一种OD客流短时预测方法、装置、设备及其存储介质

技术特征：
1.一种od客流短时预测方法,其特征在于，包括：获取历史乘客ic数据集以及外部影响因素特征数据，并对其进行od匹配处理，生成历史od数据集；将所述历史od数据集进行转换处理，生成时间序列，并对所述时间序列进行堆叠处理，生成输入数据集，其中，以δt作为预测时间间隔对预设时间段内的所述时间序列中进行划分，并将划分后数据进行堆叠；调用训练好的神经网络模型对所述输入数据集进行处理，生成od客流预测数据；根据所述od客流预测数据，对车辆实时动态调度进行调整。2.根据权利要求1所述的od客流短时预测方法,其特征在于，将所述历史od数据集进行转换处理，生成时间序列，并对所述时间序列进行堆叠处理，生成输入数据集，具体为：将所述历史od数据集进行转换处理，生成多组预设时间段的时间序列；以δt作为预测时间间隔对每一预设时间段的时间序列进行划分，并将划分后的每一预设时间段的所述时间序列分别进行堆叠，生成输入数据集，其中，所述输入数据集包括临近性数据、趋势性数据、周期性数据、实时进站客流数据、以及外部因素数据。3.根据权利要求2所述的od客流短时预测方法,其特征在于，根据公式计算所述临近性数据；根据公式计算所述趋势性数据；根据公式计算所述周期性数据；根据公式计算所述实时进站客流数据；根据公式计算所述外部因素数据；其中，l
m
为外部因素特征长度,l
e
为临近性序列长度，l
tr
为趋势性序列长度，l
pe
为周期性序列长度，p趋势性时间跨度，q周期性时间跨度，m
t
为在预测时间间隔t处的外部因素的特征向量。4.根据权利要求1所述的od客流短时预测方法,其特征在于，在调用训练好的神经网络模型对所述输入数据集进行处理之前，还包括：获取多组历史输入数据集；对所述历史输入数据集进行数据处理，生成多组数据结果值；将所述数据结果值按预设比例划分为训练集和测试集；调用所述训练集作为神经网络的输入数据，对神经网络进行训练，调用所述测试集对训练后的神经网络进行测试，生成神经网络模型。5.根据权利要求4所述的od客流短时预测方法,其特征在于，对所述历史输入数据集进行数据处理，生成多组数据结果值，具体为：根据公式对所述历史输入数据集中的临近性数据、趋势性数据、周期性数据、实时进站客流数据进行min-max标准化处理，生成映射到[0,1]范围之间的数据结果值，其中，x
max
为单列特征数据的最大值，x
min
为单列特征数据的最小值；对所述历史输入数据集中的离散型外部因素数据进行one-hot编码数字化处理，生成数字化的数据结果值；
对所述历史输入数据集中的连续型外部因素数据进行min-max线性归一化处理，生成缩放到[0,1]范围之间的数据结果值。6.根据权利要求4所述的od客流短时预测方法,其特征在于，调用所述训练集作为神经网络的输入数据，对神经网络进行训练，调用所述测试集对训练后的神经网络进行测试，生成神经网络模型，具体为：建立一个神经网络，将所述训练集作为输入数据，输入进神经网络中进行训练；将所述测试集输入进神经网络中，计算其均方根误差rmse和平均绝对误差mae，作为评判标准；当所述均方根误差rmse和所述平均绝对误差mae达到预设值时，保存所述神经网络的架构和网络参数，生成神经网络模型。7.根据权利要求6所述的od客流短时预测方法,其特征在于，根据公式计算所述均方根误差rmse，根据公式计算所述平均绝对误差mae，式中：m
ij
和m
ij1
分为从i站到j站客流量的真实值和预测值。8.一种od客流短时预测装置，其特征在于，包括：数据获取单元，用于获取历史乘客ic数据集以及外部影响因素特征数据，并对其进行od匹配处理，生成历史od数据集；输入参数获取单元，用于将所述历史od数据集进行转换处理，生成时间序列，并对所述时间序列进行堆叠处理，生成输入数据集，其中，以δt作为预测时间间隔对预设时间段内的所述时间序列中进行划分，并将划分后数据进行堆叠；预测数据生成单元，用于调用训练好的神经网络模型对所述输入数据集进行处理，生成od客流预测数据；调整单元，用于根据所述od客流预测数据，对车辆实时动态调度进行调整。9.一种od客流短时预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的od客流短时预测方法。10.一种可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如权利要求1至7任意一项所述的od客流短时预测方法。

技术总结
本发明提供了一种OD客流短时预测方法、装置、设备及其存储介质，包括获取历史乘客IC数据集及外部影响因素特征数据，并对其进行OD匹配处理，生成历史OD数据集；将历史OD数据集进行转换处理，生成时间序列，并对时间序列进行堆叠处理，生成输入数据集，以Δt作为预测时间间隔对预设时间段内的时间序列中进行划分，并将划分后数据进行堆叠；调用训练好的神经网络模型对输入数据集进行处理，生成OD客流预测数据；根据OD客流预测数据，对车辆实时动态调度进行调整。此外，现有技术中的OD预测方法忽略了在解决数据稀疏性、可用性问题基础上，同时考虑时序特点，并且OD分布与历史客流量以及外部因素之间的密切关系，导致结果精确度不高。导致结果精确度不高。导致结果精确度不高。


技术研发人员：王成 李心怡
受保护的技术使用者：华侨大学
技术研发日：2022.05.06
技术公布日：2022/7/29