[发明专利]站点客流量预测方法、装置、可读存储介质及计算机设备

权利要求书

1.一种站点客流量预测方法，其特征在于，包括：

获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；

以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；

利用所述训练样本对预测模型进行训练，并利用训练好的预测模型对所述当前站点的客流量等级进行预测，所述客流量等级设置有多种，不同所述客流量等级对应不同的客流量取值范围。

2.如权利要求1所述的站点客流量预测方法，其特征在于，所述以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集的步骤之前还包括：

计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；

确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。

3.如权利要求1所述的站点客流量预测方法，其特征在于，所述获取历史时间段内当前站点每一测量时刻的客流特征的步骤包括：

获取历史时间段内当前站点每一测量时刻的摄像图像，并对所述摄像图像进行识别以确定所述当前站点的人数，以得到各个所述测量时刻的客流量。

4.如权利要求1所述的站点客流量预测方法，其特征在于，所述利用所述训练样本对预测模型进行训练的步骤包括：

利用变分自编码器和长短期记忆网络模型构建预测模型；

将所述训练样本作为所述变分自编码器的输入，并对所述预测模型中的变分自编码器进行训练；

提取所述变分自编码器中间层的隐变量特征，并作为所述长短期记忆网络模型的输入，并将客流量等级作为所述长短期记忆网络模型的输出，对所述长短期记忆网络模型进行训练。

5.如权利要求1所述的站点客流量预测方法，其特征在于，所述利用训练好的预测模型对所述当前站点的客流量等级进行预测的步骤之后还包括：

将所述预测模型预测的所述当前站点的客流量等级发送至移动终端，以使所述移动终端显示所述当前站点的客流量等级。

6.如权利要求1所述的站点客流量预测方法，其特征在于，所述天气特征包括天气类型、温度、降水概率、风向风速等级和空气质量中的至少一种。

7.一种站点客流量预测装置，其特征在于，包括：

特征信息获取模块，用于获取历史时间段内当前站点每一测量时刻的客流特征和关联特征，所述客流特征包括客流量和对应的时间，所述关联特征包括天气特征、节假日特征、星期名称和特殊事件标志、周边地块开发投产状况、地面交通管制状况和交通一体化实施程度，所述节假日特征为距离节假日的天数，所述特殊事件标志用于标识所述当前站点沿线以及轨道交通自身发生的特殊事件；

训练样本获取模块，用于以预设尺寸的滑动窗口对所述历史时间段内的客流特征进行截取得到每个滑动窗口下的客流特征子集，并将每个所述滑动窗口下的客流特征子集和所述滑动窗口下一测量时刻的所述关联特征作为训练样本；

训练模块，用于利用所述训练样本对预测模型进行训练；

预测模块，用于利用训练好的预测模型对所述当前站点的客流量等级进行预测。

8.如权利要求7所述的站点客流量预测装置，其特征在于，还包括：

计算模块，用于计算所述历史时间段内当前测量时刻之前的客流特征与所述当前测量时刻的客流特征之间的皮尔逊相关系数，以得到每一测量时刻的皮尔逊相关系数；

确定模块，用于确定与当前测量时刻皮尔逊相关系数大于阈值的历史测量时刻的数量，并根据所述数量确定所述滑动窗口的尺寸。