[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110458325A - 一种交通区域短时客流预测方法及装置 - Google Patents

一种交通区域短时客流预测方法及装置 Download PDF

Info

Publication number
CN110458325A
CN110458325A CN201910601311.6A CN201910601311A CN110458325A CN 110458325 A CN110458325 A CN 110458325A CN 201910601311 A CN201910601311 A CN 201910601311A CN 110458325 A CN110458325 A CN 110458325A
Authority
CN
China
Prior art keywords
passenger flow
prediction
period
data
traffic zone
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910601311.6A
Other languages
English (en)
Inventor
王雯雯
刘爱华
马骁
马科
魏莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hisense TransTech Co Ltd
Qingdao Hisense Network Technology Co Ltd
Original Assignee
Qingdao Hisense Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao Hisense Network Technology Co Ltd filed Critical Qingdao Hisense Network Technology Co Ltd
Priority to CN201910601311.6A priority Critical patent/CN110458325A/zh
Publication of CN110458325A publication Critical patent/CN110458325A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

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。

Description

一种交通区域短时客流预测方法及装置
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。
上述方案，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，根据预测时间的远近调整预测参考数据，使预测时间越近所参考的有效数据越多，从而提高算法的准确性。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。
可选的，所述预测时段对应的多类数据包括位于所述预测时段之前且与所述预测时段相邻的N个时段的历史客流数据、前M天中每天与所述预测时段相同的时段的历史客流数据、前P周中与所述预测时段同天且与所述预测时段相同的时段的历史客流数据；其中，M、N、P为正整数。
上述方案，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，将影响最终预测结果的准确性。通过将连续时刻的客流数据进行筛选，输入位于所述预测时段之前且与所述预测时段相邻的N个时段的历史客流数据、前M天中每天与所述预测时段相同的时段的历史客流数据、前P周中与所述预测时段同天且与所述预测时段相同的时段的历史客流数据训练预测模型，从而提高预测结果的准确性。
可选的，所述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所述多类预测模型，包括：
获取多个训练时段；
从所述历史客流数据中确定出每个训练时段对应的多种数据；
根据所述每个训练时段对应的多种数据，对预设的多个神经网络模型进行训练学习，得到所述多类预测模型。
上述方案，通过提取根据预测时段更具针对性的历史数据训练模型，并将筛选过后的历史数据分为不同的类型，同一类型的历史数据训练对应的预测模型，使得预测结果的准确性得以提高。
可选的，所述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，包括：
将所述多个预测结果进行全连接，得到所述交通区域客流预测的客流量。
上述方案，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。
可选的，在所述获取交通区域客流预测的预测时段之前，还包括：
获取客流采集设备识别的进出所述交通区域的客流信息；
对所述交通区域的客流信息进行清洗；
将清洗后的所述交通区域的客流信息存入所述历史客流信息数据库中。
上述方案，通过对所述交通区域的客流信息进行清洗，防止脏数据影响预测结果，从而对交通枢纽的运行与管理提供良好的决策支撑。
第二方面，本发明实施例提供一种交通区域短时客流预测装置，包括：
获取模块，用于获取交通区域客流预测的预测时段；
处理模块，用于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。
可选的，所述预测时段对应的多类数据包括位于所述预测时段之前且与所述预测时段相邻的N个时段的历史客流数据、前M天中每天与所述预测时段相同的时段的历史客流数据、前P周中与所述预测时段同天且与所述预测时段相同的时段的历史客流数据；其中，M、N、P为正整数。
可选的，所述处理模块具体用于：
将所述多个预测结果进行全连接，得到所述交通区域客流预测的客流量。
可选的，所述处理模块还用于：
在所述获取交通区域客流预测的预测时段之前，获取客流采集设备识别的进出所述交通区域的客流信息；
对所述交通区域的客流信息进行清洗；
将清洗后的所述交通区域的客流信息存入所述历史客流信息数据库中。
可选的，所述处理模块具体用于：
获取多个训练时段；
从所述历史客流数据中确定出每个训练时段对应的多种数据；
根据所述每个训练时段对应的多种数据，对预设的多个神经网络模型进行训练学习，得到所述多类预测模型。
第三方面，本发明实施例提供一种计算机设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述第一方面所述的方法。
第四方面，本发明实施例提供一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述第一方面所述的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种系统架构的示意图；
图2为本发明实施例提供的一种交通区域短时客流预测方法的流程示意图；
图3为本发明实施例提供的一种传统神经网络模型的示意图；
图4为本发明实施例提供的一种并行系统神经网络模型的示意图；
图5为本发明实施例提供的一种交通区域短时客流预测装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图及具体的实施方式对上述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
图1示例性的示出了本发明实施例所适用的一种系统架构，该系统架构可以为服务器100，包括处理器110、通信接口120和存储器130。
其中，通信接口120用于与终端设备进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和路线连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2示例性的示出了本发明实施例提供的一种交通区域短时客流预测方法的流程，该流程可以由交通区域短时客流预测装置执行，该装置可以位于上述图1所述的服务器中，也可以是该服务器。
如图2所示，该流程具体包括：
步骤201，获取交通区域客流预测的预测时段。
具体的，在获取交通区域客流预测的预测时段之前，还需要获取客流采集设备识别的进出交通区域的客流信息，对交通区域的客流信息进行清洗，将清洗后的交通区域的客流信息存入历史客流信息数据库中。
需要说明的是，待预测交通区域所有出入口均部署客流采集设备，获取客流量信息的方式主要通过出入口客流采集设备、视频分析服务器等可识别客流量的设备。在区域各出入口均部署客流采集设备，并对客流采集设置进行时钟校验，设置统一的数据传输频率向后台传送数据。中心服务器通过对客流采集设备数据处理，计算得出该区域实时客流量信息。
举例来说，表1示出了单一客流采集设备传输数据的样式。图3为出入口客流采集设备的示意图，如图3所示，a001区域i时段进出客流量计算：
Si＝Si s001+Si s002+Si s003
其中：Si：a001区域i时段进入客流数量；
Si s001：客流采集s001在i时段采集的进客流值；
Si s002：客流采集s002在i时段采集的进客流值；
Si s003：客流采集s003在i时段采集的进客流值；
Oi＝Oi s001+Oi s002+Oi s003
其中：Oi：a001区域i时段离开客流数量；
Oi s001：客流采集s001在i时段采集的离开客流值；
Oi s002：客流采集s002在i时段采集的离开客流值；
Oi s003：客流采集s003在i时段采集的离开客流值；
表1
设备编码 进 出 时间
s001 12 24 2018-10-10 08:00:00
s002 28 13 2018-10-10 08:00:00
s003 32 10 2018-10-10 08:00:00
表2示出了区域客流采集设备传输数据的样式。
Qi a001＝qi0 a001-qi1 a001+Q(i-1) a001
其中：Qi：在i时段a001区域客流数量；
qi0：在i时段进入a001区域客流数量；
qi0：在i时段离开a001区域客流数量；
Q(i-1) a001：在i上一时刻a001区域客流数量。
表2
区域 客流数量 进 出 时间
a001 25 72 47 2018-10-10 08:00:00
a002 78 102 60 2018-10-10 08:00:00
a003 71 86 42 2018-10-10 08:00:00
此外，在客流预测的同时，对所需历史客流进行数据清洗，以防止脏数据对预测结果的影响，为枢纽运行与管理提供良好的决策支撑。
步骤202，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。
通过客流采集设备采集的客流信息，并存入历史客流信息数据库之后，就可以根据预测时段来确定预测时段对应的多类数据，该预测时段对应的多类数据包括位于预测时段之前且与预测时段相邻的N个时段的历史客流数据、前M天中每天与预测时段相同的时段的历史客流数据、前P周中与预测时段同天且与预测时段相同的时段的历史客流数据。其中，M、N、P为正整数。
步骤203，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。
在本发明实施例中，该多类预测模型可以与预测时段的多类数据一一对应，其中，一类数据对应一类预测模型。该多类预测模型可以根据历史客流信息数据库中的历史客流数据训练得到，具体的，可以先获取多个训练时段，然后从历史客流数据中确定出每个训练时段对应的多种数据，最后根据每个训练时段对应的多种数据，对预设的多个神经网络模型进行训练学习，得到多类预测模型。
例如，通过对了历史客流数据进行观察，发现日客流变化呈现出以星期(7天)为周期进行循环变化，小时客流量呈现出以天(24小时)为周期进行循环变化。针对客流整体变化规律，前几周中与预测时段同天且与预测时段相同的时段的历史客流数据作为一类输入。考虑到类似峰会等影响因素，会对客流量产生持续几天的影响，且会使客流量产生相同的变化趋势，因此将前几天中每天与预测时段相同的时段的历史客流数据作为一类输入。考虑到对应天可能会出现阴雨天气等因素影响，且这些影响因素会在前几个小时就反映到了当天客流的变化上了，因此将位于预测时段之前且与预测时段相邻的几个时段的历史客流数据作为一类特征。
步骤204，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。
具体的，可以将多个预测结果进行全连接，得到交通区域客流预测的客流量。也就是说，将多个预测结果通过一个全连接神经网络进行连接起来，就可以得到交通区域客流预测的客流量。
需要说明的是，本发明实施例在全连接神经网络结构基础上，提出一种“分而治之”策略，将一个神经网络划分成三个神经网络模块，从而解决输入类型不同而导致的隐藏层权重相互干扰的问题。将三种因素通过并行的网络结构来实现，利用三个传统神经网络模型分别独立的处理这三种输入信息，一种用来提取前几周中与预测时段同天且与预测时段相同的时段的历史客流数据的客流特征，一种用来提取前几天中每天与预测时段相同的时段的历史客流数据的客流特征，一种用来提取位于预测时段之前且与预测时段相邻的几个时段的历史客流数据的客流特征，这也就是所谓的“分割”过程；最后将三种网络的输出进行整合从而得到最终的预测结果。我们将改进模型叫做并行系统神经网络模型。通过改进，让不同类型数在自己的神经网络中单独运行，防止不同类型的数据相互干扰，可能有效的提高预测准确性。
为了更好的解释本发明实施例，下面根据图2进一步说明本发明实施例所涉及的传统神经网络模型的示意图，如图2所示，为传统神经网络模型的示意图。
区域短期客流预测使用神经网络模型进行预测，神经网络由神经元组成，神经元的输出公式为公式(1)：
其中，P＝[P1,P2,…,PR]T为神经元的输入向量；W＝[w1,w2,…,wR]T表示输入到神经元R个连接的强度，即权值向量，每个元素的值可正可负，分别表示加强或者抑制作用；θ为神经元的阀值，如果神经元的输入加权和大于θ，则神经元被激活；f表示神经元的输入输出函数，亦即传统函数。
如图3所示，为本发明实施例提出的一种并行系统神经网络模型的示意图。
并行系统神经网络主要包括三个独立的模块：位于预测时段之前且与预测时段相邻的N个时段的历史客流数据模块、前M天中每天与预测时段相同的时段的历史客流数据模块、前P周中与预测时段同天且与预测时段相同的时段的历史客流数据模块。每一个模块都是由传统的神经网络模型构成。将三类的客流数据作为模型的输入因素。在并行系统神经网络模型中，将这9个输入分为三类，如图3所示，X1、X2、X3为一类，X4、X5、X6为一类，X7、X8、X9为一类分别作为是每个独立预测模块的输入。在构建完成三个模块后，将三个模块的预测输出数据进行整合得到最终的预测结果。
基于相同的技术构思，图4示例性的示出了本发明实施例提供一种交通区域短时客流预测装置的结构，该装置可以执行交通区域短时客流预测的流程，该装置可以位于上述图1所述的服务器中，也可以是该服务器。
如图5所示，该装置可以包括：
获取模块501，用于获取交通区域客流预测的预测时段；
处理模块502，用于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。
可选的，所述预测时段对应的多类数据包括位于所述预测时段之前且与所述预测时段相邻的N个时段的历史客流数据、前M天中每天与所述预测时段相同的时段的历史客流数据、前P周中与所述预测时段同天且与所述预测时段相同的时段的历史客流数据；其中，M、N、P为正整数。
可选的，所述处理模块502具体用于：
将所述多个预测结果进行全连接，得到所述交通区域客流预测的客流量。
可选的，所述处理模块502还用于：
在所述获取交通区域客流预测的预测时段之前，获取客流采集设备识别的进出所述交通区域的客流信息；
对所述交通区域的客流信息进行清洗；
将清洗后的所述交通区域的客流信息存入所述历史客流信息数据库中。
可选的，所述处理模块502具体用于：
获取多个训练时段；
从所述历史客流数据中确定出每个训练时段对应的多种数据；
根据所述每个训练时段对应的多种数据，对预设的多个神经网络模型进行训练学习，得到所述多类预测模型。
基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述交通区域短时客流预测方法。
基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述交通区域短时客流预测方法。
最后应说明的是：本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种交通区域短时客流预测方法，其特征在于，所述方法包括：
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。
2.根据权利要求1所述的方法，其特征在于，所述预测时段对应的多类数据包括位于所述预测时段之前且与所述预测时段相邻的N个时段的历史客流数据、前M天中每天与所述预测时段相同的时段的历史客流数据、前P周中与所述预测时段同天且与所述预测时段相同的时段的历史客流数据；其中，M、N、P为正整数。
3.根据权利要求2所述的方法，其特征在于，所述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所述多类预测模型，包括：
获取多个训练时段；
从所述历史客流数据中确定出每个训练时段对应的多种数据；
根据所述每个训练时段对应的多种数据，对预设的多个神经网络模型进行训练学习，得到所述多类预测模型。
4.根据权利要求1所述的方法，其特征在于，所述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，包括：
将所述多个预测结果进行全连接，得到所述交通区域客流预测的客流量。
5.根据权利要求1至4任一项所述的方法，其特征在于，在所述获取交通区域客流预测的预测时段之前，还包括：
获取客流采集设备识别的进出所述交通区域的客流信息；
对所述交通区域的客流信息进行清洗；
将清洗后的所述交通区域的客流信息存入所述历史客流信息数据库中。
6.一种交通区域短时客流预测装置，其特征在于，包括：
获取模块，用于获取交通区域客流预测的预测时段；
处理模块，用于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。
7.根据权利要求6中所述的装置，其特征在于，所述预测时段对应的多类数据包括位于所述预测时段之前且与所述预测时段相邻的N个时段的历史客流数据、前M天中每天与所述预测时段相同的时段的历史客流数据、前P周中与所述预测时段同天且与所述预测时段相同的时段的历史客流数据；其中，M、N、P为正整数。
8.根据权利要求7中所述的装置，其特征在于，所述处理模块具体用于：
将所述多个预测结果进行全连接，得到所述交通区域客流预测的客流量。
9.根据权利要求6中所述的装置，其特征在于，所述处理模块还用于：
在所述获取交通区域客流预测的预测时段之前，获取客流采集设备识别的进出所述交通区域的客流信息；
对所述交通区域的客流信息进行清洗；
将清洗后的所述交通区域的客流信息存入所述历史客流信息数据库中。
10.根据权利要求6至9中任一所述的装置，其特征在于，所述处理模块具体用于：
获取多个训练时段；
从所述历史客流数据中确定出每个训练时段对应的多种数据；
根据所述每个训练时段对应的多种数据，对预设的多个神经网络模型进行训练学习，得到所述多类预测模型。
CN201910601311.6A 2019-07-03 2019-07-03 一种交通区域短时客流预测方法及装置 Pending CN110458325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910601311.6A CN110458325A (zh) 2019-07-03 2019-07-03 一种交通区域短时客流预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910601311.6A CN110458325A (zh) 2019-07-03 2019-07-03 一种交通区域短时客流预测方法及装置

Publications (1)

Publication Number Publication Date
CN110458325A true CN110458325A (zh) 2019-11-15

Family

ID=68482259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910601311.6A Pending CN110458325A (zh) 2019-07-03 2019-07-03 一种交通区域短时客流预测方法及装置

Country Status (1)

Country Link
CN (1) CN110458325A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768093A (zh) * 2020-06-23 2020-10-13 中国工商银行股份有限公司 基于时间序列的网点配置方法及装置
CN112380925A (zh) * 2020-10-27 2021-02-19 北京城建智控科技有限公司 数据处理方法、装置、设备和存储介质
CN113792907A (zh) * 2021-08-06 2021-12-14 上海申铁信息工程有限公司 一种铁路客站的客流预测方法、装置及存储介质
CN113822458A (zh) * 2020-11-18 2021-12-21 京东城市(北京)数字科技有限公司 预测方法、训练方法、装置、电子设备和可读存储介质
CN113919584A (zh) * 2021-10-25 2022-01-11 北京邮电大学 基于lstm的自适应短时客流预测方法及相关设备
CN114757447A (zh) * 2022-06-08 2022-07-15 广东工业大学 一种多模型混合的客运枢纽站客流量预测方法及系统
CN113822458B (zh) * 2020-11-18 2024-11-19 京东城市(北京)数字科技有限公司 预测方法、训练方法、装置、电子设备和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517159A (zh) * 2014-12-18 2015-04-15 上海交通大学 一种公交短时客流的预测方法
US20170178044A1 (en) * 2015-12-21 2017-06-22 Sap Se Data analysis using traceable identification data for forecasting transportation information
CN107451599A (zh) * 2017-06-28 2017-12-08 青岛科技大学 一种基于机器学习的综合模型的交通行为预测方法
CN109034449A (zh) * 2018-06-14 2018-12-18 华南理工大学 基于深度学习和乘客行为模式的短期公交客流预测方法
CN109376935A (zh) * 2018-10-31 2019-02-22 东南大学 一种基于神经网络的公交客流分时段组合预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104517159A (zh) * 2014-12-18 2015-04-15 上海交通大学 一种公交短时客流的预测方法
US20170178044A1 (en) * 2015-12-21 2017-06-22 Sap Se Data analysis using traceable identification data for forecasting transportation information
CN107451599A (zh) * 2017-06-28 2017-12-08 青岛科技大学 一种基于机器学习的综合模型的交通行为预测方法
CN109034449A (zh) * 2018-06-14 2018-12-18 华南理工大学 基于深度学习和乘客行为模式的短期公交客流预测方法
CN109376935A (zh) * 2018-10-31 2019-02-22 东南大学 一种基于神经网络的公交客流分时段组合预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋万清等: "《数据挖掘》", 31 January 2019 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768093A (zh) * 2020-06-23 2020-10-13 中国工商银行股份有限公司 基于时间序列的网点配置方法及装置
CN112380925A (zh) * 2020-10-27 2021-02-19 北京城建智控科技有限公司 数据处理方法、装置、设备和存储介质
CN113822458A (zh) * 2020-11-18 2021-12-21 京东城市(北京)数字科技有限公司 预测方法、训练方法、装置、电子设备和可读存储介质
CN113822458B (zh) * 2020-11-18 2024-11-19 京东城市(北京)数字科技有限公司 预测方法、训练方法、装置、电子设备和可读存储介质
CN113792907A (zh) * 2021-08-06 2021-12-14 上海申铁信息工程有限公司 一种铁路客站的客流预测方法、装置及存储介质
CN113919584A (zh) * 2021-10-25 2022-01-11 北京邮电大学 基于lstm的自适应短时客流预测方法及相关设备
CN114757447A (zh) * 2022-06-08 2022-07-15 广东工业大学 一种多模型混合的客运枢纽站客流量预测方法及系统
CN114757447B (zh) * 2022-06-08 2022-10-11 广东工业大学 一种多模型混合的客运枢纽站客流量预测方法及系统

Similar Documents

Publication Publication Date Title
CN110458325A (zh) 一种交通区域短时客流预测方法及装置
US9639807B2 (en) Method and system for forecasting future events
CN105224992A (zh) 对等待乘客数进行预测的方法和系统以及评价方法和系统
CN107608862A (zh) 监控告警方法、监控告警装置及计算机可读存储介质
CN108133619A (zh) 停车场停车预测的方法、装置、存储介质及终端设备
CN111192090A (zh) 航班的座位分配方法、装置、存储介质和电子设备
US10339620B2 (en) Method of managing transportation fare, server performing the same and system performing the same
CN107679576A (zh) 车辆的故障监测方法及装置
CN113837383B (zh) 模型训练方法、装置、电子设备及存储介质
CN112948412A (zh) 航班库存更新方法、系统、电子设备和存储介质
CN109978575B (zh) 一种挖掘用户流量经营场景的方法及装置
CN109345373A (zh) 核销风险预警方法、装置、电子设备及计算机可读介质
CN110263136B (zh) 基于强化学习模型向用户推送对象的方法和装置
CN113269402A (zh) 一种航班舱位的控制方法、装置及计算机设备
CN108629381A (zh) 基于大数据的人群筛选方法及终端设备
KR100601885B1 (ko) 아웃바운드 콜센터를 위한 통화 추천 시스템
CN110909765B (zh) 一种面向轨迹大数据的行人行为模式分类方法
CN117689049A (zh) 旅客常住地预测方法、装置、电子设备和存储介质
CN116485589A (zh) 一种应用于旅游企业管理的业务分析方法及系统
US20230008936A1 (en) System and method for adaptive learning for hospital census simulation
CN110910241A (zh) 现金流评估方法、装置、服务器设备及存储介质
CN109657865A (zh) 一种资金池账户透支额度预测方法及装置
CN115203545A (zh) 基于深度学习和知识图谱的康养服务智能匹配方法和系统
CN103813341B (zh) 用于提高授权系统收益的次级业务选择接入方法及装置
RU77466U1 (ru) Автоматизированная система сценарного прогнозирования развития авиакомпании

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191115