[发明专利]客流预测方法、系统及计算机可读存储介质

说明书

本发明提供了客流预测方法、系统及计算机可读存储介质，其中客流预测方法，包括以下步骤：S1、获取轨道交通客流数据和影响因素数据并进行预处理，得到客流信息；S2、根据轨道交通客流关系构造轨道网络图、站点属性图和客流趋势图，得到图的结构信息；S3、构建基于深度学习的混合神经网络模型，将客流信息和图的结构信息输入，得到客流预测结果。本客流预测方法、系统及计算机可读存储介质，考虑了包括实时天气条件，工作日状态等多种影响因素，在对轨道交通客流进行短时预测时能获得更高的精准度；考虑了轨道交通客流存在的多种时间依赖关系，通过三个并行的网络模型分别对临近时间客流，短时客流，长期客流进行建模，具有更好的预测性能。

技术领域

本发明涉及客流预测技术领域，尤其涉及客流预测方法、系统及计算机可读存储介质。

背景技术

城市轨道交通凭借其运能大、经济高效、运行时间稳定等一系列优势，逐渐成为人们日常出行的最为重要的交通方式之一，城市居民提供了极大的便利。然而，随着城市化进程的快速推进，城市人口数量逐年增加，轨道交通客流压力不断增大，部分线路和车站经常发生客流拥堵，这些拥堵会对人们的日常出行产生不利的影响，甚至带来巨大的安全风险。因此，轨道交通客流的短时预测成为解决这一问题的重要方式。实时准确的客流预测信息不仅可以帮助乘客制定合适的出行计划，还可以帮助城市管理者进行调度资源，避免乘客拥挤，维护地铁系统的稳定运行。

然而，轨道交通短期客流预测是一项非常具有挑战性的任务。一方面，短时客流的不确定性强于日均客流，其客流变化受突发事件和气候因素等随机干扰因素的影响很大。另一方面，各个站点之间的客流也存在着复杂的时空关系，这使得建模变得困难。在过去的几十年里，人们提出了许多基于统计模型和机器学习算法的客流预测模型，如自回归综合移动平均(ARIMA)、支持向量机、卡尔曼滤波器等。这些模型虽然能一定程度上对客流进行预测，但是时效性较差，预测精度较低。主要原因在于它们大多只根据单个站点的客流中的时间依赖性进行建模，没有考虑到轨道交通网络中复杂的空间关系，忽略了站点与站点之间的客流相关性，通常也无法做到使用一个模型对所有地铁站点进行预测。

近年来发展火热的深度学习为解决这些问题提供了思路，循环神经网络中的长期短期记忆(LSTM)和门控递归单元(GRU)可以很好地捕捉序列任务中的时间依赖性，而卷积神经网络和图神经网络则被用来对轨道交通中的空间特征进行提取。其中，图卷积神经网络将地铁站点作为节点，站点之间的邻接关系作为边，有效地捕捉地铁站之间不规则时空依赖关系，提高了预测的准确性。然而，轨道交通的客流预测却不同于其他交通流量预测，地铁站间的距离相对较长，只通过轨道交通网络的拓扑关系可能无法提取出较强的空间依赖性。此外，虽然现有研究还存在一些缺陷，其忽略了外部影响因素对客流的影响，导致预测不够精准。

发明内容

有鉴于此，本发明要解决的技术问题是提供客流预测方法、系统及计算机可读存储介质，可以提高客流预测的精度。

本发明的技术方案是这样实现的：

一种客流预测方法，包括以下步骤：

S1、获取轨道交通客流数据和影响因素数据并进行预处理，得到客流信息；

S2、根据轨道交通客流关系构造轨道网络图、站点属性图和客流趋势图，得到图的结构信息；

S3、构建基于深度学习的混合神经网络模型，将客流信息和图的结构信息输入，得到客流预测结果。

优选的，所述客流数据包括邻近时间客流、短期客流和长期客流数据；

预处理包括：使用离差标准化对邻近时间客流、短期客流和长期客流进行处理，将客流值映射到[0-1]之间并作为模型的输入信息，表示为X_r，X_d和X_w。

优选的，所述影响因数数据包括：实时天气数据和工作节假日数据；