【技术实现步骤摘要】
本专利技术涉及城市轨道交通，尤其涉及一种城市轨道交通短期客流预测方法及系统。
技术介绍
1、地铁站人流的预测是当今建设城市大脑，智慧交通领域的重要任务。地铁班次的发车调度，地铁-公交接驳调度，地铁站人流疏导，地铁站附近城市道路的拥堵疏导等任务都要基于地铁站的人流预测。
2、地铁站人流预测通常分为粗粒度预测和细粒度预测，前者为一小时以上，甚至一天，一个月的大跨度人流预测，后者则为十五分钟以内的分钟级预测。当前主流的地铁流量预测可以建模为时空数据挖掘问题，使用机器学习方法对时间空间数据协同挖掘。
3、时间序列预测方法其实是一种回归预测方法，属于定量预测，其基本原理是：一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。时间序列预测方法主要包括ar模型、ma模型，以及在此基础上提出的arma模型、arima模型和sarima模型。模型的选择通常基于对数据的理解和对模型性能的评估。使用这些模型需要考虑数据的性质、模型的参数调整和评估等因素。
4、此外，基于深度学习的lstm神经网络在交通流量预测上具有很好的预测效果。lstm在短时交通量预测中的优势在于它能够处理时间序列数据中的长期依赖关系，并且能够适应数据中的复杂模式。到目前为止已经有很多相关学者围绕lstm神经网络进行改进和优化，如王秋雯等(2020)基于卷积长短时记忆神经网络
技术实现思路
1、本专利技术提供一种城市轨道交通短期客流预测方法及系统，可以通过为非智能充电保护系统配置充电枪座的方式，无感升级为智能充电保护系统，提升用户体验。
2、本专利技术提出一种城市轨道交通短期客流预测方法，包括以下步骤：
3、采集实验数据集，所述实验数据集为某市地铁站人流量数据表，所述数据表包含以下有效字段：地铁站名、地铁站入站人数、地铁站出站人数、时间区间；
4、对所述数据表进行数据清洗和数据细粒度化处理，然后进行数据预处理与数据集划分；
5、进行模型定义、构建、训练和测试，输出预测结果。
6、进一步的，所述对所述数据表进行数据清洗，具体为：
7、去除冗余数据，合并同站同时的不同出口数据；
8、对缺失数据进行标记；
9、将模型实验数据集从原始数据集进一步筛选，长度为两个月，要求这两个月内，无新站开通；
10、仅保留有效字段和时间区间在运营时间内的数据。
11、进一步的，所述数据预处理与数据集划分，具体为：
12、首先将所有数据的前80％作为训练集，10％作为验证集，10％作为测试集进行划分，以日为最小单位进行随机打乱；
13、将训练集进行归一化并保留指标，在训练结束后对验证集、测试集预测后进行反归一化，所述归一化具体为线性放缩到0-1；
14、序列划分，以1-2小时的时间区间，即4-8的序列长度，将其作为实验的默认序列长度进行划分；其中，对数据集进行划分时，如果序列中存在隔日数据，或序列中存在缺失的小时数据，则将其从数据集中去除。
15、进一步的，进行模型定义、构建、训练和测试，模型定义具体为：
16、预测输入：数量为m的所有站点，长度序列为t的矩阵，所述数据输入有两种形式：一是将所有站出站数据和入站数据拼接，输入2m*t的矩阵；二是将所有站入站和出站分别构造m*t的矩阵构造多通道输入；
17、预测输出：所有站的出站流量，一维的长度为m的向量。
18、进一步的，进行模型定义、构建、训练和测试，模型构建具体为，以transformer-encoder+mlp作为模型的基础结构，分别构造以下模型：
19、模型1：以m*t的入站流量矩阵作为输入，通过若干transformer-encoder的堆叠层输出；将输出的结果通过flatten转换为一维的拼接向量，随后输入一个多层感知机模块，所述多层感知机模块由一个升维全连接层，一个中间层激活函数和一个降维全连接层组成，最终输出为长度m的一维出站流量向量；
20、模型2：以m*t的出站流量矩阵作为输入，其余结构与模型1相同；
21、模型3：以2m*t的入出站流量拼接的矩阵作为输入，其余结构与模型1相同；
22、模型4：以两个m*t的矩阵作为输入，分别代表入站流量和出站流量，这两个输入分别通过模型1相同的模块后，两个通道的多层感知机输出结果再次通过一个多层感知机模块进行融合，最后输出长度m的一维出站流量向量。
23、进一步的，进行模型定义、构建、训练和测试，模型训练具体为：
24、对所述模型1到模型4分别进行训练，得到一组通过四个模型输出的预测值和真实值数据序列；
25、对于所述预测值和真实值数据序列的每一条数据，再次通过stacking的集成学习方法进行数据的集成：即额外训练一个模块和所述模型1到模型4分离训练，表示四个模型预测结果到真实标签的映射，进行进一步的修正。
26、进一步的，进行模型定义、构建、训练和测试，模型测试具体为：
27、分别通过所述模型1到模型4进行预测；
28、将预测结果输入到训练的stacking模块进行集成并进一步输出；
29、将输出结果进行反归一化。
30、本专利技术还提出一种城市轨道交通短期客流预测系统，包括：
31、数据采集模块，用于采集实验数据集，所述实验数据集为某市地铁站人流量数据表，所述数据表包含以下有效字段：地铁站名、地铁站入站人数、地铁站出站人数、时间区间；
32、数据处理模块，用于对所述数据表进行数据清洗和数据细粒度化处理，然后进行数据预处理与数据集划分；
33、模型处理模块，用于进行模型定义、构建、训练和测试，输出预测结果。
34、本专利技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
35、1、本专利技术的预测使用transformer+mlp架构，一方面能够进行并行计算，提高了模型训练和预测的效率；另一方面具有特征提取能力，能够实现更好的预测效果。
36、2、本专利技术增加了输入输出多通道融合机制和针对不同输入信息的集成学习模块，发挥各模型和各类输入在预测上的优势，相比单模型、单变量预测的提高了精度和稳定性。
3本文档来自技高网...
【技术保护点】
1.一种城市轨道交通短期客流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种城市轨道交通短期客流预测方法，其特征在于，所述对所述数据表进行数据清洗，具体为：
3.根据权利要求1所述的一种城市轨道交通短期客流预测方法，其特征在于，所述数据预处理与数据集划分，具体为：
4.根据权利要求1所述的一种城市轨道交通短期客流预测方法，其特征在于，进行模型定义、构建、训练和测试，模型定义具体为：
5.根据权利要求4所述的一种城市轨道交通短期客流预测方法，其特征在于，进行模型定义、构建、训练和测试，模型构建具体为，以transformer-encoder+MLP作为模型的基础结构，分别构造以下模型：
6.根据权利要求5所述的一种城市轨道交通短期客流预测方法，其特征在于，进行模型定义、构建、训练和测试，模型训练具体为：
7.根据权利要求6所述的一种城市轨道交通短期客流预测方法，其特征在于，进行模型定义、构建、训练和测试，模型测试具体为：
8.一种城市轨道交通短期客流预测系统，其特征在于，包括：p>...
【技术特征摘要】
1.一种城市轨道交通短期客流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种城市轨道交通短期客流预测方法，其特征在于，所述对所述数据表进行数据清洗，具体为：
3.根据权利要求1所述的一种城市轨道交通短期客流预测方法，其特征在于，所述数据预处理与数据集划分，具体为：
4.根据权利要求1所述的一种城市轨道交通短期客流预测方法，其特征在于，进行模型定义、构建、训练和测试，模型定义具体为：
5.根据权利要求4所述的一种城市轨道交通短期...
【专利技术属性】
技术研发人员：李晓儿，李卓，卫学彬，余镭，毛欢欢，孙玥，
申请(专利权)人：数字宁波科技有限公司，
类型：发明
国别省市：
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。