[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

说明书

本发明公开了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，包括以下步骤：1、对公交客流影响因素进行识别与特征提取；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；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。所述方法同时考虑公交客流的外部和内部因素，不仅可以预测公交客流总量，还可以预测公交客流组成结构。

技术领域

本发明涉及公交运营管理中的客流预测领域，具体涉及一种基于深度学习和乘客行为模式识别的短期公交客流预测方法。

背景技术

实现运力与运量相匹配是公交规划与调度的目标，而客流信息获取是公交运力投放和组织的前提，其准确性将很大程度影响调度决策的有效性。公交客流需求是社会经济活动的产物，它具有一定的规律性，同时又具有很大的复杂性。在现代信息环境下，客流影响因素可以通过多源数据获取，这对提升公交客流预测的准确性带来了机遇，也提出了挑战。根据预测时间的跨度，客流预测可分为长期客流预测和短期客流预测。根据预测方法的不同，目前公交客流预测方法主要分为三类：参数化模型、非参化模型和混合模型。参数化模型以代数方程、微分方程等描述模型内部结构参数，包括移动平均法、ARIMA、卡尔曼滤波和灰色理论等算法；非参化模型是通过实际系统的实验分析中得到结果，包括支持向量回归(SVR)、人工神经网络(ANN)等机器学习算法；混合模型则运用两个或两个以上模型有机组合实现预测。

近年来，随着计算机技术的发展，深度学习算法尤其是卷积神经网络(CNN)在多个领域得到了应用，如图像识别。深度学习的实质是通过构建多隐层的机器学习模型，利用海量的样本数据训练，学习更精准的特征，从而提高分类或预测的准确性，其非常适用于发现高维数据中的复杂结构和特征。将深度学习技术引入交通工程的应用在最近几年初见端倪，部分研究开始利用深度学习对交通流量进行预测。然而，目前鲜有深度学习在公交客流预测方面的研究。公交客流需求往往在时间上呈现一定周期性波动性，现实生活中影响公交客流的因素众多且复杂，如日期的工作日性质，学时性质，节假日，天气等外部因素，以及乘客类别的内部因素，而不同的因素之间又存在相关性。公交乘客作为一种高度复杂的群体，各类型乘客的出行行为对不同影响因素变动的响应模式是不一样的，城市居民的公交出行行为通常具有较强的规律性，但是乘客群体的组成结构、以及各类乘客的出行目的在各个时段内均有较大的变动，而不同乘客类型和具有不同出行目的乘客的出行模式具有很大的不同，这种出行模式主要体现为环境因素对出行行为的影响和出行行为的周期性。通过研究不同类型乘客的出行模式及其规律性，掌握不同类型公交乘客出行的环境因素影响，能帮助公交管理机构进行更加准确的出行需求预估。例如，通过实际数据发现通勤出行者数量对工作日节假日敏感，老人出行者数量对工作日节假日不敏感；通勤出行者、学生出行者和老年出行者高峰时段的客流特征也有所不同。因此，如果充分考虑影响因素与不同类别的出行者之间的影响关系，可以有效提高公交客流量预测的准确率。另外，识别出行规律明显的通勤群体，有助于设计灵活型公交、大站快车等特殊调度手段进行服务创新，从而提高公共交通吸引力，这对预测客流组成结构提出了新的需求。

然而，传统客流预测方法将时段客流量作为一个整体进行预测，因而不能反映不同类型乘客对各影响因素的响应模式。深度学习模型能够在数据的时序特征和内部结构特征等更多维度上建立联系，大大提高模型的复杂度与关联度，通过海量数据的学习，能够更深入、更有效的挖掘并捕获数据的复杂特征。因此，如果能在甄别乘客行为模式的基础上，通过构建客流特征矩阵建立客流影响因素与深度学习结构之间的关联，则有可能提高公交客流预测的精度和可靠性。