[发明专利]一种轨道交通短期客流预测方法、系统及电子设备

说明书

本申请涉及一种轨道交通短期客流预测方法、系统及电子设备。所述方法包括：步骤a：基于历史观测数据构建历史数据集；步骤b：基于KNN邻近算法从所述历史数据集中选择与当前特征最相近的样本数据，得到相似样本集；步骤c：基于所述相似样本集构建高斯过程回归预测模型，通过所述高斯过程回归预测模型对轨道交通短期客流进行预测。相比现有技术，本申请在预测精度和效率上更能够满足实际需求，更适用于基于多源大数据下实时高精度的地铁客流预测场景。

技术领域

本申请属于轨道交通服务技术领域，特别涉及一种轨道交通短期客流预测方法、系统及电子设备。

背景技术

轨道交通在城市公共交通流量大、道路拥堵等问题起着重要的作用，已日益成为市民出行的首选交通方式。随着城市轨道交通网络运营里程的不断增长及网络承载客流量的不断提高，各站点的出站客流量极易发生急剧变化，为了提高运营调度的效率，对轨道交通各站点出站客流做短期预测非常重要，例如列车调度、最后一公里接驳车调度等。

影响各站点出站客流的因素比较复杂，包括：(1)空间因素，某站点的出站客流与其他站点的进站客流有关，且各站点对此站点的贡献率不同。(2)时间因素，某站点的出站客流与前几个时段，以及相邻天的相同时段的客流相关。(3)其它外界因素，例如天气、大型活动等。传统的客流预测方法主要着重从单个因素和少量数据集建模预测轨道交通客流量，例如自回归移动平均(ARMA)、卡尔曼滤波、粒子滤波、神经网络等，其客流预测结果与实际值之间存在着较大的误差。然而从实际轨道交通运营数据来看，轨道交通客流量往往受多个因素的影响，随着目前可以收集到的数据量和相关数据集的增加，对居民出行规律的把握相比历史任何时间都更准确，本申请旨在基于多源长期大数据对轨道各站点短期客流进行实时预测。

发明内容

本申请提供了一种轨道交通短期客流预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种轨道交通短期客流预测方法，包括以下步骤：

步骤a：基于历史观测数据构建历史数据集；

步骤b：基于KNN邻近算法从所述历史数据集中选择与当前特征最相近的样本数据，得到相似样本集；

步骤c：基于所述相似样本集构建高斯过程回归预测模型，通过所述高斯过程回归预测模型对轨道交通短期客流进行预测。

本申请实施例采取的技术方案还包括：在所述步骤a中，所述历史观测数据包括智能卡刷卡数据、天气数据、大型活动数据；

所述智能卡刷卡数据包括CardID、StationId、TrnsctTime、TrnsctyType；其中，CardID表示智能卡唯一标识，StationId表示轨道站点的标识，TrnsctTime表示交易时间，TrnsctyType表示交易类型；

所述天气数据包括StationID、Gps、Humidity、Tenmnrainfall；其中，StationID表示气象站点，Gps表示站点经纬度，Humidity表示湿度，Tenmnrainfall表示降雨量；

所述大型活动数据包括Type、Begintime、Endtime、LocationGps；其中，Type表示事件类型，Begintime表示开始时间，Endtime表示结束时间，LocationGps表示发生地点。

本申请实施例采取的技术方案还包括：在所述步骤a中，所述历史数据集中的每个数据样本由特征向量X和估测目标y组成，X代表当前条件，所述历史数据集包括出发客流量历史数据集和到达客流量历史数据集；

所述出发客流量历史数据集的构建方式为：

设定时间段离开设定站点的估测目标y所对应的特征向量X表示如下：