一種軌道交通短期客流預測方法技術

本發明專利技術涉及一種軌道交通短期客流預測方法，從客流趨勢數據庫中提取歷史客流趨勢數據；提取預測日的第一時段的第一客流趨勢數據，提取預測日之前每一日中的第一時段的第二客流趨勢數據；根據第一客流趨勢數據和第二客流趨勢數據建立一第一模型得到所在日數據；通過計算取得的歷史客流參考日的第二時段的第三客流趨勢數據得到預測日的第二時段的第四客流趨勢數據。本發明專利技術的有益效果：無需進行費時費力的交通調查工作，能夠立足于軌道交通AFC系統的歷史客流數據，分析其短期客流的趨勢，基于k?nearest?neighbor的方法進行基于短期客流趨勢的預測，反復積累歷史數據，不斷自動修正模型，選取更優的參考日，達到更好的預測精度。

A method for predicting short term passenger flow of rail transit

The invention relates to a prediction method for short-term rail transit passenger flow, passenger flow data from the historical trend extraction trend in the database; extracting the first data to predict traffic trends during the first period, the second passenger flow trend data before extracting the forecast day every day in the first period; according to the first and second passenger traffic trends data trend data set the first model where the daily data; third passenger trend data obtained by calculating the flow of historical reference on the second periods of fourth passenger flow forecasting day trend data second times. The invention has the advantages of no need for time-consuming traffic survey work, based on the historical data to passenger rail transit AFC system, analyzes the trend of short-term passenger flow, k nearest method based on neighbor prediction of short-term passenger flow based on the trend, the accumulation of historical data repeatedly, continuous automatic correction model, select the better the reference date, achieve better prediction accuracy.

【技術實現步驟摘要】
一種軌道交通短期客流預測方法
本專利技術涉及軌道交通領域，尤其涉及一種軌道交通短期客流預測方法。
技術介紹
城市軌道交通線網客流的影響因素非常復雜，國外比較成熟的是四階段的客流預測方法，即出行生成預測、出行分布預測、交通方式劃分預測和路網分配。出行生成預測模型是預測總的出行產生量，即每一個小區的全部進出交通流量。出行分布預測模型中最典型的是重力模型和增長系數法。交通方式劃分預測模型主要分集聚模型和非集聚模型兩種，最早的集聚模型是分擔率曲線法，非集聚模型以效用最大化理論為基礎，其中有離散選擇模型，根據所采用的概率分布函數不同，又分為Logit模型族和Probit模型族，其中多元Logit模型仍被廣泛應用。路網分配方法包括全有全無分配方法、增量分配法、連續平均法。由于我國的實際情況與國外情況有很大的出入，其中一些模型根本不適于在我國進行客流預測研究時使用。從國內所采用的客流方法來看，大致可以分為趨勢外延法、吸引范圍法和交通規劃的四階段法幾種形式。前兩種方法僅考慮預測線路沿線機器吸引范圍內客流的變化趨勢，沒有考慮軌道交通系統作為整個城市交通骨干建成后將導致城市路網狀態分布的變化。后一種方法是以城市居民出行交通起止點調查(ORIGINDESTINATION，OD調查)為基礎，按一定的數學模型對整個城市客流在路網上的分布進行分析，從中確定軌道交通線路上的客流。近年來又出現了一種新的基于Logistic優化模型的軌道交通客流預測方法，通過對在經典的Logistic模型基礎上改進的特定參數取得的自適應種群增長的Logistic模型進一步優化，考慮季節性變動模型和路網結構變化的影響，以及春節等特殊節假日的歷史客流情況，預測后三個月乃至一年的月日均客流。該方法已應用于上海軌道交通中長期客流預測。四階段法客流預測雖然是目前使用最為廣泛的一種軌道交通客流預測方法，但是由于軌道交通自身的特點，在利用四階段法進行客流預測時，預測步驟及所要考慮的元素等方面都有其自身的特點。傳統四階段法客流預測是一種集聚的客流預測方法，而集聚模型是將每個人的交通活動按照交通小區進行統計分析和處理的，所以，交通小區的劃分合理與否是四階段法客流預測合理與否的基礎。運用四階段法進行規定交通客流預測時，首先要做的工作是對研究的城市區域進行交通小區的劃分，從而進行城市人口、就業、土地利用等資料的調查，在此基礎上進行居民出行生成預測、出行分布預測、交通方式劃分預測和交通分配。但是，交通調查是一項極其費時、費力的工作，而且結果的準確性也不好。另外四階段法還存在其他一些不足，例如：(1)不同目的出行的生成和分布規律變化很大，現有預測方法并沒有很好的考慮這個因素的影響。(2)重力模型具有結果簡單、使用范圍廣的特點，但是當交通小區劃分緊密，區間行走世間較短時，重力模型對現有交通分布的擬合不好。(3)現有交通分配模型都是先求出公交OD，在此基礎上采用某種分擔率模型劃分軌道交通OD進行分配，但是沒有考慮到預測年現有其他交通方式可能向軌道交通轉移等。從另一個方面來說，四階段法在預測軌道交通客流量的應用上，沒有考慮到軌道交通的一些固有特點，如行車配置、運營計劃制定、票價政策等等，這些對于客流都有較大的影響。同時，四階段法作為一次性的預測手段，在預測方面并不能做到高精度及長期跟蹤修正。而且由于四階段法在掌握事實階段需要投入大量的測算成本，因此也不符合反復跟蹤測算的需求。基于Logistic優化模型的軌道交通客流預測方法雖然避免了四階段法的相關弊端和不足，也能達到更好的預測精度，但只適用于軌道交通中長期客流預測，若將其應用于短期客流預測，結果偏差較大。這是由于短期客流量依賴于一些中長期無法預測或建模的特殊情況，例如由于特定的天氣狀況(如臺風、暴雨等)或舉辦高人氣聚集的活動(如展會)等可能引起的客流異常。目前國內尚無系統的能精確預測軌道交通短期客流的方法。
技術實現思路
針對現有技術中存在的問題，本專利技術提供了一種軌道交通短期客流預測方法，通過找出與當前的短期客流模式最為接近的參考客流模式所在日，根據歷史客流參考日的短期客流來估計當前短期客流，實現靈活有效精確的短期客流預測，彌補了國內軌道交通短期客流預測的空白，對可能出現的大客流提前預警。本專利技術采用如下技術方案：一種軌道交通短期客流預測方法，應用于軌道交通的短期客流量預測，用于根據預測日的第一時段的第一客流趨勢數據預測所述預測日的第二時段的短期預測客流趨勢數據，所述第一時段位于所述第二時段之前且所述第一時段與第二時段彼此在時間上連續，所述第一時段的所述第一客流趨勢數據存儲于一客流量數據庫，以及于所述客流量數據庫中存儲所述預測日之前的歷史客流趨勢數據；所述客流預測方法包括：步驟S1、從所述客流趨勢數據庫中提取歷史客流趨勢數據；步驟S2、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日的所述第一時段的所述第一客流趨勢數據，以及從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日之前每一日中的所述第一時段的第二客流趨勢數據；步驟S3、根據所述步驟S2中獲得的所述預測日的所述第一時段的所述第一客流趨勢數據和所述預測日之前每一日中的所述第一時段的所述第二客流趨勢數據建立一第一模型，根據所述第一模型計算取得所述預測日之前的歷史客流參考日的所在日數據；步驟S4、從所述步驟S1中所述歷史客流趨勢數據中提取所述步驟S3中計算取得的所述歷史客流參考日的所述第二時段的第三客流趨勢數據；步驟S5、對所述第三客流趨勢數據進行處理，以得到所述預測日的所述第二時段的第四客流趨勢數據，將所述第四數據作為所述預測日的所述第二時段的所述短期預測客流趨勢數據。優選的，所述步驟S2包括：S21a、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日的所述第一時段的所述第一客流趨勢數據；S22a、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日之前每一日中的所述第一時段的第二客流趨勢數據；所述步驟S21a和所述步驟S22a同時進行。優選的，所述步驟S2包括：S21b、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日的所述第一時段的所述第一客流趨勢數據；S22b、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日之前每一日中的所述第一時段的第二客流趨勢數據。優選的，所述步驟S2中，所述預測日的所述第一時段的所述第一客流趨勢數據為：xt-m+1：t＝(xt-m+1，xt-m+2，...，xt)其中，xt-m+1：t表示所述第一客流趨勢數據構成的向量；t表示當前時間；m表示所述第一時段的時長。優選的，所述步驟S2中，所述步驟S2中，所述預測日之前每一日中的所述第一時段的所述第二客流趨勢數據為：其中，表示所述第二客流趨勢數據構成的向量；i表示所述預測日之前的第i日；t表示當前時間；m表示所述第一時段的時長。優選的，所述步驟S3中，所述第一模型建模的公式為：其中，i*表示所述歷史客流參考日的所述所在日數據；xt-m+1：t表示所述第一客流趨勢數據構成的向量；表示所述第二客流趨勢數據構成的向量；t表示當前時間；m表示所述第一時段的時長。優選的，所述步驟S3中，由k個所述歷史客流參考日所構成如下的最優歷史客流參考日集合：其中，表示所述歷史客流參考日的所在日數據的集合本文檔來自技高網...

【技術保護點】
一種軌道交通短期客流預測方法，其特征在于，應用于軌道交通的短期客流量預測，用于根據預測日的第一時段的第一客流趨勢數據預測所述預測日的第二時段的短期預測客流趨勢數據，所述第一時段位于所述第二時段之前且所述第一時段與第二時段彼此在時間上連續，所述第一時段的所述第一客流趨勢數據存儲于一客流量數據庫，以及于所述客流量數據庫中存儲所述預測日之前的歷史客流趨勢數據；所述客流預測方法包括：步驟S1、從所述客流趨勢數據庫中提取歷史客流趨勢數據；步驟S2、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日的所述第一時段的所述第一客流趨勢數據，以及從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日之前每一日中的所述第一時段的第二客流趨勢數據；步驟S3、根據所述步驟S2中獲得的所述預測日的所述第一時段的所述第一客流趨勢數據和所述預測日之前每一日中的所述第一時段的所述第二客流趨勢數據建立一第一模型，根據所述第一模型計算取得所述預測日之前的歷史客流參考日的所在日數據；步驟S4、從所述步驟S1中所述歷史客流趨勢數據中提取所述步驟S3中計算取得的所述歷史客流參考日的所述第二時段的第三客流趨勢數據；步驟S5、對所述第三客流趨勢數據進行處理，以得到所述預測日的所述第二時段的第四客流趨勢數據，將所述第四數據作為所述預測日的所述第二時段的所述短期預測客流趨勢數據。...

【技術特征摘要】
1.一種軌道交通短期客流預測方法，其特征在于，應用于軌道交通的短期客流量預測，用于根據預測日的第一時段的第一客流趨勢數據預測所述預測日的第二時段的短期預測客流趨勢數據，所述第一時段位于所述第二時段之前且所述第一時段與第二時段彼此在時間上連續，所述第一時段的所述第一客流趨勢數據存儲于一客流量數據庫，以及于所述客流量數據庫中存儲所述預測日之前的歷史客流趨勢數據；所述客流預測方法包括：步驟S1、從所述客流趨勢數據庫中提取歷史客流趨勢數據；步驟S2、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日的所述第一時段的所述第一客流趨勢數據，以及從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日之前每一日中的所述第一時段的第二客流趨勢數據；步驟S3、根據所述步驟S2中獲得的所述預測日的所述第一時段的所述第一客流趨勢數據和所述預測日之前每一日中的所述第一時段的所述第二客流趨勢數據建立一第一模型，根據所述第一模型計算取得所述預測日之前的歷史客流參考日的所在日數據；步驟S4、從所述步驟S1中所述歷史客流趨勢數據中提取所述步驟S3中計算取得的所述歷史客流參考日的所述第二時段的第三客流趨勢數據；步驟S5、對所述第三客流趨勢數據進行處理，以得到所述預測日的所述第二時段的第四客流趨勢數據，將所述第四數據作為所述預測日的所述第二時段的所述短期預測客流趨勢數據。2.根據權利要求1所述的客流預測方法，其特征在于，所述步驟S2包括：S21a、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日的所述第一時段的所述第一客流趨勢數據；S22a、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日之前每一日中的所述第一時段的第二客流趨勢數據；所述步驟S21a和所述步驟S22a同時進行。3.根據權利要求1所述的客流預測方法，其特征在于，所述步驟S2包括：S21b、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日的所述第一時段的所述第一客流趨勢數據；S22b、從所述步驟S1中所述歷史客流趨勢數據中提取所述預測日之前每一日中的所述第一時段的第二客流趨勢數據。4.根據權利要求1所述的客流預測方法，其特征在于，所述步驟S2中，所述預測日的所述第一時段的所述第一客流趨勢數據為：xt-m+1：t＝(xt-m+1，xt-m-2，...，xt)其中，xt-m+1：t表示所述第一客流趨勢數據構成的向量；t...

【專利技術屬性】
技術研發人員：林雪峰，曹家玉，陳佳，
申請(專利權)人：上海儀電物聯技術股份有限公司，
類型：發明
國別省市：上海,31