【技術實現步驟摘要】
本專利技術屬于客流預測領域，具體來說，特別涉及一種基于人工智能的城市軌道交通非常態客流預測方法及系統。
技術介紹
1、中國專利cn108846514b公開了一種突發事件下軌道交通客流疏散需求預測方法，獲取常態短時交通需求樣本集，采用混合預測模型進行多步預測，得到常態下短時地鐵出行需求預測結果；建立軌道交通網絡有向圖；對軌道交通出行od進行分配，得到分配矩陣；根據突發事件特征和預測結果，獲得事件影響期間全網各站點疏散需求的計算公式；通過仿真獲取疏散需求的時空演化，并獲取高峰滯留值。
2、目前對于城市軌道交通客流中客流的預測，一般通過采集歷史時刻的客流量數據，對這些客流數據自身進行擬合以進行預測，然而客流量數據往往受到多種因素影響的，數據隨機性較強，從而導致直接對客流數據進行擬合預測的結果不準確。
技術實現思路
1、針對相關技術中的問題，本專利技術提出一種基于人工智能的城市軌道交通非常態客流預測方法及系統，以克服現有相關技術所存在的上述技術問題。
2、為解決上述技術問題，本專利技術是通過以下技術方案實現的：
3、本專利技術為一種基于人工智能的城市軌道交通非常態客流預測方法，包括以下步驟：
4、s1、歷史數據采集模塊采集多組不同類型的自然影響因素歷史數據、社會影響因素歷史數據以及不同軌道交通站點的歷史客流量數據；
5、s2、非常態客流數據提取模塊提取所述歷史客流量數據中的非常態客流量數據，得到站點歷史非常態客流量數據矩陣；>
6、分類模塊對所述站點歷史非常態客流量數據矩陣進行分類；
7、分類模型構建模塊采用分類后的站點歷史非常態客流量數據、自然影響因素歷史數據以及社會影響因素歷史數據構建最終svm分類模型；
8、s3、實時數據采集模塊采集不同類型的自然影響因素實時數據、社會影響因素實時數據以及不同軌道交通站點的實時客流量數據；
9、分類模型實時更新模塊根據自然影響因素實時數據、社會影響因素實時數據以及實時客流量數據對最終svm分類模型進行實時更新；
10、s4、預測模塊對未來時刻的自然影響因素數據以及社會影響因素數據進行預測，得到未來綜合影響因素數據矩陣；
11、s5、最終判定模塊采用最終svm分類模型對未來綜合影響因素數據矩陣進行分類操作，根據分類結果判定未來時刻城市軌道交通站點是否會出現非常態客流現象；
12、由于城市軌道交通的客流量的影響因素總體可以分為自然方面的影響因素以及非自然方面的影響因素，即社會方面的影響因素；因此本方案中通過采集多組不同類型的自然影響因素歷史數據、社會影響因素歷史數據，使得采集的數據能夠涵蓋影響城市軌道交通的客流量的各個方面，增加了后續預測的準確性；同時還采集了對應的不同軌道交通站點的歷史客流量數據，為后續對自然影響因素歷史數據、社會影響因素歷史數據進行分類提供了分類的依據；其次，通過將采集的歷史客流量數據中的非常態客流量數據單獨提取出來，從而便于后續對非常態客流量數據進行單獨分類，避免了常態客流量數據的干擾，使得分類更加高效和準確；采用分類后的站點歷史非常態客流量數據、自然影響因素歷史數據以及社會影響因素歷史數據對svm機器學習模型進行訓練以及測試，使得svm分類模型可以根據自然影響因素歷史數據以及社會影響因素歷史數據判定出對應的客流量類別，為后續對預測得到的自然影響因素歷史數據以及社會影響因素歷史數據進行分類提供了較準確的分類模型；由于人類的行為模型可能會隨著時間的推移而不斷的進行改變，因此通過實時采集不同類型的自然影響因素實時數據、社會影響因素實時數據以及不同軌道交通站點的實時客流量數據，并根據這些實時的數據對最終svm分類模型進行不斷的更新，以便適應不斷發生改變的人們的行為習慣和模式，使得最終svm分類模型的分類能力可以一直保持最好，提高了后續對預測得到的數據進行分類的準確性；由于客流量數據本身具有較強的隨機性，因此不能直接對客流量數據進行擬合預測，而間接通過可以被預測的自然影響因素數據以及社會影響因素數據來對客流量數據進行預測，從而提高了預測的準確性。
13、優選地，所述s1包括以下步驟：
14、s11、設定客流自然影響因素集和客流社會影響因素集b＝{b1,b2,...,bi,...,bb′}；表示設定的第i個客流自然影響因素，表示設定的客流社會影響因素的總個數；bi表示設定的第i個客流社會影響因素，b′表示設定的客流社會影響因素的總個數；
15、再設定交通軌道站點集表示設定的第i個城市交通軌道站點，
16、表示設定的交通軌道站點的總個數；
17、s12、設定歷史數據采集時間點集表示設定的第i個歷史數據采集時間點，表示設定的歷史數據采集時間點的總個數；
18、根據所述歷史數據采集時間點集采集每個時間點的客流自然影響因素集中每個客流自然影響因素的數據、客流社會影響因素集b＝{b1,b2,...,bi,...,bb′}中每個客流社會影響因素的數據以及交通軌道站點集中每個交通軌道站點的客流量數據；得到歷史自然影響因素數據矩陣d1、歷史社會影響因素數據矩陣d2以及站點歷史客流量數據矩陣d3；d1、d2和d3分別如下，
19、
20、其中，d1ij、d2ij和d3ij分別表示在第i個歷史數據采集時間點時采集得到的第j個客流自然影響因素的數據、第j個客流社會影響因素的數據以及第j個城市交通軌道站點的客流量數據；
21、客流自然影響因素集中包括氣候條件，如暴雨、暴雪、高溫、嚴寒等；地理位置，如位于旅游勝地、海濱、山區等；自然資源，如溫泉、瀑布、森林等；自然災害，如地震、洪水、臺風等；客流社會影響因素集中包括節假日和特殊活動，如春節、國慶節、勞動節等；以及商場開業等；由于客流量一般隨著時間的推移而發生變化，因此通過采集多個歷史時間點的客流量數據、自然影響因素數據以及社會影響因素數據，為后續對未來時刻的客流量數據進行預測提供了數據支持。
22、優選地，所述s2包括以下步驟：
23、s21、設定所述交通軌道站點集中每個交通軌道站點的非常態客流數據區間，得到非常態客流數據區間集
24、和分別表示第i個交通軌道站點非常態客流數據區間；
25、根據所述非常態客流數據區間集
26、對站點歷史客流量數據矩陣d3中的客流量數據中的非常態客流數據進行提取，得到站點歷史非常態客流量數據矩陣d′；如下，
27、
28、其中，di′j表示存在非常態客流量數據的第i個歷史時間點時第j個交通軌道站點的客流量數據；表示存在非常態客流量數據的歷史時間點的總個數；
29、s22、對所述站點歷史非常態客流量數據矩陣d′進行分類操作，得到第一非常態客流量數據分類矩陣集表示分類操作后得到的第i個非常態客流量數據分類矩陣，f表示分類操作后得到的非常態客流量數據分類矩陣的總個數；如下，
30、...
【技術保護點】
1.一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述S1包括以下步驟：
3.根據權利要求2所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述S2包括以下步驟：
4.根據權利要求3所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述S22包括以下步驟：
5.根據權利要求4所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述S3包括以下步驟：
6.根據權利要求5所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述S4包括以下步驟：
7.根據權利要求6所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述S42包括以下步驟：
8.根據權利要求7所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，S423中對所述訓練好的第一LSTM神經網絡模型進行優化操作；優化完成后，得到
9.根據權利要求8所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述S5包括以下步驟：
10.一種實現如權利要求1-9任意一項所述的基于人工智能的城市軌道交通非常態客流預測方法的系統。
...【技術特征摘要】
1.一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述s1包括以下步驟：
3.根據權利要求2所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述s2包括以下步驟：
4.根據權利要求3所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述s22包括以下步驟：
5.根據權利要求4所述的一種基于人工智能的城市軌道交通非常態客流預測方法，其特征在于，所述s3包括以下步驟：
6.根據權利要求5所述的一種基于人工智能的城市軌道...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。