[发明专利]一种智能车站客流状况预测方法和系统

说明书

本发明公开一种智能车站客流状况预测方法和系统，方法包括步骤：S1：对高铁站客流数据进行采集；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，训练FOA‑Elman神经网络，所述FOA‑Elman神经网络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。本发明对预测的客流量进行了客流状况进行评估，以便高铁站管理部门能够提前了解客流状况，拟定客流疏导方案，合理调度人员。

技术领域

本发明涉及智能交通领域，更具体地，涉及一种智能车站客流状况预测方法和系统。

背景技术

随着铁路运输和国民经济的发展，人们的出行需求日益增长，越来越多的居民选择搭乘动车、高铁出行。而高铁站作为人员密集场所，尽管车站在设计初期已经考虑其最大承载客流量，但在运营过程中，仍可能面临高峰客流、突发性大客流等情况。当出现大客流现象时，铁路部门有必要及时了解产生突发客流的原因、规模及其持续的时间等，作出相应的措施疏导人群，防止发生拥挤踩踏事件。目前，高铁站点应对大客流仍较为被动，不能提前准确对客流状况进行预测，并根据客流规模制定合理有效的客流疏导方案。

Spark是近年来流行的分布式计算框架，由加州大学伯克利分校AMP实验室所开发作为下一代的大数据处理引擎，具备高效处理海量数据的能力，在业界广泛使用。Hive最初是由Facebook开发，后来由Apache软件基金会开发，能够将SQL语句转换成MapReduce任务运行，查询和分析方便，适合大数据场景下的统计分析。

Elman神经网络是一种带反馈的神经网络，它在BP神经网络的基础上增加了一层承接层作为一步延时的算子，因此Elman神经网络具有较好的动态记忆能力，适用于时间序列数据的预测问题。而客流量数据作为典型的时间序列数据，特别适合利用Elman神经网络进行预测。但是，Elman神经网络也存在收敛过程不稳定、收敛速度慢、预测精度有待提高等缺点，因此需要进一步地优化。中国台湾学者潘文超于2011年提出果蝇优化算法(FruitFly Optimization Algorithm， FOA)，是基于果蝇的觅食行为推演出全局最优的算法，具有编程简单、收敛稳定、运行速度快等显著特点。采用FOA算法对Elman网络的权值、阈值进行优化，能进一步提高模型的预测精度。目前，FOA-Elman神经网络在微网短期负荷预测、光伏电站短期出力预测等方面已经取得不错的效果。

发明内容

本发明的首要目的是提供一种智能车站客流状况预测方法，通过预测高铁站次日客流量，并结合高铁站实际情况，对客流量划分不同客流状况等级，以便高铁站管理部门提前制定客流疏导方案。

本发明的进一步目的是提供一种智能车站客流状况预测系统。

为解决上述技术问题，本发明的技术方案如下：

一种智能车站客流状况预测方法，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；之后，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；