[发明专利]一种城市轨道交通短期进站客流量预测方法

说明书

本发明提供了一种城市轨道交通短期进站客流量预测方法。该方法包括：构建Wave‑LSTM预测模型，利用训练数据集对Wave‑LSTM预测模型进行训练，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，得到预测出的待预测站点的所有时间段内的进站量客流数据。本发明充分利用了小波变换的数学显微镜的优点和LSTM可学习长序列依赖的特点，将具有趋势的低频信号与包含噪声信息的高频信号分开，从而提取到各站点进站客流的关键特征，提高客流预测精度。

技术领域

本发明涉及轨道交通客流管理技术领域，尤其涉及一种城市轨道交通短期进站客流量预测方法。

背景技术

城市轨道交通作为城市公共交通的骨干，在缓解城市拥堵、改善城市环境等方面发挥着重要作用。高精度的短期进站客流量预测对城市轨道交通日常客流组织具有重要意义，预测结果可以帮助运营部门动态管理车站客流。当进站客流预测值高于车站所能容纳的人数时，运营部门可采用车站限流和疏导等方法控制客流分布，从而降低大客流对城市轨道交通网络的冲击和压力，减少因过度拥挤带来的危险。

现阶段，针对城市轨道交通的短期进站客流量预测的研究已经有了一定的积累。但当前大多数预测模型忽略了各站点进站客流的关键特征，不能很好的追踪客流的动态变化，导致预测结果与实际情况的偏差较大，难以指导运营公司做出准确的决策，客流预测结果的精度有待提高。

发明内容

本发明的实施例提供了一种城市轨道交通短期进站客流量预测方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种城市轨道交通短期进站客流量预测方法，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。

优选地，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。

优选地，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。