[发明专利]基于迭代优化模型的区域客运量预测方法、系统及设备

说明书

本发明公开了一种基于迭代优化模型的区域客运量预测方法、系统及设备，首先采集区域客运量相关指标数据；然后构建迭代优化模型；接着构建相关指标数据自优化模型；采集相关指标的历年数据，迭代训练，确定优化模型中的分布函数；最后基于确定的分布函数，进行未来第C年的区域客运生成量Xsubgt;n/subgt;的预测。本发明可以定量分析并预测区域客运生成量，且适用于任意结构特征的区域。

技术领域

本发明属于区域交通规划技术领域，涉及一种区域出行需求的总量预测方法、系统及设备，具体涉及一种基于迭代优化模型的区域客运量预测方法、系统及设备。

背景技术

区域出行需求预测是交通规划中的核心内容之一。交通网络设计以及方案评价都与区域出行需求预测有密切的关系。交通生成预测是交通需求四阶段预测的第一阶段，是交通需求分析工作中最基本的部分之一。而交通需求总量的预测作为交通生成预测的重要约束数据，其预测精度将直接影响后续预测阶段乃至整个预测过程的精度，因此与交通需求总量预测的方法具有较高的实际研究价值。

目前，聚焦于区域客运量预测主要考虑以客运量影响因子作为自变量，客运量作为因变量，建立映射关系求解，如文献1（Du Bowen,Hu Xiao,Sun Leilei,Liu Junming,Qiao Yanan,Lv Weifeng. Traffic Demand Prediction Based on Dynamic TransitionConvolutional Neural Network[J]. IEEE Transactions on IntelligentTransportation Systems,2020,22(2) ），文献2（Ge Guo,Tianqi Zhang. A residualspatio-temporal architecture for travel demand forecasting[J]. TransportationResearch Part C,2020,115(C) ），和文献3（Chen Xi,Peng Lei,Zhang Minghong,Li Wei.A Public Traffic Demand Forecast Method Based on Computational Experiments[J]. IEEE Transactions on Intelligent Transportation Systems,2017,18(4) ），文献1中指出客运量预测需要基于大量数据，依赖于数据规模。文献2中指出区域结构是客运量预测的重要考虑因素。文献3中忽略了交通系统各要素间相互影响，互相作用的关系。

研究发现实际的综合交通系统环境中，客运量与居民、基础设施、经济等各要素密切相关，互为自变量与因变量，符合协同演化理论的基本规律，如文献4（刘星,周振宇.基于灰色关联分析的城市群道路客运系统协同发展研究[J].交通标准化,2014,42(19):49-53+59.DOI:10.16503/j.cnki.2095-9931.2014.19.014），但文献4中方法割裂了交通系统环境，会导致所得规划时期客运量预测结果不准确。

发明内容

本发明的目的在于提供一种基于迭代优化模型的区域客运生成优化方法、系统及设备，通过构建经济、人口、需求自优化模型及区域系统迭代优化模型，可以准确预测区域客运生成量。

本发明的方法所采用的技术方案是：一种基于迭代优化模型的区域客运量预测方法，包括以下步骤：

步骤1：采集区域客运量相关指标数据；