太阳城集团

  • / 17
  • 下载费用:30 金币  

一种轨道交通短期客流预测方法.pdf

摘要
申请专利号:

CN201611263060.8

申请日:

2016.12.30

公开号:

CN106779241A

公开日:

2017.05.31

当前法律状态:

实审

有效性:

审中

法律详情: 实质审查的生效IPC(主分类):G06Q 10/04申请日:20161230|||公开
IPC分类号: G06Q10/04(2012.01)I; G06Q50/30(2012.01)I 主分类号: G06Q10/04
申请人: 上海仪电物联技术股份有限公司
发明人: 林雪峰; 曹家玉; 陈佳
地址: 200120 上海市浦东新区郭守敬路498号浦东软件园A-154座
优先权:
专利代理机构: 上海申新律师事务所 31272 代理人: 俞涤炯
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201611263060.8

授权太阳城集团号:

|||

法律状态太阳城集团日:

2017.06.23|||2017.05.31

法律状态类型:

实质审查的生效|||公开

摘要

本发明涉及一种轨道交通短期客流预测方法,从客流趋势数据库中提取历史客流趋势数据;提取预测日的第一时段的第一客流趋势数据,提取预测日之前每一日中的第一时段的第二客流趋势数据;根据第一客流趋势数据和第二客流趋势数据建立一第一模型得到所在日数据;通过计算取得的历史客流参考日的第二时段的第三客流趋势数据得到预测日的第二时段的第四客流趋势数据。本发明的有益效果:无需进行费时费力的交通调查工作,能够立足于轨道交通AFC系统的历史客流数据,分析其短期客流的趋势,基于k??nearest??neighbor的方法进行基于短期客流趋势的预测,反复积累历史数据,不断自动修正模型,选取更优的参考日,达到更好的预测精度。

权利要求书

1.一种轨道交通短期客流预测方法,其特征在于,应用于轨道交通的短期客流量预测,
用于根据预测日的第一时段的第一客流趋势数据预测所述预测日的第二时段的短期预测
客流趋势数据,所述第一时段位于所述第二时段之前且所述第一时段与第二时段彼此在时
间上连续,所述第一时段的所述第一客流趋势数据存储于一客流量数据库,以及于所述客
流量数据库中存储所述预测日之前的历史客流趋势数据;所述客流预测方法包括:
步骤S1、从所述客流趋势数据库中提取历史客流趋势数据;
步骤S2、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的
所述第一客流趋势数据,以及从所述步骤S1中所述历史客流趋势数据中提取所述预测日之
前每一日中的所述第一时段的第二客流趋势数据;
步骤S3、根据所述步骤S2中获得的所述预测日的所述第一时段的所述第一客流趋势数
据和所述预测日之前每一日中的所述第一时段的所述第二客流趋势数据建立一第一模型,
根据所述第一模型计算取得所述预测日之前的历史客流参考日的所在日数据;
步骤S4、从所述步骤S1中所述历史客流趋势数据中提取所述步骤S3中计算取得的所述
历史客流参考日的所述第二时段的第三客流趋势数据;
步骤S5、对所述第三客流趋势数据进行处理,以得到所述预测日的所述第二时段的第
四客流趋势数据,将所述第四数据作为所述预测日的所述第二时段的所述短期预测客流趋
势数据。
2.根据权利要求1所述的客流预测方法,其特征在于,所述步骤S2包括:
S21a、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所
述第一客流趋势数据;
S22a、从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述
第一时段的第二客流趋势数据;
所述步骤S21a和所述步骤S22a同时进行。
3.根据权利要求1所述的客流预测方法,其特征在于,所述步骤S2包括:
S21b、从所述步骤S1中所述历史客流趋势数据中提取所述预测日的所述第一时段的所
述第一客流趋势数据;
S22b、从所述步骤S1中所述历史客流趋势数据中提取所述预测日之前每一日中的所述
第一时段的第二客流趋势数据。
4.根据权利要求1所述的客流预测方法,其特征在于,所述步骤S2中,所述预测日的所
述第一时段的所述第一客流趋势数据为:
xt-m+1:t=(xt-m+1,xt-m-2,...,xt)
其中,
xt-m+1:t表示所述第一客流趋势数据构成的向量;
t表示当前太阳城集团;
m表示所述第一时段的时长。
5.根据权利要求4所述的客流预测方法,其特征在于,所述步骤S2中,所述步骤S2中,所
述预测日之前每一日中的所述第一时段的所述第二客流趋势数据为:
<mrow> <msubsup> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>t</mi> </mrow> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mrow> <mi>&tau;</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>,</mo> <msubsup> <mi>x</mi> <mrow> <mi>&tau;</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>2</mn> </mrow> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msubsup> <mi>x</mi> <mi>&tau;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow>
其中,
表示所述第二客流趋势数据构成的向量;
i表示所述预测日之前的第i日;
t表示当前太阳城集团;
m表示所述第一时段的时长。
6.根据权利要求5所述的客流预测方法,其特征在于,所述步骤S3中,所述第一模型建
模的公式为:
<mrow> <msup> <mi>i</mi> <mo>*</mo> </msup> <mo>=</mo> <munder> <mrow> <mi>arg</mi> <mi>max</mi> </mrow> <mi>i</mi> </munder> <mfrac> <mrow> <msubsup> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>t</mi> </mrow> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>&CenterDot;</mo> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>t</mi> </mrow> </msub> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msubsup> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>t</mi> </mrow> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>|</mo> <mo>|</mo> <mo>&CenterDot;</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>t</mi> </mrow> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> </mrow>
其中,
i*表示所述历史客流参考日的所述所在日数据;
xt-m+1:t表示所述第一客流趋势数据构成的向量;
表示所述第二客流趋势数据构成的向量;
t表示当前太阳城集团;
m表示所述第一时段的时长。
7.根据权利要求6所述的客流预测方法,其特征在于,所述步骤S3中,由k个所述历史客
流参考日所构成如下的最优历史客流参考日集合:
<mrow> <msub> <mi>N</mi> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>t</mi> </mrow> </msub> </msub> <mo>=</mo> <mo>{</mo> <msubsup> <mi>i</mi> <mn>1</mn> <mo>*</mo> </msubsup> <mo>,</mo> <msubsup> <mi>i</mi> <mn>2</mn> <mo>*</mo> </msubsup> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>i</mi> <mi>k</mi> <mo>*</mo> </msubsup> <mo>}</mo> </mrow>
其中,
表示所述历史客流参考日的所在日数据的集合
i*表示某一所述历史客流参考日的所述所在日数据;
t表示当前太阳城集团;
m表示所述第一时段的时长;
k表示一常数。
8.根据权利要求7所述的客流预测方法,其特征在于,所述步骤S5中,根据所述历史客
流参考日的所在最优历史客流参考日集合中的每个所述历史客流参考日对应的所述第三
客流趋势数据,根据如下公式,采用加权平均的方式处理得到所述第四客流趋势数据:
<mrow> <msub> <mi>f</mi> <msub> <mi>N</mi> <msub> <mi>x</mi> <mrow> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> <mo>:</mo> <mi>t</mi> </mrow> </msub> </msub> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msub> <mi>w</mi> <msubsup> <mi>i</mi> <mi>l</mi> <mo>*</mo> </msubsup> </msub> <msub> <mi>f</mi> <msubsup> <mi>i</mi> <mi>l</mi> <mo>*</mo> </msubsup> </msub> </mrow> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </msubsup> <msub> <mi>w</mi> <msubsup> <mi>i</mi> <mi>l</mi> <mo>*</mo> </msubsup> </msub> </mrow> </mfrac> </mrow>
其中,
<mrow> <msub> <mi>f</mi> <msubsup> <mi>i</mi> <mi>l</mi> <mo>*</mo> </msubsup> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>&tau;</mi> <mo>=</mo> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>t</mi> </msubsup> <msub> <mi>x</mi> <mi>&tau;</mi> </msub> <mo>&CenterDot;</mo> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>&tau;</mi> <mo>=</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>t</mi> <mo>+</mo> <mi>n</mi> </mrow> </msubsup> <msubsup> <mi>x</mi> <mi>&tau;</mi> <mrow> <mo>(</mo> <msubsup> <mi>i</mi> <mi>l</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> </msubsup> </mrow> <mrow> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>&tau;</mi> <mo>=</mo> <mi>t</mi> <mo>-</mo> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>t</mi> </msubsup> <msubsup> <mi>x</mi> <mi>&tau;</mi> <mrow> <mo>(</mo> <msubsup> <mi>i</mi> <mi>l</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> </msubsup> </mrow> </mfrac> <mo>;</mo> </mrow>
xτ表示所述第一客流趋势数据中τ时刻的客流;
表示所述第二客流趋势数据中τ时刻的客流;
n表示所述第二时段的时长;
t表示当前太阳城集团;
m表示所述的第一时段的时长;
k表示一常数。

关 键 词:
一种 轨道交通 短期 客流 预测 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种轨道交通短期客流预测方法.pdf
链接地址:http://zh228.com/p-6019852.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');