[发明专利]基于机器学习的轨道交通实时动态清分方法

说明书

本发明公开了一种基于机器学习的轨道交通实时动态清分方法，包括如下步骤：采集输入数据集：在统计周期内，从地铁AFC刷卡处采集到从i站到j站的各个乘客进站和出站的时刻，计算每个乘客进站和出站时刻的时间差；计算路径平均所需时间：利用地铁公司发布的列车时刻表，计算出从i站到j站的每条路径的平均所需时间；将相似路径合并为一条路径，得到从i站到j站的合并后路径，合并后路径的数量为A；本发明具有解决了人工调查形式进行统计带来的不便、不准确性，节省人力资源，提高准确度的特点。

技术领域

本发明涉及轨道交通监控技术领域，尤其是涉及一种准确率高的基于机器学习的轨道交通实时动态清分方法。

背景技术

清分：清算的数据准备阶段，主要是将当日的全部网络交易数据按照各成员行之间本代他、他代本、贷记、借记、笔数、金额、轧差净额等进行汇总、整理和分类。

OD路径客流量：“O”来源于英文Origin，指出行的出发地点，“D”来源于英文Destination，指出行的目的地。在轨道交通中，从O到D可能存在着多条可达路径。OD路径客流量是指所有从O到D的所有客流中，每一条可达路径的选择量。

LSTM：长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。

K-Means：k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

AFC系统：全称是Automatic Fare Collection System，指城市轨道交通自动售检票系统，能够实现轨道交通售票、检票、计费、收费、统计、清分和管理的自动化。

近年来，城市轨道交通以其大运量、准时、安全、快捷等特点，在我国乃至世界范围内正在快速发展。轨道交通正逐渐成为城市居民日常出行的首选交通方式，发展轨道交通是促进城市发展、提高轨道交通出行服务和保证城市可持续发展的关键环节。与此同时，线路的增加，乘客乘坐地铁的出行路径也有了更多的选择，因此需要准确实时地计算预测出各车站、各路径上的乘客量，帮助相关工作人员实时监控、数据分析和辅助决策。所以轨道交通OD路径客流量预测也逐渐成为目前研究的热点。通过它可掌握轨道交通客流时空分布规律，对保障轨道交通安全运营管理具有广泛而深远的社会意义。

目前，关于轨道交通客流量预测的实现方案主要集中于构建对车站、站内、时间段等客流的预测模型，模型中用到的技术也是目前比较流行的机器学习算法。对于OD路径客流量预测来说，并没有相关的实现方案。传统的OD路径客流量预测，是通过人工统计抽样调查的方式来统计分析，这种方式有一定的可信度，但存在着许多弊端，第一需要消耗一定的人力资源频繁地调查；第二调查的对象不一定具有代表性具有分层性；第三是调查的信息可能只是对方当时的想法，并不是最终想法，还有其他许多因素未考虑，具有不确定性；最后调查的人数相对于整个轨道交通乘客量的比例来说太小，进一步大大降低准确率。

发明内容

本发明的发明目的是为了克服现有技术中的OD路径客流量预测准确率低的不足，提供了一种准确率高的基于机器学习的轨道交通实时动态清分方法。

为了实现上述目的，本发明采用以下技术方案：