[发明专利]一种客流集散模式发现及预测方法

说明书

本发明公开了一种客流集散模式发现及预测方法，包括：(1)采集赛事活动参与人次信息，将赛事活动分级和标记；采集客流数据；对客流数据进行出行链提取；(2)基于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，得出热点区域及站点；(3)提取热点公交站点的客流集散特征；(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；(5)对热点公交站点提取客流预测特征；(6)对客流预测特征中的离散特征进行独热编码和标准化；(7)基于LSTM方法，训练预测模型并保存；(8)将预测集输入保存的模型中得到赛事活动期间的热点公交站点客流预测结果，实现赛事活动期间热点公交站点客流预测。

技术领域

本发明隶属于交通大数据和智能交通领域，一种客流集散模式发现及预测方法。

背景技术

赛事活动期间，客流在区域上，重点聚集在赛事场馆周边主要公交站点上，在时间上，赛事活动开场前(客流汇集)及散场后(客流消散)客流聚散变化明显，因此从空间和时间上，把握客流集散模式并对热点公交站点进行准确预测，可以为公交调度及交通规划提供参考。

Rakha等人利用统计学理论相关分析方法，研究了典型非事故情况下交通状况变化的空间和时间幅度，并且通过分析不同日期之间的交通指数数据，发现核心工作日(周二至周四)与星期一、星期五、星期六以及星期日的交通流特征的变化情况存在显著的差异；

Chung采用了聚类分析的方法，对不同日期的用户出行时间数据分上午和下午不同时段进行分类，结果发现，仅针对上午时段，日期可以分为工作日、星期六和节假日三类，而对于下午时段，分类结果无明显规律。

Hao Li等人以一卡通的公交刷卡数据为主要信息,结合天气数据使用随机森林进行公交客流预测，分析得出，公交客流存在以星期为单位的周期性变化规律，同时天气因素对客流存在较大的影响。

从相关研究中得知，不同场景客流变化模型存在差异，同时公交客流与天气和日期有关，目前针对赛事活动期间客流集散模式的研究较少，而且基于客流数据进行客流预测仅考虑客流轨迹，缺少对客流集散模式的挖掘。

发明内容

本发明解决的技术问题：本发明克服现有技术的不足，针对赛事活动期间的客流数据，提取出行链，发现热点公交站点客流集散模式，同时基于客流集散模式结合活动、客流、时刻、日期和天气数据有效构建特征，利用LSTM(长短期记忆人工神经网络)算法，对不同活动及模式下的热点公交站点客流进行准确预测，填补了赛事活动期间客流集散模式分析及预测方法的空白，同时为赛事活动期间公交合理调度和规划提供参考。

本发明的技术解决方案为：一种客流集散模式发现及预测方法，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例如北京，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，例如森林公园，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(例如72个)；

(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；