[发明专利]客流预测方法、装置、计算机设备和存储介质

说明书

一种客流预测方法、装置、计算机设备和存储介质，所述方法包括：接收输入的预测时间段，获取预测时间段对应的目标特征变量；获取训练好的客流预测模型，客流预测模型是以历史时间段内包含的特征变量和历史时间段内的历史客流数据作为训练样本、用以计算输入的特征变量对应的客流量的时间递归神经网络模型；将目标特征变量输入客流预测模型中，在客流预测模型的输出端得到预测时间段内的预测客流量。通过此方法，能够拟合复杂的非线性和动态关系，实现预测结果的准确性更高的客流预测。

技术领域

本发明涉及计算机技术领域，具体地涉及一种客流预测方法、装置、计算机设备和存储介质。

背景技术

在对火车站等固定空间的客流预测中，通常采用传统的时间序列模型；如：自回归(AR：Auto-regressive)模型、移动平均(MA:Moving-Average)模型、自回归移动平均(ARIMA：Auto-Regressive Integrated Moving Average)模型等进行预测。其中，自回归模型是是用自身做回归变量的过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型，它是时间序列中的一种常见形式；移动平均模型是以移动平均法为思想训练得到的模型，移动平均法指的是根据时间序列资料、逐项推移，依次计算包含一定项数的序时平均值，以反映长期趋势的方法；自回归移动平均模型则是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。

上述模型在对客流进行预测时，仅考虑了时间序列的相关特征，未考虑其它因素的影响，如天气、节假日等，且在当要求客流数据满足线性分布或平稳定分布等要求较高的预测情况时，采取上述模型进行客流预测时，存在预测的精度不高、对样本数据拟合程度低等局限性。

发明内容

本发明解决的技术问题是如何能够拟合复杂的非线性和动态关系，实现预测结果的准确性更高的客流预测。

为解决上述技术问题，本发明实施例提供一种客流预测方法，包括：接收输入的预测时间段，获取所述预测时间段对应的目标特征变量；获取训练好的客流预测模型，所述客流预测模型是以历史时间段内包含的特征变量和所述历史时间段内的历史客流数据作为训练样本、用以计算输入的特征变量对应的客流量的时间递归神经网络模型；将所述目标特征变量输入所述客流预测模型中，在所述客流预测模型的输出端得到所述预测时间段内的预测客流量。

可选的，所述客流预测模型的生成方式，包括：获取若干个历史时间段内的历史客流数据，计算每个所述历史时间段内的历史客流量；收集每个所述历史时间段内的环境信息，对所述环境信息进行分析得到每个所述历史时间段内的样本特征变量；获取初始时间递归神经网络模型，将每个所述历史时间段内的样本特征变量和历史客流量作为一对训练样本输入所述初始时间递归神经网络模型进行模型训练，得到所述客流预测模型。

可选的，所述对所述环境信息进行分析得到每个所述历史时间段内的样本特征变量之后，还包括：获取预设归一化算法，按照所述预设归一化算法将所述样本特征变量进行归一化；所述获取所述预测时间段对应的目标特征变量之后，还包括：按照所述预设归一化算法将所述目标特征变量进行归一化；所述将所述目标特征变量输入所述客流预测模型中，包括：将归一化后的所述目标特征向量输入所述客流预测模型中；所述在所述客流预测模型的输出端得到所述预测时间段内的预测客流量之后，还包括：按照与所述预设归一算法对应的逆算法对所述预测客流量进行还原。

可选的，所述得到所述客流预测模型之后，还包括：获取验证时间段内的记录客流量；获取所述验证时间段内的验证特征变量；将所述验证特征变量输入所述客流预测模型中，在所述客流预测模型的输出端得到所述验证时间段内的验证客流量；计算所述记录客流量和所述验证客流量之间的差值，若所述差值大于预设值，则根据所述记录客流量更新所述客流预测模型。