【技术实现步骤摘要】
本申请涉及客流预测，特别是涉及一种基于多特征融合机制的轨道交通客流量预测方法及设备。
技术介绍
1、时间序列是按照某种数据采集手段，在相同的时间间隔内获得的高维数值型序列。时间序列预测是通过挖掘当前和过去数据的信息来预测未来行为的一种过程，它在经济学、环境、工业等其他诸多领域中都起着关键作用。时间序列预测的目的在于通过预测技术可以进行更加准确的决策和提供具有参考价值的数据。
2、轨道交通客流量预测是交通运输领域中的一个重要问题，它可以帮助交通管理部门更好地规划和调度交通资源，提高交通效率，改进交通系统的服务水平。随着经济实力的快速提升和城市发展的迫切需求，众多城市开展了大规模的城市轨道交通建设，对城市轨道交通的客流进行准确预测成为轨道交通管理的重要问题。轨道交通客流量预测能够帮助交通管理者预测未来的客流量情况，从而调整运力、优化列车班次，以满足乘客出行需求，同时也能够为未来轨道交通线路和站点布局提供依据，不断提高交通系统的服务水平。
3、在专利(cn114973653a)中公开了一种基于时空图卷积网络的交通客流量...
【技术保护点】
1.一种基于多特征融合机制的轨道交通客流量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多特征融合机制的轨道交通客流量预测方法，其特征在于，采用离散小波变换对轨道交通客流量时间序列进行特征分解，得到高频特征数据和低频特征数据，具体包括：
3.根据权利要求1所述的基于多特征融合机制的轨道交通客流量预测方法，其特征在于，采用离散傅里叶变换对轨道交通客流量时间序列进行特征分解，得到频率特征数据，具体包括：
4.根据权利要求1所述的基于多特征融合机制的轨道交通客流量预测方法，其特征在于，采用变分模态分解对轨道交通客流量时间序列进...
【技术特征摘要】
1.一种基于多特征融合机制的轨道交通客流量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于多特征融合机制的轨道交通客流量预测方法，其特征在于，采用离散小波变换对轨道交通客流量时间序列进行特征分解，得到高频特征数据和低频特征数据，具体包括：
3.根据权利要求1所述的基于多特征融合机制的轨道交通客流量预测方法，其特征在于，采用离散傅里叶变换对轨道交通客流量时间序列进行特征分解，得到频率特征数据，具体包括：
4.根据权利要求1所述的基于多特征融合机制的轨道交通客流量预测方法，其特征在于，采用变分模态分解对轨道交通客流量时间序列进行特征分解，得到模态特征数据，具体包括：
5.根据权利要求1所述的基于多特征融合机制的轨道交通客流量预测方法，其特征在于，对高频特征数据、低频特征数据、频率特征数据和模态特征数据进行多特征整合以及标准化操...
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。