[发明专利]一种地铁客流量预测方法

说明书

本发明涉及交通预测领域，更具体的，涉及一种地铁客流量预测方法。本发明基于门控循环单元GRU模型来对地铁人流量数据进行预测；然后通过随机搜索及贝叶斯优化方法，实现网络模型超参数自动调整，尽量逼近最佳参数，获得准确的人流量预测信息，本发明主要在软件平台实现，不需要高成本的投资建设费用，不需要耗费大量的人力。本发明适用于大规模城域网中的人流量的预测。本发明可为地铁当局提供参考，有效地将有限的资源分配给过度拥挤的区域，改善地铁的服务。

技术领域

本发明涉及交通预测领域，更具体地，涉及一种地铁客流量预测方法。

背景技术

地铁出行是一种高效且安全系数高的一种出行方式，是人们出行首选的交通方式之一。但随着客流量的增大，许多问题也体现了出来，在每日的早晚高峰以及节假日期间，许多地铁站点人满为患，地铁站点特别是换乘站点承受着十分大的压力，因此，如何对地铁班次进行合理的调度，成为公共交通运输的一个主要问题。在这个问题里，预测地铁站的人流量处于一个十分重要的地位，若能根据预测出来的地铁站人流量进行地铁班次合理的调度，那将使得公共交通变得更加的舒适以及安全。

大数据对公共交通有着十分重大的作用，现实世界中大数据的快速增长为研究人流量预测问题提供了一个很好的平台。近几年，大数据分析技术也在交通运输领域应用开来。而目前的大数据分析技术需要高成本的投资建设费用以及耗费大量的人力，并且预测效果差强人意，从而导致大数据的分析难以在日常生活中推广开来。

发明内容

为了解决现有技术中大数据分析技术需要高成本的投资建设费用以及耗费大量的人力，预测效果差的不足，本发明提供了一种地铁客流量预测方法。

为解决上述技术问题，本发明的技术方案如下：

一种地铁客流量预测方法，包括以下步骤：

步骤S1：获取地铁客流数据，对地铁客流数据进行特征分析，得到影响地铁客流数据的影响因素；

步骤S2：对影响因素进行数字化处理，得到影响因素数据；

步骤S3：基于影响因素数据得到最终的地铁客流数据，将最终的地铁客流数据划分为训练数据集、测试集以及验证集；

步骤S4：基于门控循环单元GRU构建自动调优循环神经网络；

步骤S5：将训练数据集输入到自动调优循环神经网络中对自动调优循环神经网络进行训练，得到训练好的自动调优循环神经网络；

步骤S6：将测试集输入到训练好的自动调优循环神经网络中，得到地铁客流数据的预测结果；

步骤S7：使用随机搜索及贝叶斯优化方法，对训练好的自动调优循环神经网络进行优化，得到优化后的自动调优循环神经网络；

步骤S8：通过均方根误差公式以及平均绝对百分比误差公式对优化后的自动调优循环神经网络进行评价，并使用验证集验证优化后的自动调优循环神经网络的准确性。

优选的，在步骤S1中，经过特征性分析，造成地铁客流量波动的影响因素包括：工作日带来的固定上下班客流、非工作日出游客流、节假日带来的工作日调整以及归乡返程客流、天气因素导致出行方式的改变所带来的客流。

优选的，在步骤S2中，对影响因素进行数字化处理的具体步骤如下：节假日的取值范围为0-1，其中，0代表非节假日，1代表节假日；星期的取值范围为1-7，其中1-7分别代表星期一到星期天；小时的取值范围为0-23，分别代表一天中的24小时；天气的取值范围为0-1，其中0代表不下雨，1为代表下雨；客流量平均值的取值范围为0-20000，代表每小时平均客流量，最终将所有影响因素数据拼接组合在一起，得到最终的输入数据，该输入数据的位数是变长的，并且随着小时数增加而增加，所增加的数据为下一小时的实时客流量。

优选的，将影响因素数据拼接的具体过程如下：