[发明专利]城市地铁进出站客流量预测方法

说明书

本发明公开了一种城市地铁进出站客流量预测方法，涉及机器学习领域。本发明包括以下步骤：获取历史地铁站点进出站客流量数据；对客流量数据进行预处理；将预处理后的客流量数据输入到深度学习模型中，对深度学习模型进行训练；利用训练好的模型预测未来城市地铁站点进出站客流量。本发明通过收集各城市地铁站点各时刻的历史进出站客流量来预测未来各站点的进出站客流量。

技术领域

本发明涉及机器学习领域，更具体的说是涉及城市地铁进出站客流量预测方法。

背景技术

随着居民生活水平的不断提高，城市中的汽车保有量逐年增高。城市中道路交通承载压力也随着汽车数量的增长而增加，城市道路交通常常会出现拥挤的情况。许多城市居民选择更加方便快捷的城市轨道交通作为出行的方式。作为一种高效且相对环保低碳的城市轨道交通，地铁出行一直受到极大关注。与此同时，由于地铁各个站点以及列车的承载能力有限，往往在高峰时段出现客流拥堵的情况，导致城市居民出行不便。针对地铁客流量预测问题，研究方法主要分为统计学习方法、机器学习方法以及深度学习方法。通过学习历史数据中地铁进出站客流量的变化趋势特征，实现对未来客流量的预测。

发明内容

有鉴于此，本发明提供了一种城市地铁进出站客流量预测方法，包含一种基于城市地铁客流量时间序列形状特征的地铁站点聚类方法、额外特征编码方法，包含地铁客流量级独热编码方法和时间戳独热编码方法以及基于图卷积循环神经网络和注意力机制的深度学习模型实现对未来地铁客流量的预测。

为了实现上述目的，本发明采用如下技术方案：

一种城市地铁进出站客流量预测方法，包括以下步骤：

获取历史地铁站点进出站客流量数据；

对客流量数据进行预处理；

将预处理后的客流量数据输入到深度学习模型中，对深度学习模型进行训练；

利用训练好的模型预测未来城市地铁站点进出站客流量。

可选的，对客流量数据进行预处理的具体步骤如下：

获取历史数据中地铁客流量时间序列数据的均值；

将周工作日与周末客流量时间序列数据的均值做差，得到周工作日与周末客流量变化的差异时间序列；

对差异时间序列计算相似度，得到各个地铁站点间的相似度；

基于各个地铁站点间的相似度，使用K-means聚类方法进行聚类，并根据聚类结果构建邻接矩阵。

可选的，对客流量数据进行预处理还包括：

对地铁站点进出站客流量级进行编码，对地铁进出站客流量时间戳特征进行编码；客流量级编码结果和客流量时间戳特征编码结果共同构成额外特征。

可选的，对地铁进出站客流量时间戳特征进行编码具体如下：所述时间戳特征分为日时间特征以及周时间特征；日时间特征根据一日的时间间隔的数量进行编码，周时间特征根据所在周工作日和周末进行独热编码。

可选的，对地铁站点进出站客流量级进行编码具体如下：根据各地铁站点的客流量，通过所有地铁站点历史客流量均值以及方差将地铁站点分为若干个不同的流量等级，根据不同的流量等级对地铁站点进行独热编码。

可选的，还包括对地铁客流量时间序列数据归一化，归一化的公式如下：

X_max和X_min分别代表地铁客流量的最大值和最小值，μ_X和σ_X分别代表地铁客流量的均值和方差。

可选的，模型训练过程使用的损失函数为平均绝对误差。