[发明专利]一种城市轨道交通短期进站客流量预测方法

权利要求书

1.一种城市轨道交通短期进站客流量预测方法，其特征在于，构建Wave-LSTM预测模型，利用训练数据集对所述Wave-LSTM预测模型进行训练，得到训练好的Wave-LSTM预测模型，所述方法包括：

获取待预测站点的历史进站量数据序列；

利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据序列；

将所述重构进站量数据序列输入到训练好的Wave-LSTM预测模型，Wave-LSTM预测模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加，得到预测出的所述待预测站点的所有时间段内的进站量客流数据。

2.根据权利要求1所述的方法，其特征在于，所述的构建Wave-LSTM预测模型，利用训练数据集对所述LSTM预测模型进行训练，得到训练好的Wave-LSTM预测模型，包括：

构建Wave-LSTM预测模型的训练数据集，该训练数据集为所述待预测站点的历史客流数据的前90％，利用该训练数据集采用控制变量的方法，选取不同迭代次数和不同隐藏单元数依次对待预测站点的历史进站量数据的重构进站量数据序列进行预测，将预测结果与待预测站点的真实进站量数据进行比较，选择预测效果最好的迭代次数和隐藏单元数参数作为Wave-LSTM模型的参数，得到训练好的LSTM预测模型。

3.根据权利要求2所述的方法，其特征在于，所述的获取待预测站点的历史进站量数据序列，包括：

将待预测站点的各个进口AFC设备终端采集的客流数据进行统计汇总，得到待预测站点的历史进站量数据F^s，该历史进站量数据F^s为一个一维的进站量序列数据，表达式如下：

其中s为站点，t为时段，F^s为站点s的历史进站量序列，f_t^s为站点s在第t个时间段内的进站客流。

4.根据权利要求3所述的方法，其特征在于，所述的利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据序列，包括：

利用选取的小波函数和分解次数使用Mallat算法对一维的进站量序列数据进行分解，分解过程表示为式2和式3，其中H和G分别为该小波变换中的低通滤波器和高通滤波器，m为分解次数，D_m为经m次分解后得到的高频细节信号，A_m为经m次分解后得到的低频近似信号；

D_m＝HA_m-1 (2)

A_m＝GA_m-1 (3)

A₀为原始序列，经过第一次分解后，得到包含原始序列A₀主要信息的低频近似信号A₁，以及包含误差的高频细节信号D₁；下一次将低频近似信号A₁分解为A₂和D₂，以此进行下去，经过m次分解后得到m+1个分解序列：D₁，D₂，……，D_m和A_m；

采用重构算法对步骤S3中得到的m+1个分解序列D₁，D₂，……，D_m和A_m分别进行重构进行单支重构，单支重构过程如式4所示：

A_m-1＝H^*A_m+G^*D_m (4)

其中H^*和G^*分别为该小波在重构过程中的低通滤波器和高通滤波器，且是H和G的对偶算子；

采用单支重构算法对所述m+1个分解序列进行单支重构，低频分解序列D₁，D₂，……，D_m的单支重构的过程是对其进行奇数位补零，再通过低通滤波器H^*直至得到与原始信号长度相同的序列，得到重构进站量数据序列序列d₁、d₂、…、d_m；高频分解序列的单支重构需要对其补零后需通过高通滤波器G^*操作，直至得到与原始信号长度相同的数据，得到重构进站量数据序列序a_m，重构进站量数据序列d₁、d₂、…、d_m、a_m和原始序列A₀的关系如式5所示。

A₀＝d₁+d₂+…+d_m+a_m (5)

其中d_m为高频细节信号D_m的重构进站量数据序列，a_m为低频近似信号A_m的重构进站量数据序列。