一种基于公交地铁接驳站点的客流量预测方法及装置与流程

1.本技术实施例涉及客流量预测技术领域，尤其涉及一种基于公交地铁接驳站点的客流量预测方法及装置。


背景技术：

2.随着社会的发展，地铁作为人们一种重要的交通出行方式，给人们带来了巨大的便利，同时也对社会的经济发展起到了非常大的促进作用。随着地铁建设的不断增加，乘坐地铁的人也越来越多，特别是公交地铁的接驳大大提高了人们出行的便捷性。而乘客在乘坐公交到达地铁站点的过程中会受到很多因素的影响，例如天气、路面交通的拥堵情况或者红绿灯等，这些因素会影响对于公交地铁接驳站点的客流量的预测精确度。
3.现有对于公交地铁接驳站点的客流量预测方法通常只是简单的利用历史客流信息来进行客流量的预测，这种方法是假设在历史数据都具有相同规律的情况下发生的。但是在实际的过程当中，公交地铁接驳站点的客流量往往与公交到站时间息息相关，而公交到站时间会受到天气、路面交通的拥堵情况或者红绿灯等因素的影响，仅仅通过历史客流信息进行客流量的预测会导致预测结果并不准确。


技术实现要素：

4.本技术实施例提供一种基于公交地铁接驳站点的客流量预测方法及装置，能够解决公交地铁接驳站点的客流量预测不可靠问题，提升公交地铁接驳站点的客流量预测的准确性。
5.在第一方面，本技术实施例提供了一种基于公交地铁接驳站点的客流量预测方法，包括：
6.获取第一类乘客实时客流量和对应的时间信息，其中，所述时间信息包括日期信息、日期类型信息和时刻信息，其中所述日期类型信息包括工作日和非工作日，所述第一类乘客包括乘坐公交到达接驳站点的乘客；
7.将所述第一类乘客实时客流量和对应的时间信息输入预设的第一预测模型中，通过所述第一类乘客实时客流量修正所述预设的第一预测模型，输出第一预测客流量；
8.根据所述第一类预测的客流量和根据预设的第二预测模型得到的第二预测客流量，得到预测的总客流量，其中，所述第二预测客流量包括预测非乘坐公交到达接驳站点的乘客客流量。
9.进一步的，所述获取第一类乘客实时客流量和对应的时间信息，包括：
10.获取到站公交到站前的载重信息、车次信息和到站时间；
11.根据所述车次信息和所述到站前的载重信息，得到到站公交下车乘客数量；
12.根据所述到站时间和预设的时间分布模型，得到下车乘客可在预设时间内到达地铁闸机区域的概率，并根据所述下车乘客数量与对应的可在预设时间内到达地铁闸机区域的概率，得到所述第一类乘客实时客流量。
13.进一步的，所述根据所述车次信息和所述到站前的载重信息，得到到站公交下车乘客数量，包括：
14.获取公交到达接驳站点前的载重信息和车次信息；
15.将所述车次信息输入预设的下车比例模型中，查找得到对应车次的下车比例值，其中所述下车比例模型中的下车比例值由对应车次的历史下车比例值求平均值得到；
16.根据所述公交到达接驳站点前的载重信息和所述下车比例值，得到下车乘客总载重；
17.根据所述下车乘客总载重与预设的人体平均体重值，得到下车乘客数量。
18.进一步的，所述方法还包括：
19.获取预设历史时间段内每个第一类乘客从公交站点下车到地铁闸机区域刷卡进站的换乘时间；
20.将所述换乘时间从小到大进行排列，得到所述换乘时间的时间分布；
21.将所述换乘时间的时间分布的数据进行数据处理，得到第一类乘客在不同时间间隔内到地铁闸机区域的概率；
22.根据所述第一类乘客在不同时间间隔内到地铁闸机区域的概率，得到预设的时间分布模型。
23.进一步的，所述通过所述第一类乘客实时客流量修正所述预设的第一预测模型，输出第一预测客流量之后，还包括：
24.根据地铁刷卡信息和公交刷卡信息获取第一类乘客历史客流量和对应的历史时间信息，其所述历史时间信息包括日期信息、日期类型信息和时刻信息，其中日期类型信息包括工作日和非工作日；
25.将所述第一类乘客历史客流量和对应的历史时间信息输入预设的第一预测模型中，得到离线预测客流量；
26.通过所述第一类乘客实时客流量修正离线预测客流量，输出第一预测客流量。
27.进一步的，所述将所述第一类乘客历史客流量和对应的历史时间信息输入预设的第一预测模型中，得到离线预测客流量，包括：
28.将所述历史时间信息分成第一类统计时间、第二类统计时间和第三类统计时间，其中，所述第一类统计时间包括历史时间段内所有工作日，第二类统计时间包括历史时间段内同类型工作日，第三类统计时间包括历史时间段内同类型非工作日；
29.根据所述第一类统计时间、所述第二类统计时间和所述第三类统计时间对所述第一类乘客历史客流量进行数据筛选，得到第一类历史客流量、第二类历史客流量和第三类历史客流量；
30.将所述第一类历史客流量结合第一权重值和第二权重值得到第一离线预测客流量，将所述根据第二类历史客流量结合第三权重值和第四权重值得到第二离线预测客流量，将第三类历史客流量结合第五权重值和第六权重值得到非工作日离线预测客流量；
31.根据第一离线预测客流量和所述第二离线预测客流量得到工作日离线预测客流量；
32.根据所述工作日离线预测客流量和所述非工作日离线预测客流量，得到离线预测客流量。
33.进一步的，所述第一类乘客实时客流量包括正常到站公交的实时客流量和非正常到站公交的实时客流量；
34.所述通过将第一类乘客实时客流量修正预设的第一预测模型，输出第一预测客流量，包括：
35.将正常到站公交的实时客流量结合第七权重值和第八权重值修正所述离线预测客流量，输出第三预测客流量；
36.将所述第三预测客流量与非正常到站公交的客流量相加，输出所述第一预测客流量。
37.在第二方面，本技术实施例提供了一种基于公交地铁接驳站点的客流量预测装置，包括：
38.信息获取单元，用于获取第一类乘客实时客流量和对应的时间信息，其中，所述时间信息包括日期信息、日期类型信息和时刻信息，其中日期类型信息包括工作日和非工作日，所述第一类乘客包括乘坐公交到达接驳站点的乘客；
39.第一预测单元，用于将所述第一类乘客实时客流量和对应的时间信息输入预设的第一预测模型中，通过所述第一类乘客实时客流量修正预设的第一预测模型，输出第一预测客流量；
40.第二预测单元，用于将所述第一类预测的客流量结合预设的第二预测模型输出的第二预测客流量，得到预测的总客流量，其中，所述第二预测客流量包括预测非乘坐公交到达接驳站点的乘客客流量。
41.进一步的，所述信息获取单元，还用于获取到站公交到站前的载重信息、车次信息和到站时间；
42.根据所述车次信息和所述到站前的载重信息，得到到站公交下车乘客数量；
43.根据所述到站时间和预设的时间分布模型，得到下车乘客可在预设时间内到达地铁闸机区域的概率，并根据所述下车乘客数量与对应的可在预设时间内到达地铁闸机区域的概率，得到所述第一类乘客实时客流量。
44.进一步的，所述信息获取单元，还用于获取公交到达接驳站点前的载重信息和车次信息；
45.将所述车次信息输入预设的下车比例模型中，查找得到对应车次的下车比例值，其中所述下车比例模型中的下车比例值由对应车次的历史下车比例值求平均值得到；
46.根据所述公交到达接驳站点前的载重信息和所述下车比例值，得到下车乘客总载重；
47.根据所述下车乘客总载重与预设的人体平均体重值，得到下车乘客数量。
48.进一步的，所述装置还包括时间分布模型构建单元；
49.所述时间分布模型构建单元，用于获取预设历史时间段内每个第一类乘客从公交站点下车到地铁闸机区域刷卡进站的换乘时间；
50.将所述换乘时间从小到大进行排列，得到所述换乘时间的时间分布；
51.将所述换乘时间的时间分布的数据进行数据处理，得到第一类乘客在不同时间间隔内到地铁闸机区域的概率；
52.根据所述第一类乘客在不同时间间隔内到地铁闸机区域的概率，得到预设的时间
分布模型。
53.进一步的，所述第一预测单元，还用于根据地铁刷卡信息和公交刷卡信息获取第一类乘客历史客流量和对应的历史时间信息，其所述历史时间信息包括日期信息、日期类型信息和时刻信息，其中日期类型信息包括工作日和非工作日；
54.将所述第一类乘客历史客流量和对应的历史时间信息输入预设的第一预测模型中，得到离线预测客流量；
55.通过所述第一类乘客实时客流量修正离线预测客流量，输出第一预测客流量。
56.进一步的，所述第一预测单元，还用于将所述历史时间信息分成第一类统计时间、第二类统计时间和第三类统计时间，其中，所述第一类统计时间包括历史时间段内所有工作日，第二类统计时间包括历史时间段内同类型工作日，第三类统计时间包括历史时间段内同类型非工作日；
57.根据所述第一类统计时间、所述第二类统计时间和所述第三类统计时间对所述第一类乘客历史客流量进行数据筛选，得到第一类历史客流量、第二类历史客流量和第三类历史客流量；
58.将所述第一类历史客流量结合第一权重值和第二权重值得到第一离线预测客流量，将所述根据第二类历史客流量结合第三权重值和第四权重值得到第二离线预测客流量，将第三类历史客流量结合第五权重值和第六权重值得到非工作日离线预测客流量；
59.根据第一离线预测客流量和所述第二离线预测客流量得到工作日离线预测客流量；
60.根据所述工作日离线预测客流量和所述非工作日离线预测客流量，得到离线预测客流量。
61.进一步的，所述第一类乘客实时客流量包括正常到站公交的实时客流量和非正常到站公交的实时客流量；
62.所述第一预测单元，还用于将正常到站公交的实时客流量结合第七权重值和第八权重值修正所述离线预测客流量，输出第三预测客流量；
63.将所述第三预测客流量与非正常到站公交的客流量相加，输出所述第一预测客流量。
64.在第三方面，本技术实施例提供了一种基于公交地铁接驳站点的客流量预测设备，包括：
65.存储器以及一个或多个处理器；
66.所述存储器，用于存储一个或多个程序；
67.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于公交地铁接驳站点的客流量预测方法。
68.在第四方面，本技术实施例提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于公交地铁接驳站点的客流量预测方法。
69.本技术实施例将获取的乘坐公交到达接驳站点的第一类乘客实时客流量和对应的时间信息，输入预设的第一预测模型中，通过第一类乘客实时客流量修正第一预测模型输出第一预测客流量，第一预测客流量结合根据预设的第二预测模型得到的非乘坐公交到
达接驳站点的第二预测客流量，得到预测的总客流量。采用上述技术手段，可以通过第一类乘客实时客流量修正第一预测模型，可以根据实际客流量情况修正预设的离线第一预测模型，从而提升公交地铁接驳站点的客流量预测的准确性。此外，通过乘坐公交到达接驳站点和非乘坐公交到达接驳站点的客流量分别用不同的预测模型进行预测，能够对乘坐公交到达接驳站点的客流影响因素和非乘坐公交到达接驳站点的客流影响因素进行针对性考量，从而可以提高预测乘坐公交到达接驳站点客流量和预测非乘坐公交到达接驳站点的客流量的准确程度，进而提高了预测的总客流量的准确性。
附图说明
70.图1是本技术实施例提供的一种基于公交地铁接驳站点的客流量预测方法的流程图；
71.图2是本技术实施例提供的一种基于公交地铁接驳站点的客流量预测装置的结构示意图；
72.图3是本技术实施例提供的一种基于公交地铁接驳站点的客流量预测设备的结构示意图。
具体实施方式
73.为了使本技术的目的、技术方案和优点更加清楚，下面结合附图对本技术具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
74.本技术提供的基于公交地铁接驳站点的客流量预测方法及装置，旨在客流量预测时，通过第一类乘客实时客流量修正预测的第一预设模型输出第一预测客流量，以此提升第一预测客流量的准确性。并且，通过乘坐公交到达接驳站点和非乘坐公交到达接驳站点的客流量分别用不同的预测模型进行预测，可以提升预测乘坐公交到达接驳站点客流量和预测非乘坐公交到达接驳站点的客流量的准确程度。相对于传统的客流量预测方式，其通常通过相同时间的历史客流量作为参考，预测客流量与历史客流量差不多，缺乏考量实际情况可能与历史情况不相同，例如天气或者突发意外交通事故等，仅以历史客流量作为参考进行预测导致预测的结果并不可靠。基于此，提供本技术实施例的基于公交地铁接驳站点的客流量预测方法，以解决现有预测客流量可靠性低的问题。
75.图1给出了本技术实施例提供的一种基于公交地铁接驳站点的客流量预测方法的流程图，本实施例中提供的基于公交地铁接驳站点的客流量预测方法可以由基于公交地铁接驳站点的客流量预测设备执行，该基于公交地铁接驳站点的客流量预测设备可以通过软件和/或硬件的方式实现，该基于公交地铁接驳站点的客流量预测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该基于公交地铁接驳站点的客流量
预测设备可以是终端设备，如上位机、平板或者手机等。
76.下述以上位机为执行基于公交地铁接驳站点的客流量预测方法的主体为例，进行描述。参照图1，该基于公交地铁接驳站点的客流量预测方法具体包括：
77.s101、获取第一类乘客实时客流量和对应的时间信息，其中，所述时间信息包括日期信息、日期类型信息和时刻信息，其中所述日期类型信息包括工作日和非工作日，所述第一类乘客包括乘坐公交到达接驳站点的乘客。
78.在进行客流量统计时，将进入公交地铁接驳站点的地铁站点的乘客分成两类，其中第一类是通过乘坐公交到达接驳站点的乘客，第二类是通过其他方式到达接驳站点的乘客，其他方式可以是走路、驾车、骑车或者打车等方式。通过将乘坐公交到达接驳站点和非乘坐公交到达接驳站点的乘客进行分开预测，能够将影响这两类乘客的客流量的因素区分考虑，提高了预测模型的针对性，进而提高客流量预测准确性。其中，通过地铁闸机进站刷卡记录得到第一类乘客和第二类乘客的总客流量，可以通过在地铁闸机进站刷卡记录对应的时间点往前查看预设时间间隔内有无该乘客的公交刷卡记录进行判断是否属于第一类乘客。一般第一类乘客在接驳公交站点下车后，通过步行一段时间到达接驳地铁站点进行刷卡进站，因此可以通过查看地铁刷卡记录对应的时间点往前查看预设时间间隔内有无该乘客的公交刷卡记录进行判断是否属于第一类乘客，其中所述预设时间间隔可以根据实际情况设定，一般不要超过1小时。若地铁刷卡记录对应的时间点往前查看预设时间间隔内有该乘客的公交刷卡记录则判断该乘客属于第一类乘客，否则属于第二类乘客。通过实施上述方法，可以统计得到对应的第一类乘客和第二类乘客的实时客流量数据和历史客流量数据。
79.构建下车比例模型，针对第一类乘客，在预设的时间粒度下，针对历史一段时间对应的预设时刻进行下车比例统计。其中预设的时间粒度可以根据实际情况设定，可以设置预设的时间粒度为5分钟、15分钟、30分钟或1小时等。例如，预设的时间粒度是5分钟，预设时刻是早上8点，历史一段时间为过去的一个月，统计过去的一个月每天早上8点-8点05分时间内第一类乘客每个车次的下车乘客数量，以及对应车次公交到站前的总载重信息，通过到站前的总载重信息结合预设的人体平均体重值可以得到到站前的乘客总数量，根据下车乘客数量和到站前的乘客总数量可以求得对应的车次的下车比例，针对相同车次的历史下车比例进行求均值得到该车次对应的下车比例模型。例如统计时间为过去的一个月，通过上述方法可以得到过去一个月每天早上8点到8点05分时间段内对应车次的下车比例，将得到的对应车次一个月内的所有的下车比例求均值，则为对应车次在早上8点到8点05分的下车比例。由此可以计算得到不同车次对应不同时刻的下车比例，得到下车比例模型。
80.示例性的，将第一类乘客按照乘坐的公交线路进行分类，假设有k车次线路经过接轨公交站点，每车次下车乘客数量为l_downi，下车乘客数量的获取可以通过刷卡记录或者通过监控设备进行获取；其中，i代表第i次车次。获取每车次到达站前的总载重信息l_load_capacityi，根据总载重信息估算到站前的下车前的乘客总数量l_oni为：
81.其中avg_capacity为预设的人体平均体重值，以成年人的体重作为参考，可以设置为50kg，具体预设的人体平均体重值也可以根据实际情况进行调整设置。l_oni代表到站前的乘客总数量。通过每车次对应的下车乘客数量l_downi和到站前的乘
客总数量l_oni可以求得下车比例l_down_ratei为：
[0082][0083]
对预设的统计时间段进行上述过程，可求得预设统计时间段内每一天对应时刻的下车比例，对得到的下车比例进行求平均值，作为之后每一天对应时刻的下车比例，并结合车次信息，得到每一天对应车次对应时刻的下车比例，得到所有车次对应不同时刻的下车比例模型。通过上述方法可以得到预设的下车比例模型。
[0084]
获取预设历史时间段内每个第一类乘客从公交站点下车到地铁闸机区域刷卡进站的换乘时间；将所述换乘时间从小到大进行排列，得到所述换乘时间的时间分布；将所述换乘时间的时间分布的数据进行数据处理，得到第一类乘客在不同时间间隔内到地铁闸机区域的概率；根据所述第一类乘客在不同时间间隔内到地铁闸机区域的概率，得到预设的时间分布模型。
[0085]
示例性的，针对第一类乘客，计算出每一第一类乘客从公交站下车到地铁闸机区域的消耗时间consume_timei＝metro_swip_time
i-bus_arrive_timei，其中metro_swip_timei代表第i个乘客的地铁刷卡时间，bus_arrive_timei代表第i个乘客的公交下车刷卡时间。统计出所有第一类乘客的消耗时间后，将消耗时间从小到大进行排序，然后按照分钟为单位进行汇总统计，形成预设的时间分布模型timedistribution。将消耗时间按照分钟为单位进行汇总统计，得到[0,1min]:n0,(1min,2min]:n1,
…
,(i-1min,imin]:n
i-1
,(imin,∞]:ni，其中，n0代表消耗时间少于等于1分钟的第一类乘客的数量，n1代表消耗时间大于1分钟少于等于2分钟的第一类乘客的数量，n
i-1
代表消耗时间大于i-1分钟少于等于i分钟的第一类乘客的数量，ni代表消耗时间大于i分钟的第一类乘客的数量。对上述统计数据进行输出处理，得到预设的时间分布模型为：
[0086][0087]
其中，代表统计的第一类乘客的总数量，代表第一类乘客从公交站下车到地铁闸机区域的消耗时间少于等于1分钟的概率，代表第一类乘客从公交站下车到地铁闸机区域的消耗时间大于1分钟少于等于2分钟的概率，代表第一类乘客从公交站下车到地铁闸机区域的消耗时间大于i-1分钟少于等于i分钟的概率，代表第一类乘客从公交站下车到地铁闸机区域的消耗时间大于i分钟的概率，m代表消耗时间段的数量。
[0088]
获取到站公交到站前的载重信息、车次信息和到站时间，将所述车次信息输入预设的下车比例模型中，查找得到对应车次的下车比例值，其中所述下车比例模型中的下车比例值由对应车次的历史下车比例值求平均值得到，根据所述公交到达接驳站点前的载重信息和所述下车比例值，得到下车乘客总载重。
[0089]
根据所述下车乘客总载重与预设的人体平均体重值，得到下车乘客数量。根据所
述到站时间和预设的时间分布模型，得到下车乘客可在预设时间内到达地铁闸机区域的概率，并根据所述下车乘客数量与对应的可在预设时间内到达地铁闸机区域的概率，得到所述第一类乘客实时客流量。
[0090]
示例性的，获取到站公交到站前的载重信息l_load_capacityi'、车次信息和到站时间，将所述车次信息输入预设的下车比例模型中，查找得到对应车次的下车比例值l_down_ratei，其中所述下车比例模型中的下车比例值由对应车次的历史下车比例值求平均值得到，根据所述公交到达接驳站点前的载重信息和所述下车比例值，得到下车乘客总载重。根据所述下车乘客总载重与预设的人体平均体重值avg_capacity，得到下车乘客数量bus_down_numberi，bus_down_numberi为：
[0091][0092]
假如预测客流量的监控时间为[t1,t2,
…
,ti,tn]，则对应的到站下车乘客的数量为：
[0093]
[bus_down_number1,bus_down_number2,
…
,bus_down_numberi,bus_down_numbern]，获取当前时间ti与监控周期结束时间tn的时间间隔，其时间间隔timeintervali为：
[0094]
timeintervali＝t
n-ti[0095]
计算当前时间下车乘客可在监控周期内到达地铁闸机区域的概率arrivalprobabilityi为：根据正常到站公交对应的下车乘客数量与可在预设时间内达到地铁闸机区域的概率，得到正常到站公交的第一类乘客的实时客流量normal_entry_flow为：
[0096][0097]
其中，n代表正常到站公交的数量。根据非正常到站公交对应的下车乘客数量与可在预设时间内达到地铁闸机区域的概率，得到非正常到站公交的第一类乘客的实时客流量nnnormal_entry_flow为：
[0098][0099]
其中，n
′
代表非正常到站公交的数量。根据所述到站时间和预设的时间分布模型，得到下车乘客可在预设时间内到达地铁闸机区域的概率，并根据所述下车乘客数量与对应的可在预设时间内到达地铁闸机区域的概率，得到正常到站的第一类乘客的实时客流量和非正常到站的第一类乘客的实时客流量，根据正常到站的第一类乘客的实时客流量和非正常到站的第一类乘客的实时客流量，得到所述第一类乘客实时客流量。
[0100]
s102、将所述第一类乘客实时客流量和对应的时间信息输入预设的第一预测模型中，通过所述第一类乘客实时客流量修正所述预设的第一预测模型，输出第一预测客流量。
[0101]
根据地铁刷卡信息和公交刷卡信息获取第一类乘客历史客流量和对应的历史时
间信息，其所述历史时间信息包括日期信息、日期类型信息和时刻信息，其中日期类型信息包括工作日和非工作日。将所述第一类乘客历史客流量和对应的历史时间信息输入预设的第一预测模型中，得到离线预测客流量。通过所述第一类乘客实时客流量修正离线预测客流量，输出第一预测客流量。
[0102]
示例性的，将所述历史时间信息分成第一类统计时间、第二类统计时间和第三类统计时间，其中，所述第一类统计时间包括历史时间段内所有工作日，第二类统计时间包括历史时间段内同类型工作日，第三类统计时间包括历史时间段内同类型非工作日。根据所述第一类统计时间、所述第二类统计时间和所述第三类统计时间对所述第一类乘客历史客流量进行数据筛选，得到第一类历史客流量、第二类历史客流量和第三类历史客流量。将所述第一类历史客流量结合第一权重值和第二权重值得到第一离线预测客流量，将所述根据第二类历史客流量结合第三权重值和第四权重值得到第二离线预测客流量，将第三类历史客流量结合第五权重值和第六权重值得到非工作日离线预测客流量。根据第一离线预测客流量和所述第二离线预测客流量得到工作日离线预测客流量。根据所述工作日离线预测客流量和所述非工作日离线预测客流量，得到离线预测客流量。
[0103]
在一实施例中，根据地铁刷卡信息和公交刷卡信息获取第一类乘客历史客流量和对应的历史时间信息，其所述历史时间信息包括日期信息、日期类型信息和时刻信息，其中日期类型信息包括工作日和非工作日。例如统计的历史时间算为过去的一个月时间，则将所述历史时间信息分成第一类统计时间、第二类统计时间和第三类统计时间，其中，所述第一类统计时间包括历史时间段内所有工作日，例如统计的是周一的上午9点-9点05分，则第一类统计时间为过去的所有工作日的上午9点-9点05分。第二类统计时间包括历史时间段内同类型工作日，例如统计的是周一的上午9点-9点05分，则第二类统计时间为过去的所有周一的上午9点-9点05分。第三类统计时间包括历史时间段内同类型非工作日，例如统计的是周六的上午9点-9点05分，则第三类统计时间为过去的所有周六的上午9点-9点05分。根据所述第一类统计时间、所述第二类统计时间和所述第三类统计时间对所述第一类乘客历史客流量进行数据筛选，得到第一类历史客流量s_flow
ij
、第二类历史客流量h_flow
in
和第三类历史客流量h_flow
in
'。因此得到工作日的预设的第一预测模型为：
[0104][0105][0106][0107]
其中，predict
flow
代表工作日离线预测客流量，代表第一权重值，t_weight代表第二权重值，代表第三权重值，h_weight代表第四权重值。其中j＝1......n2表示第一类统计时间的天数数量，然后time_intervalj代表第j天距离要预测的当天的天数间隔，代表第n2天距离要预测当天的天数。n＝1......2表示
第二类统计时间的天数数量，然后time_intervaln代表第n天距离要预测的当天的天数间隔，代表第l2天距离要预测当天的天数间隔。n1代表预设的时间粒度，预设的时间粒度可以根据实际情况设定，可以设置预设的时间粒度为5分钟、15分钟、30分钟或1小时等。n2代表第一类统计时间的统计天数数量，l2代表第二类统计时间的统计天数数量。将所述第一类历史客流量结合第一权重值和第二权重值得到第一离线预测客流量，将所述根据第二类历史客流量结合第三权重值和第四权重值得到第二离线预测客流量，根据第一离线预测客流量和所述第二离线预测客流量得到工作日离线预测客流量。
[0108]
因此得到非工作日的预设的第一预测模型为：
[0109][0110][0111]
其中，predict
flow
′
代表非工作日离线预测客流量，代表第五权重值，h_weight
′
代表第六权重值。其中，n＝1......3表示第三类统计时间的天数数量，然后time_intervaln'代表第n天距离要预测的当天的天数间隔，代表第l3天距离要预测当天的天数间隔。n1代表预设的时间粒度，预设的时间粒度可以根据实际情况设定，可以设置预设的时间粒度为5分钟、15分钟、30分钟或1小时等。l3代表第三类统计时间的统计天数数量。将第三类历史客流量结合第五权重值和第六权重值得到非工作日离线预测客流量。根据所述工作日离线预测客流量和所述非工作日离线预测客流量，得到离线预测客流量。
[0112]
对于工作日时间内的第一预测客流量的预测，将所述第一类乘客实时客流量和对应的时间信息输入预设的第一预测模型中，通过所述第一类乘客实时客流量中正常到站公交的第一类乘客的实时客流量normal_entry_flow修正所述预设的第一预测模型。将正常到站公交的实时客流量结合第七权重值和第八权重值修正所述离线预测客流量，输出第三预测客流量normal_entry_flow2为：
[0113][0114]
其中，offline_weight代表第七权重值，为离线模型的权重系数，online_weight代表第八权重值，为实时预测的权重系数，n代表正常到站公交的数量。将所述第三预测客流量与非正常到站公交的客流量相加，输出所述第一预测客流量total_entry_flow为：
[0115]
total_entry_flow＝normal_entry_flow2 unnormal_entry_flow。
[0116]
s103、根据所述第一类预测的客流量和根据预设的第二预测模型得到的第二预测客流量，得到预测的总客流量，其中，所述第二预测客流量包括预测非乘坐公交到达接驳站点的乘客客流量。
[0117]
对于公交地铁接驳站点的客流量统计出了乘坐公交达到接驳站点的第一类乘客之外，还有包括非乘坐公交地铁到达接驳站点的第二类乘客，其中第二类乘客可能是乘坐计程车、自驾车、走路或者骑自行车等方式前往接驳站点的，因此第二类乘客客流量容易受到天气或者温度等因素的影响。对于第二类乘客的客流量预测，可以通过获取影响客流量预测因素对应的关联数据和预测接驳站点标识，预测因素为时间参数、天气参数、属性参数中的至少一种；将关联数据和预测接驳站点标识输入至已训练好的第二预测模型中，得到预测站点标识对应的预测客流量；根据预测因素确定关联数据是否符合预设条件，当关联数据符合预设条件时，获取已训练的客流量影响因子；根据预测客流量和客流量影响因子计算得到预测站点标识对应的第二预测客流量。
[0118]
在其中一个实施例中，第二预测模型包括客流量预测算法和第二预测模型子模型，将关联数据和预测站点标识输入至已训练好的第二预测模型中，得到预测站点标识对应的预测客流量，包括：从关联数据中获取时间参数和属性参数对应的子关联数据；根据子关联数据获取匹配的预设客流量预测算法，利用预设客流量预测算法计算得到子关联数据对应的第一子客流量；将影响客流量预测因素对应的关联数据和预测站点标识输入至已训练好的第二预测模型子模型中，得到预测站点标识对应的第二子客流量；将第一子客流量和第二子客流量输入至已训练好的第二预测模型中，第二预测模型通过全连接层输出中间客流量，对中间客流量进行张量连接得到预测站点标识对应的预测客流量。
[0119]
在一实施例中，第二预测模型子模型的训练步骤包括：构建至少一个训练数据特征，训练数据特征为历史客流量数据特征、周期性客流量数据特征、月份特征、星期特征、小时特征、假期特征、平均气温特征、绝对温差特征中的至少一个；将至少一个训练数据特征输入至初始第二预测模型子模型中，计算得到至少一个训练数据特征对应的初始权重系数，将初始权重系数作为初始第二预测模型子模型的模型参数，得到中间第二预测模型子模型；获取训练关联数据，训练关联数据包括对应的第二预测客流量数据；将训练关联数据输入至中间第二预测模型子模型，得到对应的预测客流量数据；根据第二预测客流量数据和预测客流量数据计算得到训练损失值，根据训练损失值对中间第二预测模型子模型的模型参数进行调整，直至满足收敛条件，得到已训练好的第二预测模型子模型。预设条件用于判断关联数据是否是特殊关联数据，特殊关联数据为假期关联数据、突发状况关联数据中的至少一种。
[0120]
在一实施例中，已训练的客流量影响因子的生成步骤包括：获取特殊关联数据对应的特殊客流量和普通关联数据对应的普通客流量；随机初始化特殊客流量对应的初始影响参数；获取预设偏移量，根据预设偏移量和初始影响参数计算得到更新影响参数；根据更新影响参数和普通客流量计算得到预测值，根据预测值和普通客流量计算得到误差；当误差满足收敛条件时，将更新影响参数作为客流量影响因子，否则，将更新影响参数作为初始影响参数，直至误差满足收敛条件得到客流量影响因子。
[0121]
在一实施例中，根据预测客流量和客流量影响因子计算得到预测站点标识对应的第二预测客流量，包括：将预测客流量和客流量影响因子相乘，得到预测站点标识对应的第二预测客流量。
[0122]
在一实施例中，其中，第二预测客流量表示为non_bus_entry_flow，将第一类预测的客流量total_entry_flow和预设的第二预测模型得到的第二预测客流量non_bus_
entry_flow相加，从而得到预测的总客流量，预测的总客流量包括第一类乘客客流量预测和第二类乘客客流量预测的总和。通过乘坐公交到达接驳站点和非乘坐公交到达接驳站点的客流量分别用不同的预测模型进行预测，能够对乘坐公交到达接驳站点的客流影响因素和非乘坐公交到达接驳站点的客流影响因素进行针对性考量，从而可以提高预测乘坐公交到达接驳站点客流量和预测非乘坐公交到达接驳站点的客流量的准确程度，进而提高了预测的总客流量的准确性。
[0123]
上述，将获取乘坐公交到达接驳站点的第一类乘客实时客流量和对应的时间信息，输入预设的第一预测模型中，通过第一类乘客实时客流量修正第一预测模型输出第一预测客流量，第一预测客流量结合根据预设的第二预测模型得到的非乘坐公交到达接驳站点的第二预测客流量，得到预测的总客流量。采用上述技术手段，可以通过第一类乘客实时客流量修正第一预测模型，可以根据实际客流量情况修正预设的离线第一预测模型，从而提升公交地铁接驳站点的客流量预测的准确性。此外，通过乘坐公交到达接驳站点和非乘坐公交到达接驳站点的客流量分别用不同的预测模型进行预测，能够对乘坐公交到达接驳站点的客流影响因素和非乘坐公交到达接驳站点的客流影响因素进行针对性考量，从而可以提高预测乘坐公交到达接驳站点客流量和预测非乘坐公交到达接驳站点的客流量的准确程度，进而提高了预测的总客流量的准确性。
[0124]
在上述实施例的基础上，图2为本技术实施例提供的一种基于公交地铁接驳站点的客流量预测装置的结构示意图。参考图2，本实施例提供的基于公交地铁接驳站点的客流量预测装置具体包括：信息获取单元21、第一预测单元22和第二预测单元23。
[0125]
其中信息获取单元21，用于获取第一类乘客实时客流量和对应的时间信息，其中，所述时间信息包括日期信息、日期类型信息和时刻信息，其中日期类型信息包括工作日和非工作日，所述第一类乘客包括乘坐公交到达接驳站点的乘客；
[0126]
第一预测单元22，用于将所述第一类乘客实时客流量和对应的时间信息输入预设的第一预测模型中，通过所述第一类乘客实时客流量修正预设的第一预测模型，输出第一预测客流量；
[0127]
第二预测单元23，用于将所述第一类预测的客流量结合预设的第二预测模型输出的第二预测客流量，得到预测的总客流量，其中，所述第二预测客流量包括预测非乘坐公交到达接驳站点的乘客客流量。
[0128]
进一步的，所述信息获取单元21，还用于获取到站公交到站前的载重信息、车次信息和到站时间；
[0129]
根据所述车次信息和所述到站前的载重信息，得到到站公交下车乘客数量；
[0130]
根据所述到站时间和预设的时间分布模型，得到下车乘客可在预设时间内到达地铁闸机区域的概率，并根据所述下车乘客数量与对应的可在预设时间内到达地铁闸机区域的概率，得到所述第一类乘客实时客流量。
[0131]
进一步的，所述信息获取单元21，还用于获取公交到达接驳站点前的载重信息和车次信息；
[0132]
将所述车次信息输入预设的下车比例模型中，查找得到对应车次的下车比例值，其中所述下车比例模型中的下车比例值由对应车次的历史下车比例值求平均值得到；
[0133]
根据所述公交到达接驳站点前的载重信息和所述下车比例值，得到下车乘客总载
重；
[0134]
根据所述下车乘客总载重与预设的人体平均体重值，得到下车乘客数量。
[0135]
进一步的，所述装置还包括时间分布模型构建单元；
[0136]
所述时间分布模型构建单元，用于获取预设历史时间段内每个第一类乘客从公交站点下车到地铁闸机区域刷卡进站的换乘时间；
[0137]
将所述换乘时间从小到大进行排列，得到所述换乘时间的时间分布；
[0138]
将所述换乘时间的时间分布的数据进行数据处理，得到第一类乘客在不同时间间隔内到地铁闸机区域的概率；
[0139]
根据所述第一类乘客在不同时间间隔内到地铁闸机区域的概率，得到预设的时间分布模型。
[0140]
进一步的，所述第一预测单元22，还用于根据地铁刷卡信息和公交刷卡信息获取第一类乘客历史客流量和对应的历史时间信息，其所述历史时间信息包括日期信息、日期类型信息和时刻信息，其中日期类型信息包括工作日和非工作日；
[0141]
将所述第一类乘客历史客流量和对应的历史时间信息输入预设的第一预测模型中，得到离线预测客流量；
[0142]
通过所述第一类乘客实时客流量修正离线预测客流量，输出第一预测客流量。
[0143]
进一步的，所述第一预测单元22，还用于将所述历史时间信息分成第一类统计时间、第二类统计时间和第三类统计时间，其中，所述第一类统计时间包括历史时间段内所有工作日，第二类统计时间包括历史时间段内同类型工作日，第三类统计时间包括历史时间段内同类型非工作日；
[0144]
根据所述第一类统计时间、所述第二类统计时间和所述第三类统计时间对所述第一类乘客历史客流量进行数据筛选，得到第一类历史客流量、第二类历史客流量和第三类历史客流量；
[0145]
将所述第一类历史客流量结合第一权重值和第二权重值得到第一离线预测客流量，将所述根据第二类历史客流量结合第三权重值和第四权重值得到第二离线预测客流量，将第三类历史客流量结合第五权重值和第六权重值得到非工作日离线预测客流量；
[0146]
根据第一离线预测客流量和所述第二离线预测客流量得到工作日离线预测客流量；
[0147]
根据所述工作日离线预测客流量和所述非工作日离线预测客流量，得到离线预测客流量。
[0148]
进一步的，所述第一类乘客实时客流量包括正常到站公交的实时客流量和非正常到站公交的实时客流量；
[0149]
所述第一预测单元22，还用于将正常到站公交的实时客流量结合第七权重值和第八权重值修正所述离线预测客流量，输出第三预测客流量；
[0150]
将所述第三预测客流量与非正常到站公交的客流量相加，输出所述第一预测客流量。
[0151]
上述，将获取乘坐公交到达接驳站点的第一类乘客实时客流量和对应的时间信息，输入预设的第一预测模型中，通过第一类乘客实时客流量修正第一预测模型输出第一预测客流量，第一预测客流量结合根据预设的第二预测模型得到的非乘坐公交到达接驳站
点的第二预测客流量，得到预测的总客流量。采用上述技术手段，可以通过第一类乘客实时客流量修正第一预测模型，可以根据实际客流量情况修正预设的离线第一预测模型，从而提升公交地铁接驳站点的客流量预测的准确性。此外，通过乘坐公交到达接驳站点和非乘坐公交到达接驳站点的客流量分别用不同的预测模型进行预测，能够对乘坐公交到达接驳站点的客流影响因素和非乘坐公交到达接驳站点的客流影响因素进行针对性考量，从而可以提高预测乘坐公交到达接驳站点客流量和预测非乘坐公交到达接驳站点的客流量的准确程度，进而提高了预测的总客流量的准确性。
[0152]
本技术实施例提供的基于公交地铁接驳站点的客流量预测装置可以用于执行上述实施例提供的基于公交地铁接驳站点的客流量预测方法，具备相应的功能和有益效果。
[0153]
本技术实施例提供了一种基于公交地铁接驳站点的客流量预测设备，参照图3，该基于公交地铁接驳站点的客流量预测设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该基于公交地铁接驳站点的客流量预测设备中处理器的数量可以是一个或者多个，该基于公交地铁接驳站点的客流量预测设备中的存储器的数量可以是一个或者多个。该基于公交地铁接驳站点的客流量预测设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
[0154]
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本技术任意实施例所述的基于公交地铁接驳站点的客流量预测方法对应的程序指令/模块(例如，基于公交地铁接驳站点的客流量预测装置中的信息获取单元、第一预测单元和第二预测单元)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0155]
通信模块33用于进行数据传输。
[0156]
处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的基于公交地铁接驳站点的客流量预测方法。
[0157]
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
[0158]
上述提供的基于公交地铁接驳站点的客流量预测设备可用于执行上述实施例提供的基于公交地铁接驳站点的客流量预测方法，具备相应的功能和有益效果。
[0159]
本技术实施例还提供一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于公交地铁接驳站点的客流量预测方法，该基于公交地铁接驳站点的客流量预测方法包括：获取第一类乘客实时客流量和对应的时间信息，其中，所述时间信息包括日期信息、日期类型信息和时刻信息，其中所述日期类型信息包括工作日和非工作日，所述第一类乘客包括乘坐公交到达接驳站点的乘客；将所述第一类乘客实时客流量和对应的时间信息输入预设的第一预测模型中，通过所述第一类乘客实时客流量修正所述预设的第一预测模型，输出第一预测客流量；根据所述第一类预测的客流量和根据预设的第二预测模型得到的第二预测客流量，得到预测的总客流量，其中，所
述第二预测客流量包括预测非乘坐公交到达接驳站点的乘客客流量。
[0160]
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddr ram、sram、edo ram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
[0161]
当然，本技术实施例所提供的一种存储计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于公交地铁接驳站点的客流量预测方法，还可以执行本技术任意实施例所提供的基于公交地铁接驳站点的客流量预测方法中的相关操作。
[0162]
上述实施例中提供的基于公交地铁接驳站点的客流量预测装置、存储介质及基于公交地铁接驳站点的客流量预测设备可执行本技术任意实施例所提供的基于公交地铁接驳站点的客流量预测方法，未在上述实施例中详尽描述的技术细节，可参见本技术任意实施例所提供的基于公交地铁接驳站点的客流量预测方法。
[0163]
上述仅为本技术的较佳实施例及所运用的技术原理。本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由权利要求的范围决定。