[发明专利]基于深度学习和乘客行为模式的短期公交客流预测方法

权利要求书

1.一种基于深度学习和乘客行为模式的短期公交客流预测方法，其特征在于，所述方法包括以下步骤：

步骤1、对公交客流影响因素进行识别与特征提取：所述影响因素同时考虑外部因素和内部因素，选取出行时间、是否高峰时段、天气状况和工作日性质这4个指标作为影响公交客流的外部因素，并对其中的是否高峰时段、天气状况和工作日性质这3个离散型指标进行了量化，选取公交卡刷卡类型、乘客对公交线路依赖度和乘客出行行为模式这3个指标作为影响公交客流的内部因素，并分析影响公交客流内部因素和外部因素的相互作用机制及其对公交客流生成的影响，通过聚类对乘客类型进行划分；

步骤2、对公交客流数据结构进行重新构造，将输入样本细分小时客流x_t重新构造为细分小时客流矩阵X_t，使其能够适应CNN和ConvLSTM模型，充分利用卷积运算的特性和优势；

步骤3、以历史客流、影响公交客流的外部因素和内部因素作为输入数据，根据8种不同维度的数据输入方案，即考虑内部影响因素的7种组合数据输入方案和1种不考虑内部影响因素的数据输入方案，利用深度学习模型对公交客流进行预测，通过多次试验获取公交客流预测的平均相对误差和绝对误差。

2.根据权利要求1所述的一种基于深度学习和乘客行为模式的短期公交客流预测方法，其特征在于：所述公交卡刷卡类型能够通过原始刷卡数据获取，通过原始刷卡数据对公交卡刷卡类型进行分类。

3.根据权利要求1所述的一种基于深度学习和乘客行为模式的短期公交客流预测方法，其特征在于：所述乘客对公交线路依赖度通过统计乘客的周平均乘车次数和周乘车标准差，将乘客对公交线路依赖度进行分类。

4.根据权利要求1所述的一种基于深度学习和乘客行为模式的短期公交客流预测方法，其特征在于：所述乘客出行行为模式通过统计乘客刷卡类型和刷卡时间，将乘客出行行为模式进行分类。

5.根据权利要求1所述的一种基于深度学习和乘客行为模式的短期公交客流预测方法，其特征在于：所述深度学习模型为DNN、LSTM、CNN或ConvLSTM。

6.根据权利要求1所述的一种基于深度学习和乘客行为模式的短期公交客流预测方法，其特征在于：所述深度学习模型中每一输入样本x_t为包括历史客流、外部因素和内部因素这三大特征的列向量，在卷积神经网络模型中，以每小时的客流量为划分依据，将输入样本细分小时客流x_t重新构造为细分小时客流矩阵X_t，如下式所示：

对于细分小时客流矩阵X_t，列x_i表示第t时段内客流在第i个维度上的特征，m为时段客流的细分个数，n为客流特征个数。

7.根据权利要求1所述的一种基于深度学习和乘客行为模式的短期公交客流预测方法，其特征在于：通过改变深度学习模型中网络输出层的结构，能够对公交客流的组成成分进行预测，对于公交客流总量的预测模型，其输出层神经元个数为1；为了得到各类客流成分的预测结果，需要调整输出层神经元个数与客流成分类别数一致，重新进行训练实现。