基于机器学习的城市轨道交通OD客流估计方法技术

本发明专利技术涉及人工智能技术领域，具体为基于机器学习的城市轨道交通OD客流估计方法，包括以下步骤：步骤一、基于轨道交通OD客流的时间和空间特性，确定待预测数据的影响因素，其中包括对预测结果起关键作用和干扰作用的两大因素；步骤二、设定时间粒度Δt，按时间粒度Δt对每天的历史客流数据进行分段。该基于机器学习的城市轨道交通OD客流估计方法，通过从空间分布和时间分布两方面确定OD线网客流的关键因素和干扰因素，并进一步根据这两大因素将轨道交通客流数据中的干扰数据剔除，能够更加有效进行OD客流数据预测，结合了历史客流的OD分布规律，采提取出改进的历史客流分流率矩阵，能够提高模型估计精度。能够提高模型估计精度。

【技术实现步骤摘要】
基于机器学习的城市轨道交通OD客流估计方法


[0001]本专利技术涉及人工智能
，具体为基于机器学习的城市轨道交通OD客流估计方法。

技术介绍

[0002]随着城市经济的快速增长引发交通出行量大幅增加，城市轨道交通网络的日益完善，客流过度饱和现象经常发生，尤其是工作日的早晚高峰时段，由此带来了巨大的安全隐患。OD估计是轨道交通系统运营管理与控制的重要基础，能否有效解决动态OD矩阵的实时估计问题，将对上层管理系统应用产生直接的影响。
[0003]中国专利公开号为CN115168450A公开了一种城市轨道交通线网客流OD动态估计方法，该方法包括：获取历史客流数据，计算客流OD分布矩阵；基于客流OD分布矩阵，计算客流分流率矩阵；根据历史客流数据，构建行程时间的概率分布，计算客流出站到达系数；基于客流分流率矩阵和客流出站到达系数，构建车站间的动态流量关系；建立基于卡尔曼滤波算法的状态空间模型，对线网客流OD进行动态估计，通过实时上传的进出站交易数据和历史客流数据进行统计，建立了基于卡尔曼滤波的状态空间模型，可用来估计实时的客流需求分布结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的城市轨道交通OD客流估计方法，其特征在于，包括以下步骤：步骤一、基于轨道交通OD客流的时间和空间特性，确定待预测数据的影响因素，其中包括对预测结果起关键作用和干扰作用的两大因素；步骤二、设定时间粒度Δt，按时间粒度Δt对每天的历史客流数据进行分段，统计每天各时间段内的储值票客流数据和单程票客流数据；步骤三、根据时间粒度Δt将单日的运营时间划分为K个时段，分别标记为k＝1，2，
…
，K，其中，第k个时段表示运营时间(t0+(k
‑
1)
×
Δt，t0+k
×
Δt)，t0表示单日的运营时间开始时刻；步骤四、从预测目标数据所属AFC系统中采集的原始客流数据，并根据两大影响因素对原始客流进行筛选预处理，建立客流数据集，将客流数据集中的数据按照一定时间间隔划分粒度，并转换为OD矩阵形式，构建OD客流数据集；步骤五、历史出站交易数据清洗，选择足够样本量的历史出站交易数据，出站交易数据包括乘客完整的进出站时间和站点编号，对历史出站交易数据进行清洗，剔除异常数据；步骤六、采用移动平均法对单程票客流数据进行改进，得到改进后的单程票客流数据为：将OD客流数据集以一定比例划分为训练数据集和预测数据集，训练数据集用以训练模型，而预测数据集用以进行最终预测；步骤七、将训练数据集中的数据输入全卷积神经网络FCN中，提取全线网OD客流矩阵的所有特征点，并输出带有该特征点的全线网OD客流数据；步骤八、根据修正后的OD估计结果建立指标，并用该指标检验构建的客流OD动态估计状态空间模型是否正确；若检验结果正确，则判定客流OD动态估计状态空间模型正确，输出客流OD动态估计状态空间模型的估计结果；若检验结果不正确，则重新设置客流OD动态估计状态空间模型的参数值。2.根据权利要求1所述的基于机器学习的城市轨道交通OD客流估计方法，其特征在于，所述q
0ij
(t)表示改进后的第t个时段内由站点i进站的乘客中最终从站点j出站的单程票乘客数量，q
0ij
(t
‑
a)表示由历史客流数据统计获取的第t
‑
a个时段内由站点i进站的乘客中最终从站点j出站的单...

【专利技术属性】
技术研发人员：赵先明，林昀，
申请(专利权)人：北京红山信息科技研究院有限公司，
类型：发明
国别省市：