本發明專利技術公開了一種地鐵站客流預測方法、裝置、設備、介質及計算機程序產品，所述方法包括：獲取地鐵站的客流時序數據并分解，得到多個模態分量和一個殘差序列；將模態分量輸入預測模型，得到第一預測結果；對殘差序列進行白噪聲檢驗，若殘差序列中存在有效信息，則對殘差序列進行二次分解，得到多個殘差模態分量；將殘差模態分量輸入預測模型，得到第二預測結果；將兩次的預測結果累加，得到地鐵站的客流預測結果。本發明專利技術通過將客流數據分解為具備較強分辨性的模態序列，有效降低地鐵客流數據的多尺度變率特征所產生的影響，同時引入白噪聲檢驗和殘差修正，對含有有效信息的殘差進行二次分解并預測，從而充分利用客流數據，進一步提升預測精度。
1、地鐵站點目前多以車站終端設備，如進出站閘機完成客流數據統計。通過對地鐵站點客流量閘機數據進行分析，可以剖析出不同地鐵站點在不同時間段內的客流出行規律，其中不同時段的客流到達量是一個重要的指標。相關研究者提出了較多的預測模型對隨時間變化的站點客流到達量進行了分析，如采用自回歸滑動平均(arima)模型、rnn神經網絡模型、lstm模型等。
2、然而，根據相關研究成果，地鐵站點客流量采用單一的lstm模型進行預測時仍存在精確度欠佳的問題，原因在于地鐵到站客流的統計數據中存在多尺度變率特征，這點往往被許多研究者忽略，未采用分解算法對時序數據進行分解得到具備較強分辨性的序列模態，導致最終的預測精度不高。另一方面，分解算法得到的殘差模態往往直接去除不再加以考慮，但根據經驗殘差模態中依舊可能保留有效信息，直接去除殘差模態可能會損失有效信息，導致預測精度下降。
1、本專利技術所要解決的技術問題在于，提供一種地鐵站客流預測方法、裝置、設備、介質及計算機程序產品，將客流時序數據分解為具備較強分辨性的模態序列，有效降低地鐵客流數據的多尺度變率特征所產生的影響，同時引入白噪聲檢驗和殘差修正，對含有有效信息的殘差進行二次分解并預測，從而充分利用客流數據，進一步提升預測精度。
>3、獲取地鐵站的客流時序數據，并對所述客流時序數據進行分解，得到多個模態分量和一個殘差序列；4、將所述模態分量輸入至預設的客流預測模型，得到所述客流預測模型輸出的第一預測結果；
5、對所述殘差序列進行白噪聲檢驗，判斷所述殘差序列中是否存在有效信息；
6、若所述殘差序列中存在有效信息，則對所述殘差序列進行二次分解，得到多個殘差模態分量；
7、將所述殘差模態分量輸入至所述客流預測模型，得到所述客流預測模型輸出的第二預測結果；
8、將所述第一預測結果與所述第二預測結果進行累加，得到所述地鐵站的客流預測結果。
9、作為上述方案的改進，所述方法采用fifd快速迭代濾波分解算法對所述客流時序數據進行分解，具體包括：
10、通過雙卷積濾波器對所述客流時序數據進行卷積求解，確定所述客流時序數據的移動平均值：
11、將所述客流時序數據轉換為離散數據，根據所述移動平均值對所述離散數據進行迭代分解，直至滿足預設的停止條件，停止分解，得到多個模態分量和一個殘差序列。
12、作為上述方案的改進，所述卷積求解的公式為：
13、
14、式中，ln(yn)表示客流時序數據的移動平均值；yn為y(t)的離散化表達，y(t)表示客流時序數據；ln表示客流時序數據yn的提取算子；l表示濾波器長度；ω(x)表示雙卷積濾波函數；
15、所述迭代分解的公式為：
16、yimf＝limn→∞mn(yn)＝limn→∞[yn-ln(yn)]；
17、式中，yimf表示分模態；yn+1＝mn(yn)。
18、作為上述方案的改進，所述停止條件為sd值小于預設閾值，所述sd值的計算公式為：
19、
20、式中，ym+1表示第m+1次分解得到的模態分量序列；ym表示第m次分解得到的模態分量序列。
21、作為上述方案的改進，所述客流預測模型的訓練方法具體包括：
22、獲取地鐵站的歷史客流時序數據，并對所述歷史客流時序數據進行分解，得到多個歷史模態分量和一個歷史殘差序列；
23、將每一所述歷史模態分量劃分為訓練集和待預測集，將每一所述歷史模態分量的所述訓練集輸入至預設的lstm長短期記憶模型進行訓練，得到訓練模型；
24、將每一所述歷史模態分量的所述待預測集輸入至所述訓練模型，得到所述訓練模型輸出的每一所述歷史模態分量的第一預測值；
25、將所有所述歷史模態分量的第一預測值進行累加，得到所有所述歷史模態分量的預測值；
26、將所述預測值與真實值進行對比，根據對比結果對所述訓練模型的參數進行修正，得到訓練好的客流預測模型。
27、作為上述方案的改進，所述對所述殘差序列進行白噪聲檢驗，判斷所述殘差序列中是否存在有效信息，具體包括：
28、對所述殘差序列進行白噪聲檢驗，計算所述殘差序列的lb統計量；
29、若所述lb統計量大于預設值，則判定所述殘差序列中存在有效信息；
30、若所述lb統計量不大于預設值，則判定所述殘差序列中不存在有效信息。
31、本專利技術實施例還提供了一種地鐵站客流預測裝置，包括：
32、第一分解模塊，用于獲取地鐵站的客流時序數據，并對所述客流時序數據進行分解，得到多個模態分量和一個殘差序列；
33、第一預測模塊，用于將所述模態分量輸入至預設的客流預測模型，得到所述客流預測模型輸出的第一預測結果；
34、殘差檢驗模塊，用于對所述殘差序列進行白噪聲檢驗，判斷所述殘差序列中是否存在有效信息；
35、第二分解模塊，用于若所述殘差序列中存在有效信息，則對所述殘差序列進行二次分解，得到多個殘差模態分量；
36、第二預測模塊，用于將所述殘差模態分量輸入至所述客流預測模型，得到所述客流預測模型輸出的第二預測結果：
37、客流預測模塊，用于將所述第一預測結果與所述第二預測結果進行累加，得到所述地鐵站的客流預測結果。
38、本專利技術實施例還提供了一種終端設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現上述任一項所述的地鐵站客流預測方法。
39、本專利技術實施例還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行上述任一項所述的地鐵站客流預測方法。
40、本專利技術實施例還提供了一種計算機程序產品，所述計算機程序產品包括計算機程序或計算機指令，所述計算機程序或所述計算機指令被處理器執行時實現上述任一項所述的地鐵站客流預測方法。
41、相對于現有技術，本專利技術實施例提供的一種地鐵站客流預測方法、裝置、設備、介質及計算機程序產品的有益效果在于：通過獲取地鐵站的客流時序數據，并對所述客流時序數據進行分解，得到多個模態分量和一個殘差序列；將所述模態分量輸入至預設的客流預測模型，得到所述客流預測模型輸出的第一預測結果；對所述殘差序列進行白噪聲檢驗，判斷所述殘差序列中是否存在有效信息；若所述殘差序列中存在有效信息，則對所述殘差序列進行二次分解，得到多個殘差模態分量；將所述殘差模態分量輸入至所述客流預測模型，得到所述客流預測模型本文檔來自技高網...
【技術保護點】
1.一種地鐵站客流預測方法，其特征在于，包括：
2.如權利要求1所述的地鐵站客流預測方法，其特征在于，所述方法采用FIFD快速迭代濾波分解算法對所述客流時序數據進行分解，具體包括：
3.如權利要求2所述的地鐵站客流預測方法，其特征在于，所述卷積求解的公式為：
4.如權利要求3所述的地鐵站客流預測方法，其特征在于，所述停止條件為SD值小于預設閾值，所述SD值的計算公式為：
5.如權利要求1所述的地鐵站客流預測方法，其特征在于，所述客流預測模型的訓練方法具體包括：
6.如權利要求1所述的地鐵站客流預測方法，其特征在于，所述對所述殘差序列進行白噪聲檢驗，判斷所述殘差序列中是否存在有效信息，具體包括：
7.一種地鐵站客流預測裝置，其特征在于，包括：
8.一種終端設備，其特征在于，包括處理器和存儲器，所述存儲器中存儲有計算機程序，且所述計算機程序被配置為由所述處理器執行，所述處理器執行所述計算機程序時實現如權利要求1至6中任意一項所述的地鐵站客流預測方法。
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，其中，所述計算機可讀存儲介質所在設備執行所述計算機程序時，實現如權利要求1至6中任意一項所述的地鐵站客流預測方法。
10.一種計算機程序產品，其特征在于，所述計算機程序產品包括計算機程序或計算機指令，所述計算機程序或所述計算機指令被處理器執行時實現如權利要求1至6中任意一項所述的地鐵站客流預測方法。
...
【技術特征摘要】
1.一種地鐵站客流預測方法，其特征在于，包括：
2.如權利要求1所述的地鐵站客流預測方法，其特征在于，所述方法采用fifd快速迭代濾波分解算法對所述客流時序數據進行分解，具體包括：
3.如權利要求2所述的地鐵站客流預測方法，其特征在于，所述卷積求解的公式為：
4.如權利要求3所述的地鐵站客流預測方法，其特征在于，所述停止條件為sd值小于預設閾值，所述sd值的計算公式為：
5.如權利要求1所述的地鐵站客流預測方法，其特征在于，所述客流預測模型的訓練方法具體包括：
6.如權利要求1所述的地鐵站客流預測方法，其特征在于，所述對所述殘差序列進行白噪聲檢驗，判斷所述殘差序列中是否存在有效信息，具體包括：
...
【專利技術屬性】
技術研發人員：凌美寧，邵利明，駱明明，甘江婷，肖天培，吳蔚，管海霞，趙斌，秦依，程麒霏，謝秋燕，
申請(專利權)人：廣州市城市規劃勘測設計研究院有限公司，
類型：發明
國別省市：
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。