[发明专利]一种基于时空特性的城市轨道交通客流状态预测方法

权利要求书

1.一种基于时空特性的城市轨道交通客流状态预测方法，其特征在于，包括如下步骤：

(1)获取AFC历史客流量作为输入数据，对城轨客流数据进行预处理操作，得到城轨线路OD分布概率矩阵和断面客流量；

(2)将城轨线网图进行节点连边信息提取得到线路邻接拓扑图，根据拓扑图得到节点邻接矩阵，结合城轨线网断面客流量作为图卷积神经网络GCN的输入，提取城轨线路客流数据空间特征；

(3)将GCN输出客流量作为长短期记忆网络LSTM的输入，构建基于时间和空间因素下的轨道交通OD客流预测模型，得到下个时间粒度的城轨线网客流量；

(4)根据预测得到的城轨线网客流量建立生存分析统计中的基于风险的持续时间全参数模型，挖掘预测客流数据接下来持续的时间分布规律；

(5)根据客流数据接下来持续的时间分布规律的预测结果和客流历史数据构建断面客流量时间序列，使用Fisher有序样本聚类算法，进行有序数据流的最优分割，形成城轨线网区间断面客流率的最佳分类；

(6)基于断面客流数据最优分割统计得到断面满载率，根据满载率阈值区间形成城轨线网客流状态序列，得到城轨线网的预测状态和持续时间。

2.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(1)中，所述预处理包括如下步骤：对客流数据离群点、异常点进行数据清理，再进行噪声去噪。

3.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于：步骤(1)中，所述城轨交通线网统计粒度为30-60分钟，通过OD分布概况矩阵表计算线网乘客上下车量，结合OD分布信息得出断面客流量。

4.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(2)中，构建图卷积神经网络GCN具体过程如下：

(a)在谱域中将线网转换为图模型，线路相互关系为连接，站点为边缘；

(b)进行光谱滤波、快速过滤、卷积运算和快速近似；

(c)经过全连接层反向学习调节参数，多次迭代输出预测值。

5.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于：步骤(2)中，使用图卷积神经网络GCN结构设计输入特征包含历史特征、时间特征、路段特征和流量特征，网络多项式参数为5层以上，添加Relu激活函数，使用交叉验证来正则化参数，构建多层图卷积神经网络。

6.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(3)中使用长短期记忆网络LSTM训练过程步骤如下：

(a)初始化所有神经元参数；

(b)前向计算得到LSTM神经元输出值；

(c)反向计算神经元误差值，进行反向迭代出权重参数梯度；

(d)用随机梯度下降法持续迭代更新参数至设定的误差范围。

7.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(4)中，使用基于风险的持续时间模型，通过Logistic生存分析分布函数对数据进行回归分析，以赤池信息量最小为准则进行评估，Logistic加速失效模型的风险函数和生存函数表达式为：

其中，为特征因素变量，为参数，γ表示基准函数的形状参数,根据上式得到最终预测状态的持续时间值，t为持续时间值。

8.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于：步骤(5)中，使用Fisher最优分割处理城轨客流数据的时间序列，将关联程度紧密的客流数据进归类统计，形成断面客流分类。

9.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(5)中，使用Fisher最优分割包括如下步骤：

(a)计算样本数据类直径矩阵，判断类内差异及相似度；

(b)最小分类损失函数，实现数据分割最优；

(c)引用动态递归优化，得到断面客流数据分类结果。

10.如权利要求1所述的基于时空特性的城市轨道交通客流状态预测方法，其特征在于，步骤(6)中，基于乘客满载率阈值区间将客流划分为六个交通流状态：特别拥挤、中度拥挤、轻微拥挤、基本通畅、通畅和完全通畅。