[发明专利]基于机器学习的城市轨道交通OD客流估计方法

说明书

本发明公开了一种基于机器学习的城市轨道交通OD客流估计方法，该方法从空间分布和时间分布两方面确定OD线网客流的关键因素和干扰因素，并进一步根据这两大因素将轨道交通客流数据中的干扰数据剔除，能够更加有效进行OD客流数据预测；进一步的，本发明构建基于FCN‑LSTM结构的城市轨道交通OD矩阵预测模型，在保证不降空间维度的情况下进行有效的客流预测，为轨道交通的运营管理及票务清分提支持。

技术领域

本发明涉及人工智能技术领域，更具体的，涉及基于机器学习的城市轨道交通OD客流估计方法。

背景技术

随着城市经济的快速增长引发交通出行量大幅增加，城市轨道交通网络的日益完善，客流过度饱和现象经常发生，尤其是工作日的早晚高峰时段，由此带来了巨大的安全隐患。OD估计是轨道交通系统运营管理与控制的重要基础，能否有效解决动态OD矩阵的实时估计问题，将对上层管理系统应用产生直接的影响。因此，如何准确预测城轨交通OD客流量，并据此制定科学的客运计划和组织方案，对于维护轨道交通的运营安全、提高运营效率、降低运营成本都具有重要价值，准确的交通需求预测，能够为分析新线接入后对既有路网的影响评价提供依据，进而分析既有路网运力运量匹配情况，发现换乘站设备设施配置、客运组织和工程建设等方面的薄弱环节，并及时提出整改建议。

轨道交通网络规模以及OD对数目均十分的庞大，常常包含数万OD对，一方面：保证模型的求解效率是满足客流需求实时估计的关键，最小二乘法、贝叶斯推论法、卡尔曼滤波法等既有方法模型难以满足实用的时效性需求，另一方面：国内外关于机器学习的算法研究有很多，机器学习在数据挖掘、搜索引擎、智能机器人、自然语言的处理、语音及手写的识别、生物特征的识别、医学诊断、证券市场等等方面都产生了比较广泛的应用，并且都有一定的借鉴意义，但是将机器学习理论或机器学习算法与城市轨道交通OD预估的研究很少见，有的也只是针对轨道交通某一线路来预估。本发明基于这一现状，利用机器学习进行轨道交通全线网OD客流预估。

客流分布模型作为交通需求预测中的一个重要步骤，有着重要的承上启下作用。能够为轨道交通客流分配提供数据基础，是决定交通需求预测准确与否的关键环节。结合现有数据，提出准确、实用、高效的城市轨道交通客流分布预测模型，为交通需求预测提供坚实的基础。

发明内容

为了解决上述存在的问题，本发明提出基于机器学习的城市轨道交通OD客流估计方法，该方法通过从空间和时间两方面进行全线网OD客流预测，克服了在大数据背景下全线网OD客流估计效率及准确率不足的问题，可以为轨道交通的运营管理及票务清分提供依据。

为达上述目的，本发明采用的技术方法是：基于机器学习的城市轨道交通OD客流估计方法，包括如下步骤：

S1，基于轨道交通OD客流的时间和空间特性，确定待预测数据的影响因素，其中包括对预测结果起关键作用和干扰作用的两大因素；

S2，从预测目标数据所属AFC系统中采集的原始客流数据，并根据两大影响因素对原始客流进行筛选预处理，建立客流数据集；

S3，将客流数据集中的数据按照一定时间间隔划分粒度，并转换为OD矩阵形式，构建OD客流数据集；

S4，根据OD客流数据集的数据特性以及OD客流的时间和空间特性，设计基于FCN-LSTM结构的城市轨道交通OD矩阵预测模型；

S5，将OD客流数据集以一定比例划分为训练数据集和预测数据集，训练数据集用以训练模型，而预测数据集用以进行最终预测；

S6，将训练数据集中的数据输入全卷积神经网络FCN中，提取全线网OD客流矩阵的所有特征点，并输出带有该特征点的全线网OD客流数据；

S7，将基于权利要求1所属的步骤S6中输出的带有全线网特征点的OD客流数据，输入到长短期记忆神经网络LSTM中以完成FCN-LSTM结构的城市轨道交通OD矩阵预测模型的训练；