【技术实现步骤摘要】
本专利技术涉及客流预测，具体涉及一种基于深度学习的多空间轨道交通客流预测方法。
技术介绍
1、轨道交通客流预测是运营管理和服务优化的关键环节，准确、可靠的短时客流预测可以从多个方面为城市轨道交通运营提供支持，例如缓解站内拥堵、降低事故发生概率、优化列车时刻表、提高运营组织和资源配置的效率等。但由于受到多种外部因素的影响，并且时空特征复杂，客流预测具有较强的挑战性。
2、现有的轨道交通客流预测方法多为通过深度学习模型学习历史客流数据从而进行预测，深度学习模型学习过程中，常常需要对客流数据及其他相关的因素直接进行学习分析并输出，没有将历史客流数据进行常态化客流进行准确区分，由于常态化客流具有较强的规律性，非常态化客流对于模型的预测性能影响较大，那么，得到的预测结果不仅可解释性较差，而且预测的准确率较低。
技术实现思路
1、为了解决现有无法准确对客流数据进行常态化和非常态化客流区分的技术问题，本专利技术的目的在于提供一种基于深度学习的多空间轨道交通客流预测方法，所采用的技术方案具体如
2本文档来自技高网...
【技术保护点】
1.一种基于深度学习的多空间轨道交通客流预测方法，其特征是，包括：
2.如权利要求1所述的一种基于深度学习的多空间轨道交通客流预测方法，其特征是，所述可达概率的获取过程，包括：
3.如权利要求2所述的一种基于深度学习的多空间轨道交通客流预测方法，其特征是，所述多空间轨道交通客流预测方法还包括：
4.如权利要求3所述的一种基于深度学习的多空间轨道交通客流预测方法，其特征是，所述根据站点任两日的可达概率的差异，以及平均可达时间的差异，得到站点的日周期常态化客流指数和周周期常态化客流指数，包括：
5.如权利要求4所述的一种基于...
【技术特征摘要】
1.一种基于深度学习的多空间轨道交通客流预测方法，其特征是，包括：
2.如权利要求1所述的一种基于深度学习的多空间轨道交通客流预测方法，其特征是，所述可达概率的获取过程，包括：
3.如权利要求2所述的一种基于深度学习的多空间轨道交通客流预测方法，其特征是，所述多空间轨道交通客流预测方法还包括：
4.如权利要求3所述的一种基于深度学习的多空间轨道交通客流预测方法，其特征是，所述根据站点任两日的可达概率的差异，以及平均可达时间的差异，得到站点的日周期常态化客流指数和周周期常态化客流指数，包括：
5.如权利要求4所述的一种基于深度学习的多空间轨道交通客流预测方法，其特征是，所述日周期常态化客流指数的获取过程，包括：
6.如权利要求4所述的...
【专利技术属性】
技术研发人员：李罡，李美，安俊峰，岑芸芸，蔡士智，于航，彭禹，
申请(专利权)人：山东交控科技有限公司，
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。