[发明专利]一种OD客流预测方法、装置、设备及可读存储介质

说明书

本发明涉及轨道交通技术领域，涉及一种OD客流预测方法、装置、设备及可读存储介质，包括：根据ODFL值筛选出稀疏OD对的集合；挖掘和过滤稀疏OD对的若干属性特征，并对所述属性特征进行降维，得到各稀疏OD对的低维属性特征；将所述邻近客流模式特征、日客流模式特征、周客流模式特征、时序特征及低维属性特征拼接得到多维目标输入属性；利用所述目标输入属性构造训练集和测试集，将待预测时段的多维目标输入属性输入模型进行预测，输出所述待预测时段的OD客流。本发明用于有效提高OD客流预测精度，而且能够适应于大规模路网OD预测，且预测方法真实可靠，计算效率高，具有很好的通用性。

技术领域

本发明涉及轨道交通技术领域，具体而言，涉及一种OD客流预测方法、装置、设备及可读存储介质。

背景技术

城市轨道交通OD短期客流预测是指基于历史OD客流数据，采用一定的技术方法对未来一定时期内OD客流状态进行推演，为城市轨道交通开行方案和运行图编制与调整提供基础客流数据支撑，预测周期通常为一周至一个月。

现有技术方法通过挖掘客流序列的时序规律、空间关联性等与客流相关的特征实现预测。目前针对城市轨道交通OD客流预测的研究仍存在忽略稀疏OD客流的问题，具体体现在：

(1)现有的城市轨道交通OD客流预测模型多针对小规模路网，且对于不同客流量级的OD对采用的是同一个预测模型，而过大或者过小的客流在不同预测模型下的精度存在很大差异，单一预测模型很难完全挖掘大规模路网不同客流量等级OD对的客流分布特性。

(2)在大规模路网中，小客流OD对占比超80％，且由于小客流 OD的存在，OD客流矩阵呈现明显的稀疏性(导致客流OD矩阵呈现稀疏性的这部分客流称为稀疏OD客流)，经验证，客流矩阵稀疏性越强，客流预测难度越高。然而大多数OD客流预测模型重点集中在提高较大客流OD对的预测精度，忽视了稀疏OD客流的存在对预测精度的影响。

(3)客流预测模型多以路网各OD对平均预测精度作为客流预测精度的评估标准，而缺乏对不同客流量级OD对预测精度的分析，导致忽视了稀疏OD客流预测精度提升空间远大于较大客流OD对客流预测精度提升空间的事实。

发明内容

本发明的目的在于提供一种OD客流预测方法、装置、设备及可读存储介质，以改善上述问题。

为了实现上述目的，本申请实施例提供了如下技术方案：

一种OD客流预测方法，包括：

基于历史OD客流数据计算若干OD对的ODFL值,根据ODFL值筛选出稀疏OD对的集合；

挖掘和过滤稀疏OD对的若干属性特征，并对所述属性特征进行降维，得到各稀疏OD对的低维属性特征；

获取稀疏OD对的预测时段的邻近客流模式特征、日客流模式特征及周客流模式特征和时序特征，将所述邻近客流模式特征、日客流模式特征、周客流模式特征、时序特征及低维属性特征拼接得到多维目标输入属性；

利用所述目标输入属性构造训练集和测试集，利用所述训练集拟合模型，利用所述测试集测试模型泛化性能；

将待预测时段的多维目标输入属性输入模型进行预测，输出所述待预测时段的OD客流。

进一步的，所述基于历史OD客流数据计算若干OD对的ODFL值, 根据ODFL值筛选出稀疏OD对的集合，包括：

令表示第i个OD对第k时段客流值，y_i为第i个OD对的ODFL值，则

设ODFL的阈值为q,当y_i≤q时，所述OD对为稀疏OD对；

将所有的稀疏OD对组成集合A。