一种城市轨道交通全场景客流预测方法及系统与流程

1.本技术属于轨道交通技术领域，特别是涉及一种城市轨道交通全场景客流预测方法及系统。


背景技术：

2.近些年来，城市轨道交通发展迅速，越来越多的城市开启了网络化运营的新时代。城市轨道交通网络化运营为城市居民的出行带来了便利，但是随着城市轨道交通的体量越来越大，在城市交通中承担的任务越来越重，不同场景下的轨道交通的客流情况越来越难以把握。
3.同时在城市轨道交通运营过程中，由于可能存在刷卡数据上传延迟或者漏传、刷卡设备故障等情况，城市轨道交通刷卡数据有可能不全，进而导致城市轨道交通客流od数据不全，影响精细化客流分析、列车运行图编制质量和执行效果。
4.目前预测模型单一且质量低，常用的有加权历史平均自回归法、k最邻近法、时间序列法、人工神经网络法、卡尔曼滤波法和小波分析法，但是都难以满足计算速度与计算精度的双重要求；并且未对各线路各站客流结构及特征深入挖掘，没有对乘客出行行为进行深入研究，因此难以准确地把握客流出行特性；复杂外部因素对客流影响极大，但是二者的耦合关系尚不明确，有待量化明晰。
5.在城市轨道交通运营管理中缺乏预警和决策支持技术与系统，一旦发生突发事件，仅仅依靠上报机制，可能导致突发事件消息传递较慢，影响运营人员及时采取有效的措施来应对突发事件；同时，城市轨道交通还缺少对突发事件下的路网客流分布状态的变化情况的预测、预警及应急响应辅助支持，由于没有突发事件下客流分布特征，运营人员难以有效地根据客流情况做出尽可能满足乘客出行需求的列车运行调整方案，可能导致乘客出行满意度降低、列车运力闲置等情况。
6.目前相关的客流分析技术大多只针对单一的场景，并且没有从时间维度对历史、实时、突发事件、短时、短期、典型日、可预知事件、典型日以及新线开通客流进行整体的分析，不利于全面掌握客流的情况，无法为城市轨道交通运营组织提供全方位的支持。


技术实现要素：

7.1.要解决的技术问题
8.基于目前相关的客流分析技术大多只针对单一的场景，并且没有从时间维度对历史、实时、突发事件、短时、短期、典型日、可预知事件、典型日以及新线开通客流进行整体的分析，不利于全面掌握客流的情况，无法为城市轨道交通运营组织提供全方位的支持。针对上述问题，本技术提供了一种城市轨道交通全场景客流预测方法及系统。
9.2.技术方案
10.为了达到上述的目的，本技术提供了一种城市轨道交通全场景客流预测方法，所述方法包括如下步骤：步骤s1：分析单个乘客在城市轨道交通系统中的出行特征规律，分析
外部条件对乘客个体出行行为的影响；步骤s2：实时监测全网客流分布与行车情况，异常情况下进行告警提示，为应急处置进行客流组织调整或行车组织调整提供客流与行车数据支撑；步骤s3：实现突发事件、短时、短期、典型日、可预知事件、新线开通全场景客流预测；步骤s4：以地铁编制的地标及新近出台的“城市轨道交通运营指标体系”国家标准为参考，生成相应的统计指标，支持用户自定义报表查询及数据导出。
11.本技术提供的另一种实施方式为：所述出行特征规律基于进出站交易明细数据获得，所述外部条件包括政策、大型活动、社会事件和运营事件。
12.本技术提供的另一种实施方式为：行车情况基于ats数据获得。
13.本技术提供的另一种实施方式为：所述步骤s1包括对乘客的出行特征进行分析，分形乘客出行规律，确定突发事件以及社会活动对乘客出行的影响；基于海量完整交易明细数据以及乘客画像的研究结果，在车站层面，对客流特征进行刻画；在线网层面，对客流特征进行描述，通过基础数据得到线网基本属性，生成线网出行强度和线网客运强度指标；根据相关分析结果，对客流指标的规律进一步挖掘。
14.本技术提供的另一种实施方式为：所述客流特征刻画内容包括分析车站级客流构成，车站客流的来源及去向，车站乘客出行时间特征，车站的客流来向及去向时空分布。
15.本技术提供的另一种实施方式为：所述步骤2包括利用客流精细化分析数据，将乘客出行特征加入到客流预测模型中，获取客流监察结果；基于历史突发事件情况以及列车运行调整的结果，利用机器学习，模拟调度员列车运行调整方案，生成突发事件下客流预测结果；利用指数平滑法与所述机器学习对交易明细数据和视频分析数据进行融合，对短时客流进行预测；根据客流短期波动趋势，使用arma模型，实现线网、线路以及车站进站量预测；以历史客流数据为依据，在充分挖掘历史od数据规律或同类型节假日、极端天气日客流规律基础上，预测节假日、极端天气轨道交通线网站间客流量；预测大客流事件下不同空间维度的客流情况；实现新线开通时，新线以及既有线的客流预测；实现时间由近及远，不同空间维度的不同指标的监测以及预测。
16.本技术提供的另一种实施方式为：所述客流预测得到客流数据，所述客流数据包括客流强度报表，客流不均衡性报表，出行特征报表，拥挤情况报表，基础客流报表。
17.本技术提供的另一种实施方式为：所述客流强度报表提供客运强度、客流密度、路网出行强度、客流密集度的统计输出，所述客流不均衡性报表支持方向不均衡性、断面不均衡性、时间不均衡性的输出；所述出行特征报表支持输出路网平均运距、路网换乘系数、换乘比例、出行距离、出行时间、换乘时间、候车时间的统计输出；所述拥挤情况报表包含断面满载率、列车满载率、车载人数、站台等候列车次数；所述基础客流报表支持进站量、出站量、换乘量、客运量、车站乘降量、断面客流量、客运周转量输出。
18.本技术还提供一种城市轨道交通全场景客流预测系统，包括多源数据采集模块、客流预测模块和统计报表模块；所述多源数据采集模块，用于为乘客画像分析、实时客流监测、多场景多状态客流预测提供数据源；所述客流预测模块，用于实现城市轨道交通客流精细化分析、实时客流监察、突发事件客流预测、短时客流预测、短期客流预测、典型日客流预测、可预知事件客流预测、典型日客流预测以及新线开通预测，并将不同时间维度、空间维度、时间粒度的客流指标展示；所述统计报表模块，用于根据不同时间维度、空间维度、时间粒度的客流指标，生成客流强度报表、客流不均衡性报表、出行特征报表、拥挤情况报表、基
础客流报表。
19.本技术提供的另一种实施方式为：所述多源数据采集模块接入全网的清分数据、基础数据、实时基础进站量数据、实时交易明细数据、历史交易明细数据并对数据进行清洗、标准化处理、存储。
20.3.有益效果
21.与现有技术相比，本技术提供的城市轨道交通全场景客流预测方法及系统的有益效果在于：
22.本技术提供的城市轨道交通全场景客流预测方法，为一种基于时序进化的城市轨道交通客流预测技术，从时间维度出发，可以实现全场景的城市轨道交通客流预测技术，主要包括精细化分析、实时客流监察、突发事件客流预测、短时客流预测、短期客流预测、典型日客流预测、可预知事件客流预测、典型日客流预测以及新线开通预测，并基于该技术来开发城市轨道交通客流预测系统，为城市轨道交通客流管控与列车运行调度提供参考。
23.本技术提供的城市轨道交通全场景客流预测方法，对城市轨道交通进行完整的客流数据分析，针对全场景构建高效的客流预测模型，形成时序进化的城市轨道交通预警和决策支持技术，开发相应的系统，为城市轨道交通的运营提供辅助支持。
24.本技术提供的城市轨道交通全场景客流预测方法，降低工作人员的劳动强度。
25.本技术提供的城市轨道交通全场景客流预测方法，根据时间推移，实现了针对不同场景的客流分析与预测方案。提出了基于乘客画像的线网客流精准预测技术，以实时上传和海量历史的交易明细数据为输入，充分挖掘大数据的价值，并接入实时ats数据，显著提升即时客流预测的精度；实现超大规模网络k
‑
短路计算进入秒级、单周期客流预测进入分钟级，确保实时客流预测效率大幅度提升；客流统计指标统计粒度最小可至1分钟；满载率的预测推算可精细到单列车级，确保运力精准投放准确性；开发了多场景多状态智能化线网客流预测与监测分析平台，能为智能化线网编图、智能化客流监测、线网客流智能联控等多种应用提供了数据支撑。分析监测指标更全、场景更丰富。
附图说明
26.图1为本技术的城市轨道交通全场景客流预测方法的时序进化示意图；
27.图2为本技术的城市轨道交通全场景客流预测方法技术路线示意图；
28.图3为本技术的新线开通客流预测机制示意图。
具体实施方式
29.在下文中，将参考附图对本技术的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本技术，并能够实施本技术。在不违背本技术原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
30.参见图1～3，根据本技术的实施例，提供一种基于时序进化的城市轨道交通全场景客流预测技术与系统，如图1所示，根据时间进化顺序以及场景分类，针对历史、实时、突发事件、短时、短期、典型日、可预知事件、典型日以及新线开通等多种场景进行分析或者预测；可基于历史数据，实现客流以及行车大数据分析；可利用实时、短时以及突发客流预测
数据为客流管控、客流监察以及行车组织提供参考，为调度中心工作人员提供辅助支持；可基于预测数据为运营服务管理部工作的开展提供依据。简言之，该方法包括：城市轨道交通客流精细化分析、实时客流监察、突发事件客流预测、短时客流预测、短期客流预测、典型日客流预测、可预知事件客流预测、典型日客流预测以及新线开通预测，具体的该方法包括以下步骤：
31.步骤s110，城市轨道交通客流精细化分析
32.首先对乘客的出行特征进行分析。基于进出站刷卡数据对乘客的个体出行行为进行精准刻画，日常情况下研究乘客出行时间段分布、出行车站、出行线路选择、出行次数、出行频率统计分析等；特殊情况下分析乘客在新线开通、重大活动、突发运营事件、重大公共卫生事件、极端天气等情况下的出行行为变化。
33.接着对车站客流特征进行分析。基于海量完整交易明细数据以及乘客画像的研究结果，在车站层面，对客流特征进行刻画研究内容包括：分析车站级客流构成车站客流的来源及去向车站出行时间特征车站的客流来向及去向时空分布。
34.然后对线网断面客流特征进行分析。从宏观的角度对客流分布进行统计、分析。在线网层面，对客流特征进行描述，通过基础数据得到线网基本属性，生成如线网出行强度、线网客运强度等指标，进而分析全网od在不同时段的客流集散情况，并找到每个时段极易出现的瓶颈区间。
35.最后对客流指标进行分析。以地铁编制的地标及新近出台的“城市轨道交通运营指标体系”国家标准为参考，建立并完善城市轨道交通客流统计分析指标体系。
36.以车站信息、线路信息、区间信息、acc刷卡交易数据明细、历史清分结果、计划运行图以及ats实时运行图为输入；首先，初始化线网有向图，接着根据出行时间、出行费用、换乘次数等，计算综合出行阻抗；接着，根据k短路算法，计算k短路备选集，根据相关筛选准则，确定有效可达路径，将客流精准地分配到路径上；最后，根据乘客出行特征，基于个体进行客流仿真，得到清分结果，形成客流指标与报表统计结果。
37.客流精细化分析通过分析乘客不同的出行目的、收入等属性，为挖掘不同类型乘客票价的适应性，进而进行票价制定提供参考；深度揭示乘客的出行规律，偏好，路径等，对非高峰时段老年人群体出行规划提供数据支撑；通过构建乘客路径选择模型、客流分配模型等实现线网、线路、断面、列车、车站的历史客流精细化、精准化的获取与分析，可为票务清算提供精准化的模型。
38.步骤s120，城市轨道交通实时客流监察
39.首先，利用客流精细化分析数据，精准把握乘客出行规律，将乘客出行特征加入到客流预测模型中，获取更加精准的客流监察结果；接着，利用城市轨道交通相关基础数据、ats实时行车数据、视频分析数据、手机信令数据以及称重数据等，构建基于计算图的前向及反向传播算法架，实现多源数据环境下的轨道交通多层次出行需求估计。
40.步骤s130，城市轨道交通突发事件客流预测
41.利用ats运行图与计划运行图，根据延误时间、车次变更等原则自动判断事故；基于历史突发事件情况以及列车运行调整的结果，利用机器学习，模拟调度员列车运行调整方案；接着，将刷卡交易明细数据与进出站视频分析数据融合，进行异常进站量客流预测，经过od预测，k短路重构、客流分配等步骤，生成线网、线路、区间以及车站指标；最后，根据
实际指标，利用后反馈机制，校正机器学习参数。进而形成基于深度机器学习的突发事件全自动应急处理技术。
42.除突发事件自动触发外，系统还提供人工触发以及录入功能。当系统没有自动判断到突发事件时，用户可手工录入突发事件的详细信息，系统可根据用户输入信息快速进行列车运行调整、进站量以及od预测、客流动态分布以及预测指标统计输出；同时，用户还可以设置相关场景参数，手动修改模型相关参数，以此弥补相关参数设置不合理的缺陷。
43.步骤s140，城市轨道交通短时客流预测
44.利用afc刷卡交易明细数据以及视频分析数据，利用三次指数平滑法与机器学习对二者进行融合，弥补数据上传延时的缺陷，进而对短时进站量进行预测，接着进行客流分布与客流分配的计算，在这个过程中，将列车运行与ats数据融入，计算线网、线路、区间以及车站的指标，并与实际指标对比，实时进行后向反馈，不断调整校验预测参数。
45.步骤s150，城市轨道交通短期客流预测(日周月年)
46.在需求生成阶段，根据客流短期波动趋势，使用arma模型对线网、线路以及车站进站量进行预测；在需求分布阶段，参照历史od表，利用od估计模型，对线网的od进行预测；在交通分配阶段，基于客流清分模型，估计客流分布状态。
47.步骤s160，城市轨道交通典型日客流预测
48.典型日客流预测是以历史客流数据为依据，在充分挖掘历史od数据规律或同类型节假日、极端天气日客流规律基础上，预测节假日、极端天气轨道交通线网站间od量，并通过arima 历史同比法 指数平滑法模型快速实现预测od量在全网的分布。接着构建典型日客流预测计算图，利用前后反馈机制，融合典型日特征，实现典型日客流精准预测。典型日预测结果主要包括线网、线路、区间、车站客流指标，为线网节假日/极端天气运力配置计划、客运组织等业务提供支持。
49.步骤s170，城市轨道交通可预知事件客流预测。
50.可预知事件主要包括重大会议、演唱会、体育赛事、计划性检修、封站等。可预知大客流情况下，在充分挖掘历史od数据规律，以及同类型大客流事件基础上，预测大客流事件下线网站间od量，并通过客流分配模型快速实现预测od量在全网的分布。可预知大客流情况下短期客流预测结果主要包括线网、线路、区间、车站客流指标，为线网运力配置计划、客运组织等业务提供支持。
51.步骤s180，城市轨道交通新线开通客流预测
52.如图3所示，新线开通客流预测主要包括两部分内容。一方面是新线的客流量预测：根据土地利用性质、强度等因素，采用聚类分析与集合覆盖的方法，考虑车站周边有无居民区、办公室机器占比、人口密度，公交车站及线路数量，车速，覆盖区域以及居民出行目的地等，对新开线路的进站量进行预测。基于轨道交通站点周边的吸引力、优势出行距离及事件等，利用交通规划经典重力模型，对od分布进行预测。根据出行时间、换乘次数、拥挤度程度、站台留乘情况以及列车时刻表等，利用多径路随机用户均衡模型实现静态配流，基于多智能体实现动态仿真推演。另一方面是既有线的客流量预测：新线开通后，对既有线的客流也会产生一定的影响，根据日均客流系数、年日均客流量、最高月工作日客流量，考虑自然增长率、季节性变化，利用季节性自回归移动平均法、曲线拟合以及指数平滑法，对进站量与客运量进行预测。
53.步骤s170，城市轨道交通客流报表统计
54.系统生成报表主要包括四类：客流强度报表，提供客运强度、客流密度、路网出行强度、客流密集度等指标的统计输出；客流不均衡性报表，支持方向不均衡性、断面不均衡性、时间不均衡性等指标的输出；出行特征报表，支持输出路网平均运距、路网换乘系数、换乘比例、出行距离、出行时间、换乘时间、候车时间等指标的统计输出；拥挤情况报表，包含断面满载率、列车满载率、车载人数、站台留乘次数；基础客流报表，支持进站量、出站量、换乘量、客运量、车站乘降量、断面客流量、客运周转量等指标输出。
55.综上，如图2所示该技术以路网基础数据、acc历史刷卡数据、acc实时刷卡数据、计划运行图数据、ats数据、视频分析数据、节假日信息、天气信息、重大活动信息以及其他信息作为输入，利用乘客复杂出行分析、客流实时状态量化理论与需求预测理论，实现基于时序的全场景客流分析与预测，主要包括客流精细化分析，实时客流监察，短时、突发事件、短期、可预知事件、典型日、新线开通的客流预测。
56.需要说明的是，在本技术的描述中，突发事件、事故具有相同的含义，均表示发生了影响正常交通的事件，除非根据上下文另有所指。
57.虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。
58.本技术可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
59.计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd
‑
rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
60.尽管在上文中参考特定的实施例对本技术进行了描述，但是所属领域技术人员应当理解，在本技术公开的原理和范围内，可以针对本技术公开的配置和细节做出许多修改。本技术的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。