[发明专利]一种客流集散模式发现及预测方法

权利要求书

1.一种客流集散模式发现及预测方法，其特征在于：通过以下步骤实现：

(1)采集赛事活动参与人次信息，将赛事活动分级和标记；通过公交系统乘客刷卡信息，采集客流数据；对客流数据进行出行链提取，计算举办赛事活动时赛事地点周边地铁站在活动结束后一小时内的平均客流量，若大于10000人次标记为大型活动，若大于5000人次标记为中型活动；若大于2000人次标记为小型活动；

(2)基于步骤(1)出行链提取结果和赛事活动分级和标记结果，计算多边形区域净客流量，得出赛事活动期间热点区域及站点；所述多边形区域是指，将赛事活动所在城市，通过泰森多边形进行区域划分，分别计算每个多边形区域净流量，确定热点区域，将热点区域中公交站点作为热点公交站点，提取到多个热点公交站点；

(3)提取赛事活动期间热点公交站点的客流集散特征，对特征进行预处理及降维操作；热点公交站点净流量为正值，认为该热点公交站点客流正在汇集，标记为1，热点公交站点净流量为负值，认为该热点公交站点客流正在消散，标记为-1，将客流集散特征不明显的热点公交站点进行剔除，共得到剩余的有效热点公交站点；每个小时为一个时间片，根据预定的时间跨度生成时间序列矩阵；使用PCA方法对特征进行处理和降维；

(4)将已构建的客流集散特征基于高斯混合模型进行聚类训练，得出聚类结果并分析；使用“手肘法则”确定聚类簇，选择轮廓系数评估模型可用性，大型活动得到4个聚类簇，中型活动得到3个聚类簇，小型活动期间客流运行平稳，看作1个簇；

(5)对赛事活动期间的热点公交站点提取客流预测特征，包括：单位小时客流人次，活动特征，模式特征，日期特征和天气特征；

(6)对客流预测特征中的离散特征进行独热编码，使得每个特征都对应欧氏空间中的一个点，保证特征距离计算的合理性，对客流预测特征中的连续特征做标准化，统一特征数据变化幅度，加快模型训练过程中梯度下降的速度；

(7)进行客流预测模型训练，其中，四分之三的样本数据作为训练集，四分之一的样本数据作为预测集，将训练集和预测集的特征同时按照步骤(6)进行特征处理之后，基于长短期记忆人工神经网络LSTM方法，输入训练集，训练预测模型并保存；

(8)将预测集输入保存的模型中得到预测结果，实现各类赛事活动期间热点公交站点客流情况预测。

2.根据权利要求1所述的一种客流集散模式发现及预测方法，其特征在于：所述步骤(1)计算赛事活动参与人次，将赛事活动分级和标记需要对客流数据进行出行链提取，提取要求为出行链合并及过滤换乘数据；其中出行链合并是指：去除冗余数据条目，对筛选后的数据做出行链合并，去除中间节点；过滤换乘数据是指：两次乘车时间间隔小于15min且两次乘车地点步行距离小于1.5km时，视为一次换乘，作为一条出行链中的一部分。

3.根据权利要求1所述的一种客流集散模式发现及预测方法，其特征在于：所述步骤(1)中根据赛事活动附近地铁站乘车人数进行活动划分。

4.根据权利要求1所述的一种客流集散模式发现及预测方法，其特征在于：所述步骤(2)中多边形区域净流量指每小时多边形区域净入流量与净出流量之差。

5.根据权利要求1所述的一种客流集散模式发现及预测方法，其特征在于：所述步骤(3)中，预定时间跨度为10个小时，是指：在晚间19：00-22：00举办赛事活动期间，经过统计，乘客最早于活动开场前4个小时开始汇集，最迟在活动结束后2个小时完成消散过程，因此时间跨度为15：00-24：00，共9个时间片。

6.根据权利要求1所述的一种客流集散模式发现及预测方法，其特征在于：所述步骤(5)中，客流人次为每小时客流数值，活动特征做如下映射{“大型活动”：2，“中型活动”：1，小型活动：0}。

7.根据权利要求1所述的一种客流集散模式发现及预测方法，其特征在于：所述步骤(5)中模式特征做如下映射：{“大型活动模式一”：7，“大型活动模式二”：6，“大型活动模式三”：5，“大型活动模式四”：4，“中型活动模式一”：3，“中型活动模式二”：2，“中型活动模式三”：1，“小型活动”：0}。