用于预测地铁客流量的方法及装置、存储介质制造方法及图纸

本申请涉及智能交通技术领域，公开一种用于预测地铁客流量的方法，所述方法应用于卷积神经网络模型中，所述方法包括：获取客流数据、网络拓扑数据和环境数据；基于客流数据、网络拓扑数据和环境数据，分别提取客流数据特征、网络拓扑数据特征和环境数据特征；将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征；根据融合特征，预测客流量。该方法在利用卷积神经网络模型预测地铁中客流量时，充分考虑了影响客流量的地铁线路所经位置和天气信息，从而提升了预测地铁中客流量的可靠性。本申请还公开一种用于预测地铁客流量的装置及存储介质。量的装置及存储介质。量的装置及存储介质。

【技术实现步骤摘要】
用于预测地铁客流量的方法及装置、存储介质


[0001]本申请涉及智能交通
，例如涉及一种用于预测地铁客流量的方法及装置、存储介质。

技术介绍

[0002]目前，地铁中存在某些地铁线路中客流量大，乘客特别拥挤的情况，而另外一些地铁线路中客流量较小，地铁内闲置空间较大，甚至出现空载的情况，容易造成地铁资源的浪费。
[0003]为了减少地铁资源的浪费。相关技术提供了一种地铁客流量的预测方法，该方法借助深度神经网络模型，即根据地铁中的客流量构建数据集，并利用数据集对深度神经网络模型进行训练，利用训练完成的深度神经网络模型，可预测地铁中的客流量。从而，根据地铁中的客流量，调配地铁的运行间隔，可减少地铁资源的浪费。
[0004]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
[0005]相关技术虽然可以利用深度神经网络模型预测地铁中的客流量，但是对深度神经网络模型的训练过程中，仅采用基于客流量所构建的数据集。然而，地铁中客流量还容易受天气和地铁线路所经位置等因素的影响。因此，仅基于客流量对深度神经网络模型进行训练，会使深度神经网络模型的泛化能力较弱，从而难以保证预测地铁中客流量的可靠性。
[0006]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0007]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0008]本公开实施例提供了一种用于预测地铁客流量的方法及装置、存储介质，可以提升预测地铁中客流量的可靠性。
[0009]在一些实施例中，所述方法应用于卷积神经网络模型中，所述方法包括：
[0010]获取客流数据、网络拓扑数据和环境数据；
[0011]基于客流数据、网络拓扑数据和环境数据，分别提取客流数据特征、网络拓扑数据特征和环境数据特征；
[0012]将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征；
[0013]根据融合特征，预测客流量。
[0014]在一些实施例中，所述装置包括处理器和存储有程序指令的存储器，其中，所述处理器被配置为在运行所述程序指令时，执行前述用于预测地铁客流量的方法。
[0015]在一些实施例中，所述存储介质，存储有程序指令，其中，所述程序指令在运行时，执行前述用于预测地铁客流量的方法。
[0016]本公开实施例提供的用于预测地铁客流量的方法及装置、存储介质，可以实现以下技术效果：
[0017]在利用卷积神经网络模型对地铁客流量预测的过程中，基于客流数据、网络拓扑数据(即地铁线路所经位置的数据)和环境数据(即天气数据)，分别提取客流数据特征、网络拓扑数据特征和环境数据特征。并根据客流数据特征、网络拓扑数据特征和环境数据特征，预测地铁中的客流量。这样，在利用卷积神经网络模型预测地铁中客流量时，充分考虑了影响客流量的地铁线路所经位置和天气信息，从而提升了预测地铁中客流量的可靠性。进而对于客流量较小的地铁线路，可适当调整地铁的运行间隔，以减少地铁资源的浪费。对于客流量较大的地铁线路，乘客可根据客流量调整出行计划，以提升乘客出行效率，即提升乘客出行体验。
[0018]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0019]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0020]图1是本公开实施例提供的一种残差网络的残差块的示意图；
[0021]图2是本公开实施例提供的一种ResGRU模型的示意图；
[0022]图3是本公开实施例提供的一种用于预测地铁客流量的方法的示意图；
[0023]图4是本公开实施例提供的一种用于预测地铁客流量的装置的示意图。
具体实施方式
[0024]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0025]本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
[0026]除非另有说明，术语“多个”表示两个或两个以上。
[0027]本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
[0028]术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
[0029]术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。
[0030]公开实施例中，终端设备是指具有无线连接功能的电子设备，终端设备可以通过连接互联网，与如上的智能家电设备进行通信连接，也可以直接通过蓝牙、wifi等方式与如
上的智能家电设备进行通信连接。在一些实施例中，终端设备例如为移动设备、电脑、或悬浮车中内置的车载设备等，或其任意组合。移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。
[0031]目前，地铁中存在某些地铁线路中客流量大，乘客特别拥挤的情况，而另外一些地铁线路中客流量较小，地铁内闲置空间较大，甚至出现空载的情况，容易造成地铁资源的浪费。
[0032]为了减少地铁资源的浪费。相关技术提供了一种地铁客流量的预测方法，该方法借助深度神经网络模型，即根据地铁中的客流量构建数据集，并利用数据集对深度神经网络模型进行训练，利用训练完成的深度神经网络模型，可预测地铁中的客流量。从而，根据地铁中的客流量，调配地铁的运行间隔，可减少地铁资源的浪费。相关技术虽然可以利用深度神经网络模型预测地铁中的客流量，但是对深度神经网络模型的训练过程中，仅采用基于客流量所构建的数据集。然而，地铁中客流量还容易受天气和地铁线路所经位置等因素的影响。因此，仅基于客流量对深度神经网络模型进行训练，会使深度神经网络模型的泛化能力较弱，从而难以保证预测地铁中客流量的可靠性。
[0033]本公开实施例提供一种用于预测地铁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测地铁客流量的方法，其特征在于，所述方法应用于卷积神经网络模型中，所述方法包括：获取客流数据、网络拓扑数据和环境数据；基于客流数据、网络拓扑数据和环境数据，分别提取客流数据特征、网络拓扑数据特征和环境数据特征；将客流数据特征、网络拓扑数据特征和环境数据特征进行融合，得到融合特征；根据融合特征，预测客流量。2.根据权利要求1所述的方法，其特征在于，客流数据包括实时客流数据和历史客流数据；提取客流数据特征包括：将实时客流数据和历史客流数据输入至残差神经网络的残差块，以获得客流数据的时间特征和空间特征。3.根据权利要求2所述的方法，其特征在于，按照下述公式将实时客流数据和历史客流数据输入至残差神经网络的残差块：其中，K1为客流数据的输入向量，X
r
为实时的客流数据，X
d
为前一日的客流数据，X
w
为前一周的客流数据，m为地铁站的数量，t为地铁车站的历史时长。4.根据权利要求1所述的方法，其特征在于，提取网络拓扑数据特征，包括：将网络拓扑数据输入至残差神经网络的残差块，以获得网络拓扑数据的空间特征。5.根据权利要求4所述的方法，其特征在于，按照下述公式将网络拓扑数据输入至残差神经网络的残差块：其中，K2为网络拓扑数据的输入向量，A∈R
m
×
n
为输入的网络拓扑数据的邻接矩阵，I为单位矩阵，为的对角节点度...

【专利技术属性】
技术研发人员：程杰仁，李雅静，
申请(专利权)人：海南大学，
类型：发明
国别省市：