[发明专利]一种基于轨道交通实时客流的预测方法及预测系统

权利要求书

1.一种基于轨道交通实时客流的预测方法，其特征在于，所述预测方法包括：

从轨道交通历史数据库中获取旬、周、日、小时的四个不同时段的历史客流数据；

对所述四个不同时段的历史客流数据进行预处理，获得时间序列集；

根据所述时间序列集建立旬时间模型、周时间模型、日时间模型、小时时间模型；

分别采用所述旬时间模型、所述周时间模型、所述日时间模型、所述小时时间模型进行客流量预测，分别获得第一预测数据集、第二预测数据集、第三预测数据集和第四预测数据集；

采用交互式多模型滤波算法，根据所述第一预测数据集、所述第二预测数据集、所述第三预测数据集和所述第四预测数据集确定客流量预测模型；

根据所述客流量预测模型对轨道交通实时客流量进行预测。

2.根据权利要求1所述的预测方法，其特征在于，所述对所述四个不同时段的历史客流数据进行预处理，获得时间序列集；具体包括：

对所述四个不同时段的历史客流数据进行归一化处理，获得归一化数据集；

对所述归一化数据进行时间聚合处理，获得时间序列集；所述时间序列集包括：旬时间序列、周时间序列、日时间序列和小时时间序列。

3.根据权利要求2所述的预测方法，其特征在于，根据所述时间序列集建立旬时间模型、周时间模型、日时间模型、小时时间模型，具体包括：

根据所述旬时间序列建立旬时间模型；

根据所述周时间序列建立周时间模型；

根据所述日时间序列建立日时间模型；

根据所述小时时间序列建立小时时间模型。

4.根据权利要求3所述的预测方法，其特征在于，所述根据所述旬时间序列建立旬时间模型，具体公式为：

其中，t为第t时刻，y_d为轨道交通的旬时间序列；a_d为旬时间序列对应的白噪声序列；分别为旬时间序列对应的自回归参数，θ_d1、θ_d2、θ_d3分别为旬时间序列对应的滑动平均参数。

5.根据权利要求3所述的预测方法，其特征在于，所述根据所述周时间序列建立周时间模型，具体公式为：

其中，t为第t时刻，y_w为轨道交通的周时间序列；a_w为周时间序列对应的白噪声序列；分别为周时间序列对应的自回归参数，θ_w1、θ_w2为周时间序列对应的滑动平均参数。

6.根据权利要求3所述的预测方法，其特征在于，所述根据所述日时间序列建立日时间模型，具体公式为：

其中，t为第t时刻，y_k为轨道交通的日时间序列；a_k为日时间序列对应的白噪声序列；分别为日时间序列对应的自回归参数，θ_k1、θ_k2、θ_k3分别为日时间序列对应的滑动平均参数。

7.根据权利要求3所述的预测方法，其特征在于，所述根据所述小时时间序列建立小时时间模型，具体公式为：

其中，t为第t时刻，y_m为轨道交通的小时时间序列；a_m为小时时间序列对应的白噪声序列；分别为小时时间序列对应的自回归参数，θ_m0、θ_m1分别为GARCH模型的白噪声参数，ψ_m1为GARCH模型的方差参数，为第t时刻白噪声序列方差。