一種城市軌道交通客流高峰持續時間預測方法技術

本發明專利技術公開了一種城市軌道交通客流高峰持續時間預測方法，包括以下步驟：首先選擇足夠樣本量的歷史客流數據，然后對原始數據進行處理，處理過程包括流量統計、高峰時間計算、數據清洗、數據區間分類，接著建立關聯客流高峰事件屬性集，接著計算每一個區間的客流高峰事件的概率分布，再使用貝葉斯分類的方法確定屬性分類界限，最后對每一類客流高峰事件建立時間序列模型，并對方法的有效性進行檢驗。本發明專利技術可用于預測城市軌道交通常發和突發的客流高峰事件的持續時間，為軌道交通企業的客流高峰管理提供數據支持，能緩解通行能力浪費和服務水平降低的矛盾，跟隨軌道交通客流的變化。

【技術實現步驟摘要】
一種城市軌道交通客流高峰持續時間預測方法
本專利技術涉及一種城市軌道交通客流高峰持續時間預測方法，屬于城市軌道交通智能化技術。
技術介紹
隨著我國各大中城市新線的不斷建成和投入使用、軌道網絡的逐漸形成，城市軌道交通在城市發展和人民日常工作生活中發揮著越來越重要的作用，城市公共交通的軌道化程度已成為一個城市現代化的重要標志之一。而我國的城市軌道交通事業發展還處于初期，運營管理水平還比較低，尤其在軌道交通客流高峰事件管理方面還比較欠缺，主要依靠管理人員主觀經驗，缺少必要的理論支持，存在不能及時反應客流需求變化、通行能力浪費和服務水平低相矛盾的問題。目前，國內外在交通事件持續時間預測方面已經做了一定的研究，這些事件持續時間預測技術之間彼此差異較大，它們使用不同的數據源，不同的變量，不同的樣本大小和各種不相同的預測技術。這些預測方法包括：基于統計的預測方法，回歸分析，決策樹模型，模糊邏輯法，生存分析等。基于統計的方法是統計交通事件持續時間的均值、方差，將事件持續時間值作為隨機變量并分析是否滿足某一概率密度函數，擬合后可以做出基于概率的事件持續時間預測；回歸分析一般是提取交通事件的重要影響因素進行多元線性回歸或者多項式回歸；決策樹模型通過歷史交通事件持續時間及其影響因素數據的樣本進行大量的模式訓練，確定每種模式劃分以及每種模式下交通事件持續時間的最大、最小值、平均值及預測置信區間的上下限值；生存分析模型是用來描述關于從一個明確定義的時間原點直到某個特定事件發生的時間節點之間的時間的數據的分析方法，這種方法也經常用于預測交通事件的結束時間。但這些現有成果的研究對象主要是針對道路交通事件的持續時間，鮮有關于客流事件持續時間的研究。對于我國城市軌道交通而言，軌道線網建設還未成熟完善，客流模式還處于發展之中。由于城市人口密度大，選擇軌道交通出行的乘客迅速增加，高峰時段擁擠時有發生。因此，為合理的節省企業資源和提高運營的管理水平迫切需要一種簡單迅速、準確性高，同時又能跟隨軌道交通客流模式發展變化的城市軌道交通客流高峰持續時間預測方法。
技術實現思路
專利技術目的：為了克服現有技術中軌道交通運營對于客流高峰管理的不足，本專利技術提供一種城市軌道交通客流高峰持續時間預測方法，該方法使用貝葉斯分類方法對客流進行分類，并結合時間序列模型提高客流高峰持續時間預測的準確性。技術方案：為實現上述目的，本專利技術采用的技術方案為：一種城市軌道交通客流高峰持續時間預測方法，包括如下步驟：(1)客流統計：設定單位時間Δt，按單位時間Δt對時間進行分段；對歷史客流數據，統計各個單位時間段內的全線進站流量，將統計數據分為兩個集合，分別為訓練集和測試集；(2)高峰時間計算：對所有單位時間段內的全線進站流量的統計結果由低到高進行排序，取85％分位點的全線進站流量作為高峰閾值Qt；當連續5個單位時間段的全線進站流量高于Qt時，則確定首次全線進站流量高于Qt的單位時間段開始時刻出現客流高峰；在出現客流高峰后，若連續5個單位時間段內有兩個單位時間段的全線進站流量低于Qt時，則確定第二次全線進站流量低于Qt的單位時間段開始時刻退出客流高峰；客流高峰持續時間Td為出現客流高峰和退出客流高峰的差值，對所有訓練集和測試集計算客流高峰持續時間；(3)建立客流高峰事件屬性集：根據數據庫信息(包括客流數據、事故、施工、天氣等信息數據)，對客流高峰事件建立對應的屬性集；(4)訓練數據處理：對訓練集數據進行清洗，剔除明顯的孤立點；設定最小的客流高峰持續時間為TdMIN，最大的客流高峰持續時間為TdMAX，按一定的間隔寬度將[TdMIN,TdMAX]劃分為連續的區間[TdMIN,γ1)、[γ1,γ2)、…[γc-1,γc)，γc-1<TdMAX≤γc，按時間長度由短至長，對區間進行依次編號為1,2,…,c；將所有訓練集數據中客流高峰持續時間落在同一區間內的客流高峰事件歸為一類；(5)確定屬性分類界限：對每一類客流高峰事件分析屬性集的概率分布，建立客流高峰事件的損失函數，使用貝葉斯分類器方法確定屬性分類界限；(6)建立時間序列預測模型：對訓練集客流高峰事件按照步驟(5)所得的屬性分類界限進行重新分類；重新分類后，同一類客流高峰事件按發生的時間依次排序，對于每一類客流高峰事件建立時間序列預測模型；(7)預測方法檢驗：使用測試集數據對步驟(6)得到的時間序列預測模型進行檢驗：若未能通過檢驗，則回到步驟(4)重新設置區間的時間長度；若通過檢驗，則確定所建立的時間序列預測模型是有效的，可以用于實際軌道交通運營管理。具體的，所述步驟(1)中，歷史客流數據需要有足夠的樣本量，能夠反映盡量多的規律，減少樣本不足帶來的隨機誤差；一般訓練集數據應選擇一年或兩年的客流數據。具體的，所述步驟(3)中的屬性集，其元素以向量形式表示，每個客流高峰事件對應一個多維屬性向量，各屬性以數值形式表示，屬性包括平均線路全日進站客流量、線路站點數量、季節、是否工作日、是否節假日、天氣、是否施工、有無大型活動、是否發生事故等。具體的，所述步驟(5)中，貝葉斯分類器采用基于最小風險的貝葉斯決策方法，根據各城市不同的要求確定損失函數的參數，從而平衡企業資源的浪費和服務質量的下降。更為具體的，所述步驟(5)中，對于某一客流高峰事件，設對其做決策所屬的區間編號為i，其實際所屬的區間編號為j，i,j＝1,2,…,c，損失函數分為兩段：當i≥j時，損失主要來源于多余運能、管理、人員調度的造成的直接浪費，呈線性關系；當i<j時，站臺擁擠度增加，損失主要來源與服務質量的下降，呈指數增加。具體的，所述步驟(6)中，時間序列預測模型是在貝葉斯分類的基礎上對每一類事件建立單獨的預測模型，將分類預測和趨勢預測相結合，以挖掘客流模式的發展趨勢。具體的，所述步驟(7)中，檢驗采用平均絕對百分比誤差(MAPE)法，當測試集數據實際值與預測值的平均絕對百分比誤差值在允許的范圍內時(如<30％)，則認為方法是可行的。有益效果：本專利技術提供的城市軌道交通客流高峰持續時間預測方法，其優點在于：通過分類的方法進行預測，使用過程簡單快捷，能實時迅速的得到預測結果為客流高峰管理提供決策支持；通過選擇合適的損失函數參數可以有效的平衡企業經濟效益和企業社會形象；在貝葉斯分類的基礎上結合時間序列模型可以使預測結果更好的符合當地軌道交通客流模式的發展趨勢，進一步提高預測的精確度。附圖說明圖1為本專利技術的方法操作流程示意圖；圖2為本專利技術的建模及模型訓練步驟示意圖。具體實施方式下面結合附圖對本專利技術作更進一步的說明。如圖1所示為一種城市軌道交通客流高峰持續時間預測方法，下面結合實施例對本專利技術做出進一步的說明。Step1、客流統計設定單位時間Δt＝1min，按單位時間Δt對時間進行分段；選取一條線路連續兩年的歷史客流數據，統計各個單位時間段內的全線進站流量，將統計數據分為兩個集合，第一年的數據作為訓練集，第二年的數據作為測試集。Step2、高峰時間計算對所有單位時間段內的全線進站流量的統計結果由低到高進行排序，取85％分位點的全線進站流量作為高峰閾值Qt；當連續5個單位時間段(即連續5min)的全線進站流量高于Qt時，則確定首次全線進站流量高于Qt的單位時間段開始時本文檔來自技高網...

【技術保護點】
一種城市軌道交通客流高峰持續時間預測方法，其特征在于：包括如下步驟：(1)客流統計：設定單位時間Δt，按單位時間Δt對時間進行分段；對歷史客流數據，統計各個單位時間段內的全線進站流量，將統計數據分為兩個集合，分別為訓練集和測試集；(2)高峰時間計算：對所有單位時間段內的全線進站流量的統計結果由低到高進行排序，取85％分位點的全線進站流量作為高峰閾值Qt；當連續5個單位時間段的全線進站流量高于Qt時，則確定首次全線進站流量高于Qt的單位時間段開始時刻出現客流高峰；在出現客流高峰后，若連續5個單位時間段內有兩個單位時間段的全線進站流量低于Qt時，則確定第二次全線進站流量低于Qt的單位時間段開始時刻退出客流高峰；客流高峰持續時間Td為出現客流高峰和退出客流高峰的差值，對所有訓練集和測試集計算客流高峰持續時間；(3)建立客流高峰事件屬性集：根據數據庫信息，對客流高峰事件建立對應的屬性集；(4)訓練數據處理：對訓練集數據進行清洗，剔除明顯的孤立點；設定最小的客流高峰持續時間為TdMIN，最大的客流高峰持續時間為TdMAX，按一定的間隔寬度將[TdMIN,TdMAX]劃分為連續的區間[TdMIN,γ1)、[γ1,γ2)、…[γc?1,γc)，γc?1<TdMAX≤γc，按時間長度由短至長，對區間進行依次編號為1,2,…,c；將所有訓練集數據中客流高峰持續時間落在同一區間內的客流高峰事件歸為一類；(5)確定屬性分類界限：對每一類客流高峰事件分析屬性集的概率分布，建立客流高峰事件的損失函數，使用貝葉斯分類器方法確定屬性分類界限；(6)建立時間序列預測模型：對訓練集客流高峰事件按照步驟(5)所得的屬性分類界限進行重新分類；重新分類后，同一類客流高峰事件按發生的時間依次排序，對于每一類客流高峰事件建立時間序列預測模型；(7)預測方法檢驗：使用測試集數據對步驟(6)得到的時間序列預測模型進行檢驗：若未能通過檢驗，則回到步驟(4)重新設置區間的時間長度；若通過檢驗，則確定所建立的時間序列預測模型是有效的。...

【技術特征摘要】
1.一種城市軌道交通客流高峰持續時間預測方法，其特征在于：包括如下步驟：(1)客流統計：設定單位時間Δt，按單位時間Δt對時間進行分段；對歷史客流數據，統計各個單位時間段內的全線進站流量，將統計數據分為兩個集合，分別為訓練集和測試集；(2)高峰時間計算：對所有單位時間段內的全線進站流量的統計結果由低到高進行排序，取85％分位點的全線進站流量作為高峰閾值Qt；當連續5個單位時間段的全線進站流量高于Qt時，則確定首次全線進站流量高于Qt的單位時間段開始時刻出現客流高峰；在出現客流高峰后，若連續5個單位時間段內有兩個單位時間段的全線進站流量低于Qt時，則確定第二次全線進站流量低于Qt的單位時間段開始時刻退出客流高峰；客流高峰持續時間Td為出現客流高峰和退出客流高峰的差值，對所有訓練集和測試集計算客流高峰持續時間；(3)建立客流高峰事件屬性集：根據數據庫信息，對客流高峰事件建立對應的屬性集；(4)訓練數據處理：對訓練集數據進行清洗，剔除明顯的孤立點；設定最小的客流高峰持續時間為TdMIN，最大的客流高峰持續時間為TdMAX，按一定的間隔寬度將[TdMIN,TdMAX]劃分為連續的區間[TdMIN,γ1)、[γ1,γ2)、…[γc-1,γc]，γc-1＜TdMAX≤γc，按時間長度由短至長，對區間進行依次編號為1,2,…,c；將所有訓練集數據中客流高峰持續時間落在同一區間內的客流高峰事件歸為一類；(5)確定屬性分類界限：對每一類客流高峰事件分析屬性集的概率分布，建立客流高峰事件的損失函數，使...

【專利技術屬性】
技術研發人員：張寧，石莊彬，何鐵軍，
申請(專利權)人：東南大學，
類型：發明
國別省市：江蘇;32