[发明专利]基于规则推荐算法的精准短时客流预测模型

说明书

本发明公开了一种基于规则推荐算法的精准短时客流预测模型，包括：数据采集模块，采集每个乘客的历史出行数据；乘客出行行为画像模块，建立乘客出行行为画像，通过乘客出行行为画像描述乘客的出行模式；规则引擎模块，通过规则列表对可能产生的出行模式进行筛选；乘客出行行为画像汇总模块，对所有具有历史记录的乘客重复采用数据采集模块、乘客出行行为画像模块以及规则引擎模块进行处理，完成所有乘客的出行行为画像；乘客OD轨迹预测模块，对乘客的OD轨迹进行预测；客流数据预测模块，按照时刻表的时刻利用乘客的预测OD轨迹计算站台客流分布数据和列车的断面客流分配数据。本发明精准性高,可计算性强,且可动态调整。

技术领域

本发明涉及轨道交通技术领域，具体涉及短时客流预测动态模型。

背景技术

客流是轨道交通线路运营过程中的关键基础数据，通过对客流特征的分析和客流规律的预测，为运营调度提供依据、支持和辅助决策，制定出更加合理的城市轨道交通运营方案，提高城市轨道交通服务质量，更好地服务市民的出行需要。

现阶段城轨交通客流预测一般分别对站点客流数据、断面客流数据和线网客流OD矩阵进行单独或整体预测，其中OD矩阵又是许多进行断面客流数据预测方法和技术的前提。

乘客OD数据是指乘客在某个时间段内，以乘客进站的站点为起点，以乘客出站的站点作为终点，起始点间的乘客轨迹。

目前求解动态OD矩阵估计的方法可分为两大类：参数优化法和统计法，前者以广义最小二乘法为基础建立模型，后者以卡尔曼滤波模型为代表。

现有技术存在如下缺陷：

1.现有方法的研究目前主要是基于道路交通流量的研究，与轨道交通的采集数据方式不同，是否适用于轨道交通OD数据的估计有待进一步的验证。

2.由于线网客流OD矩阵是表示线网中所有出行起点(Origin)与终点(Destination)之间所有时间范围内出行交换数量的矩阵，数据量庞大，现有预测方法是根据历史数据对OD矩阵进行预测，计算量巨大，无法利用短时预测方法进行预测结果。

3.OD矩阵作为一个整体行为的表征来进行预测，很难表述乘客的个体特征，在预测精度上也不能做到精确预测。

发明内容

针对现有技术存在的缺陷，本发明所要解决的技术问题就是提供一种基于规则推荐算法的精准短时客流预测模型，可计算性强，可动态调整，实现精确预测。

为解决上述技术问题，本发明采用如下技术方案：基于规则推荐算法的精准短时客流预测模型，包括：

数据采集模块，用于采集每个乘客的历史出行数据；

乘客出行行为画像模块，根据数据采集模块采集的数据建立乘客出行行为画像，通过乘客出行行为画像描述乘客的出行模式；

规则引擎模块，通过规则列表对可能产生的出行模式进行筛选，剔除不可能发生的出行模式；

乘客出行行为画像汇总模块，对所有具有历史记录的乘客重复采用数据采集模块、乘客出行行为画像模块以及规则引擎模块进行处理，完成所有乘客的出行行为画像；

乘客OD轨迹预测模块，对乘客的OD轨迹进行预测；

客流数据预测模块，按照时刻表的时刻利用乘客的预测OD轨迹计算站台客流分布数据和列车的断面客流分配数据。

优选的，所述数据采集模块包括自动售检票系统和历史时刻表存储模块，所述自动售检票系统用于采集AFC交易数据并进行存储，形成AFC历史数据，所述历史时刻表存储模块存储有历史时刻表。