【技术实现步骤摘要】
本专利技术涉及轨道交通，尤其涉及一种考虑多因素的地铁车厢拥挤度预测方法。
技术介绍
1、地铁凭借其运量大、速度快、安全便捷等优点，已成为市民出行主要交通工具之一。不同于高铁、火车等交通工具所采用的持座有序乘车机制，地铁所采用的是无序乘车机制，运营时常会出现并行线路客流分布不均以及同线路各车厢客流分布不均的现象，一定程度上降低了运输效率。地铁车厢拥挤度的实时预测，可为乘客提供准确的参考，避免出现局部拥堵的情况。地铁车厢拥挤度预测可以作为智慧交通系统的一部分，与其他现有技术相结合，实现地铁运营的智能调度和管理，从而提高地铁客运服务质量。
2、目前，关于地铁客流的研究主要围绕地铁换乘站、地铁站及地铁站特殊部位，对地铁车厢拥挤度的研究相对较少。针对地铁车厢拥挤度的研究多针对拥挤度的检测，主要方法包括：压力传感器、ai摄像头、图像识别、制动性能、多目标跟踪等，但以上方法仅考虑即将到站列车车厢现有的乘客数，忽略到站时车厢的下车人数，会产生较大的预测误差，可能会出现地铁到站前某节车厢处于拥挤状态，而在到站时由于该节车厢下车人数多，致使该节车厢出现不拥挤的情况。
3、地铁车厢拥挤度预测起步阶段是基于机器学习算法使用单一客流数据预测单个站点特定时段的车厢拥挤度状态，虽方法简单、计算量小，但不能充分利用已有数据，预测精度低，且应用场景较为局限。
技术实现思路
1、本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种考虑多因素的地铁车厢拥挤度预测方法，旨在解决现有方法仅考
2、本专利技术解决其技术问题所采用的技术方案是：
3、本专利技术提供一种考虑多因素的地铁车厢拥挤度预测方法，该方法包括以下步骤：
4、s1：建立地铁车厢拥挤度划分标准；
5、s2：采集地铁经停各站点时的各节车厢客流数据集，客流数据集包括与客流数据变化相关的四维自变量，即：时间数据、天气数据、车站数据和poi数据；
6、s3：分别对客流数据、时间数据、天气数据、车站数据、poi数据进行预处理，再根据时空特性合并，划分为训练数据集及测试数据集；
7、s4：构建lightgbm模型，将训练数据集输入lightgbm模型进行模型训练，确定待优化的模型参数；
8、s5：根据训练确定的lightgbm模型参数，并输入测试数据集，进行每条线路列车经停各站点时各节车厢下车人数的预测，还原预测数据并输出各节车厢的拥挤度；
9、s6：对lightgbm模型预测结果进行误差评估。
10、进一步地，本专利技术的所述步骤s1的方法具体包括：
11、结合地铁列车车辆定员规范与乘客出行舒适度要求，按照立席密度划分车厢拥挤程度级别，标定各级别容纳人数范围；立席密度是有效立席面积的乘客数；以立席密度为依据，将车厢拥挤程度划分为满载、拥挤和舒适3个等级。
12、进一步地，本专利技术的所述步骤s2的方法具体包括：
13、客流数据，采用视频监控法采集每条线路各班次列车到达各站点前各节车厢已有人数以及到站时各节车厢下车人数；
14、时间数据，包括时间类型参数和客流量类型参数，其中时间类型参数包括日、时、分、列车班次、周几、是否为周末；客流量类型参数包括待预测班次的前三个班次、前三天同一班次和上周同一班次、三个车次的均值、三个车次的相邻差值；
15、天气数据，包括温度和降水量；
16、车站数据，包括车站id、车站类型、所属线路、所属方向；其中车站类型包括端点站、中间站、换乘站，所属方向包括上行和下行两个方向；
17、poi数据，根据车站周围用地属性不同，将采集范围设定为轨道交通站点周围800m，获取周围土地利用特性，对poi数据进行分类。
18、进一步地，本专利技术的所述步骤s3的方法具体包括：
19、s31：填充客流数据缺失值，计算前一班次和后一班次的客流均值，用该均值填充缺失值；
20、s32：填充天气数据缺失值，使用近邻时刻天气数据填充缺失值；
21、s33：对全部类型数据进行归一化，采用min-max标准化，公式如下：
22、
23、其中，x*是归一化后的样本数据，其中xmax为样本数据的最大值，xmin为样本数据的最小值；
24、s34：根据时空特性将客流数据和与四维自变量进行合并；
25、s35：将预处理后的数据按照时间顺序分为两组，时间靠前的一组为训练数据集，时间靠后的一组为测试数据集。
26、进一步地，本专利技术的所述步骤s4的方法具体包括：
27、将客流数据、时间数据、天气数据、车站数据、poi数据是作为自变量输入至构建的lightgbm模型中；
28、lightgbm模型为一种高性能的梯度提升决策树算法模型，设置模型待优化的参数，包括：学习率、早停轮数、迭代次数、采样比例、叶子个数、最大树深、叶子节点最小样本数、列采样比例、最小子节点权重；
29、模型训练初期学习率设置为0.1，以使模型快速迭代，在进行参数优化后，再减小学习率至0.01，使得模型稳定；
30、早停轮数和迭代次数则通过预训练得到；
31、除学习率、早停轮数和迭代次数以外的参数利用贝叶斯搜索进行优化，从而完成模型训练。
32、进一步地，本专利技术的所述步骤s5的方法具体包括：
33、输入步骤s4中优化后的参数，并输入测试数据，进行地铁各节车厢下车人数的预测，将预测结果反归一化，进行还原数据，得到预测值q，具体公式为：
34、q＝y(nmax-nmin)+nmin
35、其中，nmax和nmin分别为最大和最小下车人数，y为模型预测结果，q为预测值。
36、还原预测数据后，计算各节车厢的预计承载量，具体公式如下：
37、
38、
39、其中，ohijk为第h条线路第i个车站j方向第k节车厢已有人数；qhijk为第h条线路第i个车站j方向第k节车厢预测到站下车人数；lhijk为第h条线路第i个车站j方向第k节车厢预计到站乘客下车后所剩人数；p为车厢定员数，mhijk为第h条线路第i个车站j方向第k节车厢预计承载量，方向为上行或下行。
40、进一步地，本专利技术的所述步骤s5中输出拥挤度的方法具体包括：
41、结合步骤s1中的车厢拥挤度划分标准以及地铁各车厢立席面积，计算各节车厢不同拥挤度下立席人数，根据lhijk值确定第h条线路第i个车站j方向第k节车厢处于何种拥挤度状态。
42、进一步地，本专利技术的所述步骤s6的方法具体包括：
43、采用训练好的lightgbm模型进行各车厢下车人数预测，将还原的预测结果同实际数据进行误差计算，误差计算采用均方根误差和平均绝对误差作为本文档来自技高网...
【技术保护点】
1.一种考虑多因素的地铁车厢拥挤度预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤S1的方法具体包括：
3.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤S2的方法具体包括：
4.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤S3的方法具体包括：
5.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤S4的方法具体包括：
6.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤S5的方法具体包括：
7.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤S5中输出拥挤度的方法具体包括：
8.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤S6的方法具体包括：
9.一种考虑多因素的地铁车厢拥挤度预测系统，其特征在于，包括：
【技术特征摘要】
1.一种考虑多因素的地铁车厢拥挤度预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤s1的方法具体包括：
3.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤s2的方法具体包括：
4.根据权利要求1所述的考虑多因素的地铁车厢拥挤度预测方法，其特征在于，所述步骤s3的方法具体包括：
5.根据权利要求1所述的考虑多因素的地铁车厢拥挤度...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。