[发明专利]一种交通区域短时客流预测方法及装置

说明书

本发明实施例公开了一种交通区域短时客流预测方法及装置，方法包括：获取交通区域客流预测的预测时段，从历史客流信息数据库中确定预测时段对应的多类数据，将预测时段对应的多类数据分别输入到多类预测模型中得到多个预测结果，将所述多个预测结果进行整合，确定出交通区域客流预测的客流量。本发明通过分析客流量的变化规律，考虑所能对结果产生影响的因素，使用更有针对性的特征对模型进行训练。通过修改神经网络的结构，将全连接神经网络换成多个神经网络的拼接，消除了不同类型数据的相互干扰，从而提高交通枢纽区域短时客流预测的准确性，为枢纽客流状态的整体把控提供数据支持，提高枢纽的整体服务水平。

技术领域

本发明涉及交通技术领域，尤其涉及客运交通枢纽内一种交通区域短时客流预测方法及装置。

背景技术

交通枢纽的核心功能是客流集散和旅客换乘，枢纽所有管理工作围绕客流时空分布开展，能够提供预知未来枢纽到达/出发客流量，是枢纽管理的迫切需求。基于枢纽实时采集和历史客流数据，结合周边社会经济活动、气候变化对枢纽客流影响，对枢纽客流构成及形成机理进行深入分析，进而构建不同的客流预测模型，获取客流的时间变化或时空分布的演化规律，提前预知未来枢纽到达/出发客流量，为枢纽资源调度、应急疏散、行业规划提供数据支撑。

在现实的枢纽运行当中，枢纽内重点区域如：公交站台、出租车候车点等客流量过大情况主要依靠监控视频或者管理人员个人经验主观判断，对客流预测的能力不足。由于客流影响因素随机性以及复杂性使得判断结果与预测客流状况存在较大的偏差，导致调度管理实时性较差，不能及时采取有效的临时调度措施，带来安全隐患。乘客出行需求无法有效得到满足，直接影响交通系统的有效运行以及服务水平。因此采用合理的模型算法对客流进行准确的预测显得极为重要，在此基础上根据客流预测进行现场人员、服务设置编排，能够有效的对乘客进行疏导。

现有的客流预测方法通过使用LSTM(Long Short-Term Memory，长短期记忆网络)对特征相关性进行分析，来提高预测准确度。其所考虑到客流的预测与历史客流具有一定的相关性，通过尽可能的将与预测时间点之前的历史数据加入的模型中进行运算，提高精度。虽然该方法将传统神经网络模型有一定的改善，但其并没有考虑到交通客流的特殊性。当前客流数据不仅受之前时刻客流数据的影响，其客流数据还具有按照星期进行规律性波动，并且每天的同一时刻客流具有较高的相似性。同时通过历史客流数据无法对过远的时间进行预测。因此仅依赖连续的时刻的客流数据无法完全复合客流周期变化的特性，将影响最终估算结果的准确性。现有的客流预测方法使用全连接神经网络的算法模型，在全连接神经网络中，每个输入都会跟隐藏层的神经元进行连接。如果输入数据属性不同，并且数据差别较大时，不同输入控制同一个神经元，不同类型数据会对该神经元产生影响，导致神经元权重相互干扰，从而影响整体的准确性。

发明内容

本发明实施例提供一种交通区域短时客流预测方法及装置，用以解决现有技术中的客流预测方法中对综合客运枢纽内区域短时客流预测准确率低的问题。

第一方面，本发明实施例提供一种交通区域短时客流预测方法，包括：

获取交通区域客流预测的预测时段；

从历史客流信息数据库中确定所述预测时段对应的多类数据；

将所述预测时段对应的多类数据分别输入到多类预测模型中，得到多个预测结果；其中，一类数据对应一类预测模型；所述多类预测模型是根据所述历史客流信息数据库中的历史客流数据训练得到的；

将所述多个预测结果进行整合，确定出所述交通区域客流预测的客流量。