[发明专利]一种基于机器学习的地铁短时客流预测方法

权利要求书

1.一种基于机器学习的地铁短时客流预测方法，其特征在于，包括以下步骤：

步骤一：获取待统计的地点区间内的所有地铁刷卡记录；

步骤二：根据步骤一的地铁刷卡记录，以乘客连续两次的进出站刷卡记录分别为一次出行的O和D，统计每日的乘客的出行OD，求出每日的地铁客流的OD分布；

步骤三：按照步骤二求出的OD分布，统计每日待统计的地点区间内所有地铁区间在单位时间窗内的客流；同时，由步骤一中的地铁刷卡记录直接统计得到每日地铁所有站点在单位时间窗内的客流；

步骤四：构建地铁客流网络G，以单位时间窗内的地铁站点客流为节点，以单位时间窗内的地铁区间客流为边的权重，建立地铁客流网络G；

步骤五：对于待统计的地点区间内的每一个目标地铁区间，以步骤四中所建立的地铁客流网络G中的所有节点和边作为其备选特征，取特征训练数据集D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)},x_i∈R^d,y∈R，矩阵X＝(x₁,x₂,…,x_n)^T表示训练集样本的x输入，x_i∈R^d，其中R表示实数，d表示维数，矩阵y＝(y₁,y₂,..,y_n)^T表示训练集样本的y输入，y_n与x_n对应，构成一个样本，n为样本数，利用递归特征消除算法作为特征选择方法，找出目标时间窗内对每一目标地铁区间影响最大的前K个特征；

步骤六：利用梯度提升回归树方法建立回归预测模型，将步骤五中挑选出的对目标区间影响最大的前K个特征，作为回归模型的输入，纳入后续的回归预测，此时输入的样本x_i的维数是K维，目标值列矩阵y＝(y₁,y₂,..,y_n)^T与特征选择方法中的目标值一致；

所述的步骤五中，所述的递归特征消除算法包括以下步骤：

步骤1：初始化：原始特征集合S＝{1,2,…,d}，特征排序集

步骤2：当S不为空时，执行步骤3，否则结束递归特征消除算法并输出特征排序集F；

步骤3：获取候选特征集合的训练样本即训练数据集：D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)},x_i∈R^d,d∈S,y∈R，作为输入；

步骤4：利用线性回归模型：y_i＝ω₀+ω₁x_i1+ω₂x_i2+…+ω_dx_id，得到每个特征的重要程度，即线性回归模型的系数ω_k,k＝1,2,…,d；

步骤5：找出排序准则分数最小的特征p＝arg min_kω_k，ω_k表示第k个特征的排序准则分数即重要程度，此时对应线性回归的中的权重系数，p表示当前排序准则分数最小的特征，arg min_kω_k表示整个函数取最小值时，自变量k的取值，即p；

步骤6：更新特征集F＝{p}∪F；

步骤7：在S中去除特征S＝S/p，返回步骤2。

2.根据权利要求1所述的一种基于机器学习的地铁短时客流预测方法，其特征在于，所述的步骤一中，地铁刷卡记录只选择所有包括完整出行OD的地铁刷卡记录。

3.根据权利要求1所述的一种基于机器学习的地铁短时客流预测方法，其特征在于，所述的步骤二中，以乘客的出行OD为最短路径出行OD。

4.根据权利要求1所述的一种基于机器学习的地铁短时客流预测方法，其特征在于，所述的步骤六中，所述的梯度提升回归树方法包括以下步骤：

步骤1：初始化估计一个使损失函数极小化的常数值，其中常数值c要使得的值最小，即c和y_i接近，此时f₀(x)是只有一个节点的树；

步骤2：迭代地建立M棵提升树，以训练数据集D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)},x∈R^K,y∈R作为输入，其中矩阵X＝(x₁,x₂,…,x_n)^T表示训练集样本的x输入，x_i∈R^K，其中维数为K维，列矩阵y＝(y₁,y₂,..,y_n)^T表示训练集样本的y输入，y_n与x_n对应，构成一个样本，n为样本数；计算损失函数的负梯度在当前模型的值其中i＝1,…,N，为求导符号，N为迭代次数，并将它作为残差的估计值；

步骤3：对于r_mi拟合一棵回归树，得到第m棵树的叶节点区域R_mj,j＝1,2,…,J，J为叶子节点个数；对每个叶子节点循环；

步骤4：利用线性搜索估计叶节点区域的值使损失函数极小化，更新其中R_mj表示第m棵树的叶节点区域；

步骤5：即为最终的模型。