[发明专利]一种短期地铁客流预测方法、系统及电子设备

说明书

本发明涉及时空数据挖掘或智慧交通技术领域，公开了一种短期地铁客流预测方法、系统及电子设备，该预测方法首先采集地铁源数据；特征提取模块提取客流特征矩阵，构建地铁的有向有权图，并搭建目标站点的邻近矩阵；根据所提取的客流特征矩阵和目标站点的邻近矩阵，建立图卷积神经网络模型，对目标站点在下一个时间段的客流进行预测；最后输出目标站点在下一个时间段的客流预测值。本发明不仅考虑到时间因素也考虑到地铁的空间因素，更加有效地预测了短时客流特征，提高了短期地铁客流预测的精度。

技术领域

本发明涉及时空数据挖掘或智慧交通技术领域，更具体的说，特别涉及一种短期地铁客流预测方法、系统及电子设备。

背景技术

地铁以其绿色、快捷方便、运量大和安全性高等特点，成为大城市最重要的出行方式。近年来，各大城市大量建成地铁线路并投入营运，但线路管理和调度等问题凸显。如早晚高峰时段的线路车次供给与需求不匹配，导致车次载满率过高而过度拥挤，降低承运安全性；而平峰和低峰车辆载满率过低而导致运能浪费。因此，需要一种能有效预测短期客流分布的方案来满足市民出行的需求，减少乘客的出行时间，为铁路企业进行资源(包括服务人员、应急物资等)调配，安全措施部署等提供决策依据。

以时间粒度划分，客流预测包括以时段、日、月和季度等粒度的客流预测。时间粒度越小，客流量数据的随机性越强，预测的难度越大。短期客流预测的研究始于20世纪，目前已取得丰富的研究成果。研究方法分为以下几种：第一种是传统的线性预测模型，包括时间序列预测法、卡尔曼滤波模型和线性回归模型等。第二种是非线性预测模型，包括传统的基于小波理论的模型、基于混沌理论的模型、基于非参数回归的模型等模型，还包括支持向量机、神经网络等。第三种是以仿真技术为基础的预测模型，包括交通模拟预测法、动态交通分配预测法及元胞自动机预测法等。

已有的模型，包括预测精度最高的神经网络类模型，在预测地铁站点的客流时，大部分仅仅使用了所预测站点过去各个时段的客流特征去预测该站点的未来各时段的客流，没有考虑到其它站点的客流对该站点的客流影响，即考虑了时间因素但忽略了空间因素。而地铁可以是看作一个网络，单个站点某个时间段内的进(出)客流，不仅受到最近过去时段该站点的客流状况影响，也受到其它站点的客流状况的影响。据观察，其它各个站点的客流状况对当前站点的客流影响与站点之间的距离有关，距离越近则影响越大，距离越远则影响越小。

发明内容

本发明的目的在于针对现有技术存在的技术问题，提供一种短期地铁客流预测方法、系统及电子设备，能够对短期内地铁网络中的各站点的客流量(包括流入量和流出量)做出有效的实时预测。

为了解决以上提出的问题，本发明采用的技术方案为：

一种短期地铁客流预测方法，该预测方法包括：

步骤a：采集地铁源数据；

步骤b：特征提取模块提取客流特征矩阵，构建地铁的有向有权图，并搭建目标站点的邻近矩阵；

步骤c：根据所提取的客流特征矩阵和目标站点的邻近矩阵，建立图卷积神经网络模型，对目标站点在下一个时间段的客流进行预测；

步骤d：输出目标站点在下一个时间段的客流预测值。

进一步地，所述特征提取模块中具体方法步骤如下：

步骤S1：根据所采集的地铁源数据，提取所有站点在设定时间段内的入闸人数和出闸人数作为客流特征矩阵，及提取下一时间段内目标站点的出闸人数作为客流预测目标；

步骤S2：构建地铁的有向有权图G＝(V，E)，其中V是图的顶点集，E是图的边集，图的顶点即地铁的站点；

步骤S3：根据所构建的有向有权图，搭建目标站点的邻近矩阵，表示其余所有站点到目标站点的所花费的最短时间。

进一步地，所述步骤S1中，提取客流特征矩阵和客流预测目标，具体包括如下：