[发明专利]一种基于历史数据的城市轨道交通新线开通客流预测方法

权利要求书

1.一种基于历史数据的城市轨道交通新线开通客流预测方法，其特征在于，包括：

对既有站点的历史进出站量数据进行聚类分析，提取站点属性，以及获取站点属性与进出站量之间的关系模型；

基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，其中，所述新线站点为所述新线中的所有站点；

以及基于所述既有站点的历史OD分布数据训练学习，创建回归模型，所述回归模型与OD分布比例、站点属性、站点距离和换乘次数相对应；

基于所述回归模型，获取需要预测站点的OD分布比例；

以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，基于增量基础公式和出行时间，获取受影响站点的诱增客流量，其中，所述受影响站点为所述站点区域内的所有既有站点；

基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量；

其中，所述基于所述既有站点的历史OD分布数据训练学习，创建回归模型，具体包括：

选取每隔一预设时间的同类车站O到另外一类车站D的历史OD数据作为一组数据，创建一个回归模型，所述回归模型为：其中，P_ij为i站到j站的OD比例，为j站的全天总出站量，为i到j的站数，为i到j的换乘次数；

将所述既有站点对应的历史OD数据代入所述回归模型中，创建全天每小时的OD分布模型。

2.如权利要求1所述的预测方法，其特征在于，所述对既有站点的历史进出站量数据进行聚类分析，提取站点属性，具体包括：

对所述既有站点的历史进出站量数据进行预处理，所述既有站点中的每个站点基于各时刻的进出站量数据构建多维向量，获得既有站点样本；

对所述既有站点样本进行k-means聚类分析；

基于聚类结果和进出站量曲线变化规律，提取所述站点属性。

3.如权利要求2所述的预测方法，其特征在于，所述对所述既有站点样本进行k-means聚类分析，具体包括：

基于向量距离，将所述既有站点划分为M类站点，其中，所述M类站点包括办公区类站点、住宅区类站点、枢纽区类站点、住宅办公区类站点、火车站类站点、旅游区类站点、购物区类站点和郊区类站点。

4.如权利要求3所述的预测方法，其特征在于，所述站点属性包括办公指数、住宅指数、枢纽指数、购物指数、旅游指数和火车站指数。

5.如权利要求4所述的预测方法，其特征在于，在所述预测出所述新线站点的每小时进出站量之后，所述方法还包括：

通过三次样条差值对预测的每小时进出站量进行处理，预测出所述新线站点的每十五分钟进出站量。

6.如权利要求5所述的预测方法，其特征在于，所述基于所述既有站点的历史进出站量数据，获取站点属性与进出站量之间的关系模型，具体包括：

基于所述既有站点的历史进出站量数据，对所述M类站点中的每类站点进行评估；

根据评估结果，获取各类站点的站点属性参照表，以及站点属性和进出站量之间的关系模型。

7.如权利要求6所述的预测方法，其特征在于，所述基于所述既有站点的历史进出站量数据，对所述M类站点中的每类站点进行评估，具体包括：

基于所述既有站点的历史进出站量数据，通过所述k-means聚类获取每类站点的聚类中心曲线，获取每类站点的聚类中心曲线中的四个波峰值，所述四个波峰值用于表征早晚高峰小时的进出站量；

若早晚高峰小时进站量分别为O_am、O_pm，出站量为D_am、D_pm，所述既有站点的最大进出站量为N_max，则办公区类站点、住宅区类站点、住宅办公区类站点和郊区类站点的办公指数为均以及住宅指数均为

若枢纽区类站点中最大客流类别的早晚高峰进出站量之和为N_j，则枢纽区类站点的枢纽指数为

若购物类站点中最大客流类别的早晚高峰进出站量之和为N_j，则购物类站点的购物指数为

若旅游类站点中最大客流类别的早晚高峰进出站量之和为N_j，则旅游类站点的旅游指数为

若火车站类站点中最大客流类别的早晚高峰进出站量之和为N_j，则火车站类站点的火车站指数为

8.如权利要求7所述的预测方法，其特征在于，所述基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量，具体包括：

对所述新线站点进行类别评估，从所述M类站点中确定与所述新线站点对应的一类站点；

根据与所述新线站点对应的一类站点和各类别的站点属性参照表，预测出所述新线站点的每小时进出站量，以及获取所述新线站点的站点属性；

获取对所述新线站点的现场调查参数，对所述新线站点的站点属性进行调整；

根据调整后的所述新线站点的站点属性和站点属性与进出站量之间的关系模型，预测出所述新线站点的每小时进出站量。