气变量作为模型的天气条件输入变量，是否 为高峰时段根据站点的聚类结果进行对应设置；
[0012]基于LSTM模型与GRU模型搭建短时客流预测模型，然后划分所述模 型数据集得到训练集和测试集，将所述训练集输入所述短时客流预测模型， 通过训练迭代到规定的迭代次数直至收敛，得到优化的短时客流预测模型及 其参数组合。
[0013]进一步地，所述站点聚类过程具体包括：
[0014]步骤11、获取站点客流量数据集N，站点数目为n，站点聚类数目为k， 计算所有样本数据的最大值Max(N)与最小值Min(N)，选取Max(N)与Min(N)间的k+1等分点作为初始每一个聚类c的聚类中心点 μ
c
,c＝1,2,
…
,k；
[0015]步骤12、计算所有样本点i,i＝1,2,
…
,n到已经被选定的每一个聚类中心 μ
c
的距离dis(i,μ
c
)，将 样本点i分配给与其距离最近的聚类中心所代表的类c
*
中， [0016]步骤13、计算每个聚类中样本点客流均值其中，I
c
表示聚类c中的所有项目；将A
c
作为新的聚类中心，即μ
c
＝A
c
,c＝1,2,
…
,k；
[0017]步骤14、记录上轮聚类中的距离和lastS
c
＝S
c
，重复步骤12；
[0018]步骤15、如果lastS
c
与S
c
相差大于0.0001，则返回步骤13，否则聚类结 束。
[0019]进一步地，所述预测模型构建训练过程中，利用Pearson相关系数对天 气变量与客流量进行相关性分析，Pearson相关系数如下式：
[0020][0021]其中，X是客流量数据，X
i
表示第i个时间段的客流量，与S
X
分别是 客流量的平均数和方差；Y是影响因素相关的数据，Y
i
表示第i个时间段的 影响因素的值，与S
Y
分别是影响因素值的平均数和方差，n是数据量。
[0022]进一步地，所述预测模型构建训练过程中，短时客流预测模型具体包括： 输入层、至少一个隐藏层及输出层，其中，每一隐藏层由七层LSTM模型 或GRU模型及四层Dropout层组成。
[0023]进一步地，所述短时客流预测模型包括第一隐藏层和第二隐藏层；所述 第一隐藏层和第二隐藏层的输入端均分别与所述输入层连接，所述第一隐藏 层和第二隐藏层的输出端均分别与所述输出层连接；
[0024]所述第一隐藏层依次包括：第一LSTM层、第二LSTM层、第三LSTM 层、第一Dropout层、第四LSTM层、第二Dropout层、第五LSTM层、第 六LSTM层、第三Dropout层、第七LSTM层以及第三Dropout层；
[0025]所述第二隐藏层依次包括：第一GRU层、第二GRU层、第三GRU层、 第一Dropout层、
第四GRU层、第二Dropout层、第五GRU层、第六GRU 层、第三Dropout层、第七GRU层以及第三Dropout层。
[0026]进一步地，所述方法还包括：模型评价过程；
[0027]所述模型评价过程包括：利用训练之后的模型取得预测结果，计算所述 预测结果和真实客流量的均方根误差以及平均绝对误差，根据计算结果得到 各类站点及不同时间粒度下的预测精度。
[0028]进一步地，所述模型评价过程中，计算均方根误差具体采用如下公式：
[0029][0030]其中，n代表数据量，y
i
与分别代表真实值与预测值。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的城市轨道交通短时客流预测方法，其特征在于，包括：站点聚类过程及预测模型构建训练过程；所述站点聚类过程包括：获取历史站点客流量数据集，根据站点聚类数目和客流量的最大值及最小值，计算每一个聚类的聚类中心点，然后采用聚类算法基于站点客流量数据集实现对站点的聚类；所述预测模型构建训练过程包括：设定输入变量，然后根据所述输入变量将历史站点客流量数据集与天气数据进行整合得到模型数据集；所述输入变量包括站点历史客流量、天气条件、是否为高峰时段以及是否为工作日；其中，所述站点历史客流量根据不同时间粒度进行划分，所述天气条件通过对天气变量与客流量进行相关性分析，将相关性大于设定条件的天气变量作为模型的天气条件输入变量，是否为高峰时段根据站点的聚类结果进行对应设置；基于LSTM模型与GRU模型搭建短时客流预测模型，然后划分所述模型数据集得到训练集和测试集，将所述训练集输入所述短时客流预测模型，通过训练迭代到规定的迭代次数直至收敛，得到优化的短时客流预测模型及其参数组合。2.根据权利要求1所述的方法，其特征在于，所述站点聚类过程具体包括：步骤11、获取站点客流量数据集N，站点数目为n，站点聚类数目为k，计算所有样本数据的最大值Max(N)与最小值Min(N)，选取Max(N)与Min(N)间的k+1等分点作为初始每一个聚类c的聚类中心点μ
c
,c＝1,2,
…
,k；步骤12、计算所有样本点i,i＝1,2,
…
,n到已经被选定的每一个聚类中心μ
c
的距离dis(i,μ
c
)，将样本点i分配给与其距离最近的聚类中心所代表的类c
*
中，步骤13、计算每个聚类中样本点客流均值其中，I
c
表示聚类c中的所有项目；将A
c
作为新的聚类中心，即μ
c
＝A
c
,c＝1,2,
…
,k；步骤14、记录上轮聚类中的距离和lastS
c
＝S
c
，重复步骤12；步骤15、如果lastS
c
与S
c
...

【专利技术属性】
技术研发人员：吴志雄，张惠臻，高正凯，
申请(专利权)人：南威软件股份有限公司，
类型：发明
国别省市：