[发明专利]一种智能车站客流状况预测方法和系统

权利要求书

1.一种智能车站客流状况预测方法，其特征在于，包括以下步骤：

S1：数据采集模块对高铁站客流数据进行采集，通过高铁检票进站的方式采集记录旅客进站数据，通过检票出站的方式采集记录旅客出站数据，得到原始客流数据，数据采集模块将采集到的原始客流数据发送至大数据平台进行处理；

S2：大数据平台对原始客流数据预处理，按天统计高铁站的客流量后保存至数据库；

S3：从数据库中获取高铁站历史的客流量数据，生成对应的时间序列，将相邻L天的高铁站客流量作为一组训练样本，训练FOA-Elman神经网络，所述FOA-Elman神经网络的输入为相邻L天的高铁站客流量，输出为下一天的客流量预测结果；利用训练完毕的模型预测出次日客流量，并将结果保存至数据库；

S4：根据预测出的次日客流量及高铁站的管理部门设定的最大承载客流量、不同客流状况等级的临界阀值，对次日客流状况进行定级，评估出客流的拥挤程度。

2.根据权利要求1所述的智能车站客流状况预测方法，其特征在于，步骤S1中数据采集模块通过MQTT传输协议发送原始客流数据。

3.根据权利要求2所述的智能车站客流状况预测方法，其特征在于，所述大数据平台采用Spark和Hive大数据技术构建，步骤S2中对原始客流数据处理的具体步骤包括：

使用Spark分布式计算框架对MQTT协议传输的原始客流数据进行数据清洗，规整后存入Hive中，同时，采用Hive统计出高铁站每天的客流量，并将结果存入数据库中。

4.根据权利要求1所述的智能车站客流状况预测方法，其特征在于，步骤S3中L为3。

5.根据权利要求4所述的智能车站客流状况预测方法，其特征在于，步骤S3具体包括以下步骤：

S3.1：从数据库中读取客流量数据，生成对应的时间序列，将相邻3天的高铁站客流量作为一组训练样本，神经网络的输入是前3天的客流量，神经网络的输出则是下一天的客流量预测结果；

S3.2：对训练样本的输入输出数据进行归一化，计算公式如下所示：

其中x′_i为经过归一化后的数据，x_i为原始数据，x_max为原始数据的最大值，x_min为原始数据的最小值，l为训练样本数；

S3.3：确定Elman神经网络结构，初始化网络的权值和阈值；

S3.4：利用FOA算法优化Elman网络参数的权值和阈值，需要优化的参数共有k个，即在FOA算法优化Elman网络过程中，每只果蝇个体的维度为k，其计算公式如下所示：

k＝r×m+r×r+n×r+r+n

其中，m为网络输入层节点数，r为网络隐含层节点数，n为网络输出层节点数。

S3.5：训练完成后将得到的FOA-Elman模型的参数存入到数据库当中；

S3.6：采用训练完毕的FOA-Elman模型预测高铁站次日客流量。