[发明专利]基于Prophet模型的地铁进站客流预测方法及装置

说明书

本发明公开了基于Prophet模型的地铁进站客流预测方法，具体包括以下步骤：S1、读取AFC进站客流历史数据；S2：根据所述进站客流历史数据，获取假日时间数据；S3：根据所述进站客流历史数据与预设时间间隔T，获取每天不同时间间隔T内的进站客流数据；S4：根据所述进站客流历史数据，获取进站客流的周期性数据；S5：将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换，得到与Prophet模型的数据格式相匹配的数据；S6：将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。本发明的地铁进站客流预测方法可以使得预测计算时间减少，更快的得到结果。计算结果也更精确。

技术领域

本发明涉及轨道交通领域，具体涉及基于Prophet模型的地铁进站客流预测方法及装置。

背景技术

近年来，随着人民生活水平的提高，人们对地铁客运服务的要求也逐渐提高。地铁部门为了提高运输服务能力，需要了解日常的地铁客运流量、淡旺季客流量波动指数和冷门线路情况等。其中，对客流量的充分了解和预测是提高铁路客运服务能力的首要前提，因此，对铁路客流量预测分析是目前一个重点的研究方向。目前客流预测技术通常使用SARIMA模型、神经网络等算法进行预测，但是这些算法预测通常训练时长都比较大。使用Prophet模型预测，可以在保证预测准确性的同时，在计算效率上比SARIMA模型、神经网络等有较大的提升。

发明内容

本发明的目的在于提供一种基于Prophet模型的地铁进站客流预测方法及装置，针对地铁客流量变化受到季节周期、突发事件和节假日等因素影响的现象，将经过预处理的客流量数据进行标准化得到进站客流量时间序列，构建节假日数据，周期性数据、时间间隔T内的进站客流量统计，并依此建立Prophet预测模型。用以解决现有现有模型预测客流时间较长的问题。

基于Prophet模型的地铁进站客流预测方法，具体包括以下步骤：

S1、读取AFC进站客流历史数据；

S2：根据所述进站客流历史数据，获取假日时间数据；

S3：根据所述进站客流历史数据与预设时间间隔T，获取每天不同时间间隔T内的进站客流数据；

S4：根据所述进站客流历史数据，获取进站客流的周期性数据；

S5：将所述假日时间数据、时间间隔T内的进站客流数据分别进行格式转换，得到与Prophet模型的数据格式相匹配的数据；

S6：将所述周期性数据与格式转换后的假日时间数据、时间间隔T内的进站客流数据输入Prophet模型得到地铁进站客流的预测数据。

经过prophet对原始数据分析后，得到的周期性和趋势性图。趋势性图是在剔除周期性后的所有数据，如图3所示的代表每周/每天的趋势图，从图中可以看出周中数值较小，每周首尾数值较大，每天呈先降后升的趋势。

预测数据用于预测地铁进站客流数，当客流数大于阈值时增加值班人员数，从而应对大客流的到来，根据预测客流数的变化动态合理进行值班人员排班，使地铁的运营效率提升。

如图4所述，原始数据、prophet模型预测数据与SARIMA模型预测数据的对比图。其中，训练集为基于10月1日至30日的数据，测试集是10月31日的预测，其中prophet预测的MSE(均方误差)是725820062，SARIMA预测的MSE(均方误差)是1372876479，因此使用prophet模型进行地铁进站客流预测的准确性更高。

进一步地，步骤S4具体包括以下步骤：

S401、将周期设定为1个月；

S402、以1个月为间隔，将所述进站客流历史数据划分为多个月区间的数据，每个区间的时间长度为1个月；