[发明专利]基于AFC数据的城市轨道交通实时客流预测方法及系统

权利要求书

1.一种基于AFC数据的城市轨道交通实时客流预测方法，其特征在于，包括：

对AFC实时客流数据传输流程及数据质量进行分析，建立AFC实时客流数据异常判断及校正机制；

获取各站点的AFC实时客流数据，并根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常，若是，则对所述AFC实时客流数据进行校正；

根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量，预测未来一定运营时段内各站点的进站量。

2.根据权利要求1所述的方法，其特征在于，所述根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常，若是，则对所述AFC实时客流数据进行校正包括：

对获取到的AFC实时客流数据进行阈值判断，当所述AFC实时客流数据在设定的阈值范围之内，则判断所述AFC实时客流数据正常；

当所述AFC实时客流数据不在设定的阈值范围之内且在一定的特殊情况下时，则判定所述AFC实时客流数据正常，所述特殊情况包括：大型活动或者突发事件；

当所述AFC实时客流数据不在设定的阈值范围之内且无特殊情况下时，则判定所述AFC实时客流数据异常，并调用修正过的所述异常AFC实时客流数据对应的站点的历史同期、同运营时段的进站量替换该异常AFC实时客流数据。

3.根据权利要求2所述的方法，其特征在于，所述设定的阈值范围包括：对各个站点、不同时期、不同运营时段分别设定AFC实时客流数据的阈值范围，所述不同时期包括：工作日、双休日、节日及大型活动日；

所述设定AFC实时客流数据的阈值范围包括：

第一步：选取客流月之前的一定月数内的同站点、同时期、同运营时段的进站客流样本数据，确定样本均值以及样本标准差s；

第二步：确定样本标准差与样本均值的比值将所述比值与设定的临界值方程f(x)比较，当时认为阈值范围过大，则进入第三步；否则设定阈值上限为：阈值下限为：完成阈值设定；

第三步：对第二步判断的阈值过大的样本进行样本坏值判断，剔除相应的坏值，坏值剔除后重新确定比值当重新确定的比值时认为阈值范围依然过大，进入第四步，否则设定阈值上限为：阈值下限为：其中，所述为剔除坏值后的样本均值所述s为剔除坏值后的样本标准差s，完成阈值设定；

第四步：对于第三步判断的阈值范围依然过大的站点，采用剔除坏值后的样本中最大进站量x_max和最小进站量x_min来确定阈值范围，阈值上下限分别设定为1.1x_max和0.9x_min；

第五步：对阈值的下限进行判断，将小于0的阈值下限均修改为0。

4.根据权利要求1所述的方法，其特征在于，所述根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量，预测未来一定运营时段内各站点的进站量之后包括：

根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测，所述时间粒度包括：1min、5min、15min和60min。

5.根据权利要求4所述的方法，其特征在于，根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测包括：

根据轨道交通的客流进站量分布规律，通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量。

6.根据权利要求5所述的方法，其特征在于，所述根据轨道交通的客流进站量分布规律，通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量之后包括：

基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配；

所述基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配包括：

基于预测的每1min时间粒度下的OD分布量、路径集数据及上个运营时段的轨道交通路网客流分布状态，按照logit模型确定每条路径能分配到的客流比例，将所述OD分布量按照所述客流比例分配至各条路径上。