地铁OD量预测方法、设备、存储介质与流程

地铁od量预测方法、设备、存储介质
技术领域
1.本技术涉及轨道交通技术领域，尤其涉及一种地铁od量预测方法、设备、存储介质。


背景技术：

2.地铁od(origin-destination，起讫点)量，是描述地铁交通网络中所有起点和终点之间的行人出行交通数据量，它反映了行人对地铁交通网络的基本要求.是进行地铁交通管理及车辆调配和变通规划的重要依据。od量通常表示为按照一定时间颗粒度(如5分钟，15分钟，1小时等)划分的起点-终点客流量矩阵。
3.准确的od量对于地铁线路开行方案的设计、运行计划的调整都有重要的指导意义，因此如何获取准确的od量长期值或趋势以及短时状况始终是地铁运营的重点关注问题。
4.对于od量的长期预测，即获取较长一段时间后某日/时刻的od量，当前的状况基本不会起到指导作用。od量的短期预测是指预测短时间内(数分钟至数小时)的od量，这种情况下当前的状态(od量、天气等)就会起到很大的指导作用，因此短时预测结果往往比长期预测更准确，如果能够快速的获取短期预测结果并及时做出响应，则短期预测能发挥出更大的价值。
5.因此，如何精确对od量进行测量，成为当前亟待解决的问题。


技术实现要素：

6.为了精确的对od量进行测量，本技术提供了一种地铁od量预测方法、设备、存储介质。
7.本技术第一个方面，提供了一种地铁od量预测方法，所述方法包括：
8.确定预测时间段的起讫点od量长期预测值；
9.获取当前的测量变量；
10.根据所述测量变量对所述预测时间段进行od量短期预测，得到od量短期预测值；
11.综合所述od量短期预测值和所述od量长期预测值，得到所述预测时间段的od量最终预测值。
12.可选地，所述确定预测时间段的起讫点od量长期预测值之前，还包括：
13.获取od样本数据；
14.获取日期特征标签，所述日期特征标签为星期标签和/或节假日标签；
15.根据所述od样本数据和日期特征标签构建训练集；
16.基于所述训练集对神经网络模型进行训练，得到od量长期预测模型；
17.根据所述od量长期预测模型确定各时间段的od量长期预测值，所述各时间段中包括所述预测时间段；
18.所述确定预测时间段的起讫点od量长期预测值，包括：
19.从各时间段的od量长期预测值中，获取所述预测时间段的od量长期预测值。
20.可选地，所述获取od样本数据，包括：
21.从站台闸机获取到各用户的刷卡记录；
22.根据所述刷卡记录，确定各用户的od出行数据及对应的出行时间；
23.根据所述出行时间，确定每个时间段内od出行数据总数量，形成od样本数据。
24.可选地，所述刷卡记录包括用户标识、刷卡时间、刷卡站点标识；
25.所述根据所述刷卡记录，确定各用户的od出行数据及对应的出行时间，包括：
26.根据用户标识，确定每个用户的刷卡记录；
27.依次选取一个用户的刷卡记录，通过刷卡时间和刷卡站点标识，确定每次出行起始站点、终止站点、出行时间段；根据起始站点和终止站点确定目标出行，将所有目标出行均作为od出行数据，且将目标出行的出行时间段确定为od出行数据对应的出行时间。
28.可选地，所述根据所述od样本数据和日期特征标签构建训练集，包括：
29.将每个时间段内od出行数据总数量与日期特征标签进行拼接组合，形成训练集。
30.可选地，所述测量变量，包括如下的一种或多种：预设时间段内的od量，交通拥挤度，od起始站点的人流量，向量化的天气信息。
31.可选地，所述根据所述测量变量对所述预测时间段进行od量短期预测，得到od量短期预测值，包括：
32.确定多个预测模型；
33.基于所述测量变量和所述建训练集对每个预测模型进行训练，得到多个od量短期预测模型；
34.根据各od量短期预测模型确定预测时间段的od量短期预测待处理值；
35.确定所有od量短期预测待处理值的均值；
36.计算各od量短期预测待处理值与所述均值的偏差；
37.根据所述偏差，确定od量短期预测值。
38.可选地，所述多个预测模型包括如下的至少两种：神经网络模型，长短期记忆网络模型，梯度提升决策树模型，支持向量回归模型，卷积神经网络模型。
39.本技术第二个方面，提供了一种电子设备，包括：
40.存储器；
41.处理器；以及
42.计算机程序；
43.其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上述第一个方面所述的方法。
44.本技术第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现如上述第一个方面所述的方法。
45.本技术提供地铁od量预测方法、设备、存储介质，该方法包括：确定预测时间段的od量长期预测值；获取当前的测量变量；根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值；综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值。
46.本技术提供的方法综合od量短期预测值和od量长期预测值，得到预测时间段的od
量最终预测值，使得od量最终预测值既有od量长期预测的预测参数少的特点，又有短期预测的预测精确特点，在提供精确预测的同时降低预测复杂度，进而为地铁运营方提供运营计划设计的可靠依据。
47.另外，在一种实现中，根据od样本数据和日期特征标签构建训练集，基于训练集训练od量长期预测模型，进而根据od量长期预测模型确定预测时间段的od量长期预测值，提供了od量长期预测的具体实现方案。该方案可以最小量的数据完成od量长期预测，在数据不完整时可以最大程度满足od量长期预测需求，同时每出现一个新的od仅需要单独建立并训练一个od量长期预测模型即可，大大降低了od量长期预测模型构建的时间成本。
48.另外，在一种实现中，根据刷卡记录形成od样本数据，实现了od样本数据的准确高效获取，不仅缩减了od量长期预测值的预测时长，还提升了od量长期预测值的预测精确性。
49.另外，在一种实现中，根据用户标识、刷卡时间、刷卡站点标识，确定od出行数据及对应的出行时间，进一步明确了od出行数据及对应的出行时间的确定方案，保证了od出行数据及对应的出行时间的准确高效获取。
50.另外，在一种实现中，将每个时间段内od出行数据总数量与日期特征标签进行拼接组合，形成训练集，使得训练集不仅具有od出行数据总数量的属性，还具有日期特征属性，可以针对单个日期特征标签进行，精确预测od量，细化了预测精度。
51.另外，在一种实现中，对测量变量进行具体限定，明确了测量变量包括如下的一种或多种：预设时间段内的od量，交通拥挤度，od起始站点的人流量，向量化的天气信息，通过该测量变量可以丰富od量短期预测的变量，使得od量短期预测值更加精确。
52.另外，在一种实现中，通过多个od量短期预测模型进行od量短期预测，进而从多个od量短期预测结果中，确定最终的od量短期预测结果。由于不管何种模型都可能会不可避免地出现对于一些特殊的输入组合产生偏差较大的预测的情况，导致预测的可用性下降，通过从多个od量短期预测结果中，确定最终的od量短期预测结果可以有效的避免单个od量短期预测模型造成的偶发大误差情况，提升预测精度。
53.另外，在一种实现中，对预测模型进行具体限定，通过丰富的预测模型，降低单一od量短期预测模型造成的偶发大误差情况，提升预测精度。
54.本技术提供的电子设备，其上计算机程序被处理器执行以综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值，使得od量最终预测值既有od量长期预测的预测参数少的特点，又有短期预测的预测精确特点，在提供精确预测的同时降低预测复杂度，进而为地铁运营方提供运营计划设计的可靠依据。
55.本技术提供的计算机可读存储介质，其上的计算机程序被处理器执行以综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值，使得od量最终预测值既有od量长期预测的预测参数少的特点，又有短期预测的预测精确特点，在提供精确预测的同时降低预测复杂度，进而为地铁运营方提供运营计划设计的可靠依据。
附图说明
56.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
57.图1为本技术实施例提供的一种地铁od量预测方法的流程示意图；
58.图2为本技术实施例提供的一种预测各时间段的od量长期预测值时的神经网络模型示意图；
59.图3为本技术实施例提供的一种长短期记忆网络的od量短期预测模型示意图；
60.图4为本技术实施例提供的一种地铁od量预测方法的预测结果滚动更新示意图。
具体实施方式
61.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
62.在实现本技术的过程中，发明人发现，对于od量的长期预测，即获取较长一段时间后某日/时刻的od量，当前的状况基本不会起到指导作用。od量的短期预测是指预测短时间内(数分钟至数小时)的od量，这种情况下当前的状态(od量、天气等)就会起到很大的指导作用，因此短时预测结果往往比长期预测更准确，如果能够快速的获取短期预测结果并及时做出响应，则短期预测能发挥出更大的价值。因此，如何精确对od量进行测量，成为当前亟待解决的问题。
63.针对上述问题，本技术实施例中提供了一种地铁od量预测方法、设备、存储介质，该方法包括：确定预测时间段的od量长期预测值；获取当前的测量变量；根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值；综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值。本技术综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值，使得od量最终预测值既有od量长期预测的预测参数少的特点，又有短期预测的预测精确特点，在提供精确预测的同时降低预测复杂度，进而为地铁运营方提供运营计划设计的可靠依据。
64.od量是指起终点间的交通出行量。“o”来源于origin，指出行的出发地点(即本实施例中的起始站点)，“d”来源于destination，指出行的目的地(即本实施例中的终止站点)。
65.当需要对某一起始站点至某一终止站点之间的交通出行量进行预测时，就会执行本实施例提供的地铁od量预测方法。
66.为了方便描述，本实施例及后续实施例将某一起始站点至某一终止站点称为od对，其中od对的o为该某一起始站点，d为该某一终止站点。
67.例如，需要对站点a至站点b之间的交通出行量进行预测，那么od对中的o为站点a，d为站点b。
68.参见图1，本实施例提供的一种地铁od量预测方法的实现过程如下：
69.101，确定预测时间段的od量长期预测值。
70.在执行本步骤之前，会预测各时间段的od量长期预测值，且各时间段中包括预测时间段。从各时间段的od量长期预测值中，获取预测时间段的od量长期预测值。
71.仍以需要对站点a至站点b之间未来一小时的交通出行量进行预测为例，在执行步骤101之前会预测今天各小时的od量长期预测值，也就是说，在执行步骤101之前已经有24个od量长期预测值，每个od量长期预测值对应今天的1个小时，且各od量长期预测值对应的
小时不同。那么在执行步骤101时，会从24个od量长期预测值中获取与未来一小时对应的od量长期预测值。
72.对于预测各时间段的od量长期预测值的实现方案，现有的有两种，
73.第一种方法，从单一站点建模，该模型根据一个车站的进出站数据，对该车站进出站客流进行预测，这种模型对于车站方面制订客流策略非常便捷，但无法支撑od预测，即无法将进出站乘客匹配，从而导致预测出的进出站乘客数不相同，无法生成对应的od对。
74.第二种方法，将全网的od量表示为一个o-d矩阵，基于此进行od量的预测，此方法与第一种方法刚好相反，虽然可以保证进出站量的生成，但形式化的矩阵需要整合全网各车站的数据，在数据准备上十分不便，此外由于车站数量等同于矩阵维度，因此当关注的站点发生变化时，模型的结构也会发生变化。
75.本实施例在确定预测各时间段的od量长期预测值的实现方案时，考虑根据od预测进行开行方案配置时，往往需要关心该线路及一些相关换乘线路的od量，而现有的第一种方法无法实现od预测，现有的第二种方法考虑全网数据则过于冗余，因此本实施例结合现有的两种方法，采用一种不是按照站点而是按照od对进行建模的分od模型法：对每个od对进行单独建模，仅使用该od数据训练模型，使得线路和路网的综合大模型由相关的od对小模型组合表示。此方法可以最小量的数据完成对od量建模-预测的需求，在数据不完整时可以最大程度满足初步建模需求，同时每出现一个新的od仅需要单独建立并训练一个小模型加入组合即可，时间耗费小于重新组合数据训练线网级模型。
76.具体的，预测各时间段的od量长期预测值的实现过程如下：
77.1、获取od样本数据。
78.在实现时可以通过刷卡记录获取od样本数据。
79.例如，
80.1)从站台闸机获取到各用户的刷卡记录。
81.其中，刷卡记录包括用户标识、刷卡时间、刷卡站点标识、刷卡类型(进站/出站)等。
82.2)根据刷卡记录，确定各用户的od出行数据及对应的出行时间。
83.例如，将刷卡记录按时间排序，对于同一用户标识的记录，可认为其进站刷卡记录和其后最早一次出站刷卡记录构成了该用户一次出行(由于用户可能一天出行多次，因此一定要是时间顺序邻近且先进后出的记录对)，即可得到该用户的出行od对即进出站时间，也就是出行时间。
84.3)根据出行时间，确定每个时间段内od出行数据总数量，形成od样本数据。
85.具体的，根据用户标识，确定每个用户的刷卡记录。依次选取一个用户的刷卡记录，通过刷卡时间和刷卡站点标识，确定每次出行起始站点、终止站点、出行时间段。根据起始站点和终止站点确定目标出行，将所有目标出行均作为od出行数据，且将目标出行的出行时间段确定为od出行数据对应的出行时间。
86.其中，目标出行的起始站点和终止站点要与od对匹配。仍以需要对站点a至站点b之间未来一小时的交通出行量进行预测为例，将起始站点为站点a，终止站点为站点b的出行确定为目标出行。
87.在将所有目标出行均作为od出行数据后，od出行数据仅包括起始站点为站点a，终
止站点为站点b的出行数据。
88.另外，出行数据中包括站点a的刷卡时间和站点b的刷卡时间。对于某一条目标出行(如目标出行i)，若其在站点a的刷卡时间为时间ai，在站点b的刷卡时间为时间bi，那么出行时间段为时间ai至时间bi。目标出行i作为出行数据时的出行时间为时间ai至时间bi。
89.根据用户标识、刷卡时间、刷卡站点标识，确定od出行数据及对应的出行时间，进一步明确了od出行数据及对应的出行时间的确定方案，保证了od出行数据及对应的出行时间的准确高效获取。
90.另外，通过刷卡记录形成od样本数据，实现了od样本数据的准确高效获取，不仅缩减了od量长期预测值的预测时长，还提升了od量长期预测值的预测精确性。
91.2、获取日期特征标签。
92.其中，日期特征标签为星期标签和/或节假日标签。
93.日期特征标签为描述日期特性的标签，如星期，节假日状况等，但是不能使用天气、路况等无法或难以准确预测的属性作为日期特征标签。
94.3、根据od样本数据和日期特征标签构建训练集。
95.具体的，将每个时间段内od出行数据总数量与日期特征标签进行拼接组合，形成训练集。
96.将每个od样本数据和日期特征标签组合，即可构成一条可用于训练的样本，所有样本的集合为训练集。
97.通过将每个时间段内od出行数据总数量与日期特征标签进行拼接组合，形成训练集，使得训练集不仅具有od出行数据总数量的属性，还具有日期特征属性，可以针对单个日期特征标签进行，精确预测od量，细化了预测精度。
98.4、基于训练集对神经网络模型进行训练，得到od量长期预测模型。
99.其中，神经网络模型的结构可以如图2所示。
100.在训练集中存在足够的样本后，将训练集中的样本分为三类，一类用于训练，一类用于验证，一类用于测试，通过训练集对神经网络模型进行训练。鉴于神经网络的通用性强，训练简单的优点，不同od对可采用相同的网络模型，只需要使用不同的od样本集训练即可得到匹配该od的模型，对于一些始终无法达到准确度要求的od，则需要专门调整或设模型。
101.5、根据od量长期预测模型确定各时间段的od量长期预测值。
102.在得到了od量长期预测模型后，只需要确定未来某个日期的标签信息，就能通过模型预测出该od的全天分时段客流od量信息。
103.例如，预先设置的一个时间段颗粒度，例如，15分钟，1小时。以1小时为例，将1天划为24个时间段，根据od量长期预测模型确定各时间段的od量长期预测值，得到24个od量长期预测值。
104.在上述预测各时间段的od量长期预测值的过程中，根据od样本数据和日期特征标签构建训练集，基于训练集训练od量长期预测模型，进而根据od量长期预测模型确定预测时间段的od量长期预测值，提供了od量长期预测的具体实现方案。该方案可以最小量的数据完成od量长期预测，在数据不完整时可以最大程度满足od量长期预测需求，同时每出现一个新的od仅需要单独建立并训练一个od量长期预测模型即可，大大降低了od量长期预测
模型构建的时间成本。
105.因此本实施例采用神经网络对od量长期数值进行预测。
106.102，获取当前的测量变量。
107.其中，测量变量，包括如下的一种或多种：预设时间段内的od量(如前几个时段内的od量)，交通拥挤度，od起始站点的人流量，向量化的天气信息。
108.通过该测量变量可以丰富od量短期预测的变量，使得od量短期预测值更加精确。
109.103，根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值。
110.具体的，
111.1、确定多个预测模型。
112.例如，多个预测模型至少包括如下的至少两种：神经网络模型，长短期记忆网络模型，梯度提升决策树模型，支持向量回归模型，卷积神经网络模型。
113.不管何种模型都可能会不可避免地出现对于一些特殊的输入组合产生偏差较大的预测的情况，导致预测的可用性下降，因此，通过丰富的预测模型，降低单一od量短期预测模型造成的偶发大误差情况，提升预测精度。
114.2、基于测量变量和建训练集对每个预测模型进行训练，得到多个od量短期预测模型。
115.3、根据各od量短期预测模型确定预测时间段的od量短期预测待处理值。
116.4、确定所有od量短期预测待处理值的均值。
117.5、计算各od量短期预测待处理值与均值的偏差。
118.6、根据偏差，确定od量短期预测值。
119.od量短期预测比od量长期预测有着更多可用的信息，如当前/之前时段的客流量、天气、路况等信息都可以提供重要参考，因此，为了能更好使用这些丰富的变量，短时od量预测模型需要更加复杂。此处模型同样是采用分od建模方法，并通过多个模型协同预测以求达到更好的预测精度。
120.①
神经网络：od量短期预测模型同样可以使用神经网络，流程与od量长期预测时基本相同，但输入的维度需要增加，包括前几个时段内的od量、交通拥挤度、该od起点站的人流量、向量化的天气信息等，同时，神经网络的复杂度也要随之提升。
121.②
长短期记忆网络(lstm，long short-term memory)：该网络在一般神经网络的基础上加入了受先前输入控制的门，从而在处理时间序列信息时具有一定的长期和短期记忆能力，因此使用lstm可以将一段时间的客流量作为时间序列，通过输入路况、交通情况等实时信息，滚动预测出未来一段时间的od客流量，如图3所示。
122.③
梯度提升决策树(gbdt，gradient boosting decision tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。其思想是将每层的输入按照该层树的数量，以最小误差的方式进行划分，以每棵树中子节点的平均值代表这棵树，作为向上一级的节点输入值。gdbt不具有记忆性，因此输入变量和神经网络模型一致，但其在样本较少时有着优于神经网络的准确度且运算更快，因此可以和上述方法起到很好的互补。
123.此外，还可以使用支持向量回归模型(svr，support vector regression)，卷积神经网络(cnn，convolutional neural networks)等方式建立模型参与进行预测。
124.由于机器学习模型的特性，不管何种模型都可能会不可避免地出现对于一些特殊的输入组合产生偏差较大的预测的情况，导致预测的可用性下降，因此，在算力允许的情况下，可以使用尽可能多的不同模型同时进行预测，对预测的结果进行平均后计算每种模型结果与平均值的偏差，从而淘汰一个偏差最大的模型或持续淘汰模型直至偏差降低到一定范围内，从而避免了单个会出现模型的偶发大误差情况，提升模型整体的精度，因此，步骤6、根据偏差确定od量短期预测值的实现过程为：先确定所有od量短期预测待处理值的均值，再计算各od量短期预测待处理值与均值的偏差，确定方差或淘汰个数是否满足要求，如果满足要求，则以当前所剩od量短期预测待处理值的均值作为od量短期预测值。如果不满足要求，则将偏差最大的od量短期预测待处理值进行淘汰，进而将得到偏差最大的od量短期预测待处理值的od量短期预测模型进行淘汰。
125.另外，在具体淘汰时，还可以加入方差值，即将方差最大的od量短期预测模型进行淘汰。
126.下面以阿里云公布的杭州地铁刷卡数据进行测试，分别训练了神经网络模型，支持向量回归模型，xgboost和lightgbm(两种运算方式不同的gbdt变种)模型，并将各模型预测的结果分别进行了直接平均和上述算法的融合(每次预测舍弃掉一个方差最大的模型结果)，其rmse(均方根误差)如表1。
127.表1各od量短期预测模型预测表现
128.模型rmse(人)nn9.55svr9.22xgboost9.65lightgbm9.65结果平均9.19结果融合9.12
129.可见平均结果相较各原始的结果存在一定的提升，使用本提案的方法比单纯进行平均又有提升。
130.104，综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值。
131.如图4所示，对于地铁运营公司使用而言，本实施例提供的方法首先使用od量长期预测模型对未来较长一段时间(一周等)的od量进行预测，以此设计初步的运行计划。之后随着实际客流、天气、路况信息的获取，使用od量短期预测模型预测到更精确的短时(几个小时或次日)结果，并及时调整方案或启动预案。
132.本实施例提供的地铁od量预测方法为一种基于机器学习进行地铁od量预测的方法，通过综合多种机器学习算法，综合对地铁od量长期和短时的预测，为地铁运行方案的设置和调整提供参考。
133.具体的，1)通过使用参数较少、模型较简单的神经网络，仅根据星期、时段可以对任意日期od量进行预测，从而获取长期的od量预测数据。2)通过使用参数较多、模型复杂的神经网络，并结合其他时间序列预测模型，可以根据当前天气，前一段时间的od量信息等，对后续短时的od量进行更精确的预测。3)通过将1)和2)进行结合，首先根据历史数据得到
长期预测结果，之后随着数据的获取不断更新短时预测结果，从而得到长短期综合的od预测结果。
134.本实施例提供一种地铁od量预测方法，确定预测时间段的od量长期预测值；获取当前的测量变量；根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值；综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值。本实施例提供的方法综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值，使得od量最终预测值既有od量长期预测的预测参数少的特点，又有短期预测的预测精确特点，在提供精确预测的同时降低预测复杂度，进而为地铁运营方提供运营计划设计的可靠依据。
135.基于地铁od量预测方法的同一发明构思，本实施例提供一种电子设备，该电子设备包括：存储器，处理器，以及计算机程序。
136.其中，计算机程序存储在存储器中，并被配置为由处理器执行以实现上述地铁od量预测方法。
137.具体的，
138.确定预测时间段的od量长期预测值。
139.获取当前的测量变量。
140.根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值。
141.综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值。
142.可选地，确定预测时间段的od量长期预测值之前，还包括：
143.获取od样本数据。
144.获取日期特征标签，日期特征标签为星期标签和/或节假日标签。
145.根据od样本数据和日期特征标签构建训练集。
146.基于训练集对神经网络模型进行训练，得到od量长期预测模型。
147.根据od量长期预测模型确定各时间段的od量长期预测值，各时间段中包括预测时间段。
148.确定预测时间段的od量长期预测值，包括：
149.从各时间段的od量长期预测值中，获取预测时间段的od量长期预测值。
150.可选地，获取od样本数据，包括：
151.从站台闸机获取到各用户的刷卡记录。
152.根据刷卡记录，确定各用户的od出行数据及对应的出行时间。
153.根据出行时间，确定每个时间段内od出行数据总数量，形成od样本数据。
154.可选地，刷卡记录包括用户标识、刷卡时间、刷卡站点标识。
155.根据刷卡记录，确定各用户的od出行数据及对应的出行时间，包括：
156.根据用户标识，确定每个用户的刷卡记录。
157.依次选取一个用户的刷卡记录，通过刷卡时间和刷卡站点标识，确定每次出行起始站点、终止站点、出行时间段。根据起始站点和终止站点确定目标出行，将所有目标出行均作为od出行数据，且将目标出行的出行时间段确定为od出行数据对应的出行时间。
158.可选地，根据od样本数据和日期特征标签构建训练集，包括：
159.将每个时间段内od出行数据总数量与日期特征标签进行拼接组合，形成训练集。
160.可选地，测量变量，包括如下的一种或多种：预设时间段内的od量，交通拥挤度，od起始站点的人流量，向量化的天气信息。
161.可选地，根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值，包括：
162.确定多个预测模型。
163.基于测量变量和建训练集对每个预测模型进行训练，得到多个od量短期预测模型。
164.根据各od量短期预测模型确定预测时间段的od量短期预测待处理值。
165.确定所有od量短期预测待处理值的均值。
166.计算各od量短期预测待处理值与均值的偏差。
167.根据偏差，确定od量短期预测值。
168.可选地，多个预测模型包括如下的至少两种：神经网络模型，长短期记忆网络模型，梯度提升决策树模型，支持向量回归模型，卷积神经网络模型。
169.本实施例提供的电子设备，其上计算机程序被处理器执行以综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值，使得od量最终预测值既有od量长期预测的预测参数少的特点，又有短期预测的预测精确特点，在提供精确预测的同时降低预测复杂度，进而为地铁运营方提供运营计划设计的可靠依据。
170.基于地铁od量预测方法的同一发明构思，本实施例提供一种计算机可其上存储有计算机程序。计算机程序被处理器执行以实现上述地铁od量预测方法。
171.具体的，
172.确定预测时间段的od量长期预测值。
173.获取当前的测量变量。
174.根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值。
175.综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值。
176.可选地，确定预测时间段的od量长期预测值之前，还包括：
177.获取od样本数据。
178.获取日期特征标签，日期特征标签为星期标签和/或节假日标签。
179.根据od样本数据和日期特征标签构建训练集。
180.基于训练集对神经网络模型进行训练，得到od量长期预测模型。
181.根据od量长期预测模型确定各时间段的od量长期预测值，各时间段中包括预测时间段。
182.确定预测时间段的od量长期预测值，包括：
183.从各时间段的od量长期预测值中，获取预测时间段的od量长期预测值。
184.可选地，获取od样本数据，包括：
185.从站台闸机获取到各用户的刷卡记录。
186.根据刷卡记录，确定各用户的od出行数据及对应的出行时间。
187.根据出行时间，确定每个时间段内od出行数据总数量，形成od样本数据。
188.可选地，刷卡记录包括用户标识、刷卡时间、刷卡站点标识。
189.根据刷卡记录，确定各用户的od出行数据及对应的出行时间，包括：
190.根据用户标识，确定每个用户的刷卡记录。
191.依次选取一个用户的刷卡记录，通过刷卡时间和刷卡站点标识，确定每次出行起始站点、终止站点、出行时间段。根据起始站点和终止站点确定目标出行，将所有目标出行均作为od出行数据，且将目标出行的出行时间段确定为od出行数据对应的出行时间。
192.可选地，根据od样本数据和日期特征标签构建训练集，包括：
193.将每个时间段内od出行数据总数量与日期特征标签进行拼接组合，形成训练集。
194.可选地，测量变量，包括如下的一种或多种：预设时间段内的od量，交通拥挤度，od起始站点的人流量，向量化的天气信息。
195.可选地，根据测量变量对预测时间段进行od量短期预测，得到od量短期预测值，包括：
196.确定多个预测模型。
197.基于测量变量和建训练集对每个预测模型进行训练，得到多个od量短期预测模型。
198.根据各od量短期预测模型确定预测时间段的od量短期预测待处理值。
199.确定所有od量短期预测待处理值的均值。
200.计算各od量短期预测待处理值与均值的偏差。
201.根据偏差，确定od量短期预测值。
202.可选地，多个预测模型包括如下的至少两种：神经网络模型，长短期记忆网络模型，梯度提升决策树模型，支持向量回归模型，卷积神经网络模型。
203.本实施例提供的计算机可读存储介质，其上的计算机程序被处理器执行以综合od量短期预测值和od量长期预测值，得到预测时间段的od量最终预测值，使得od量最终预测值既有od量长期预测的预测参数少的特点，又有短期预测的预测精确特点，在提供精确预测的同时降低预测复杂度，进而为地铁运营方提供运营计划设计的可靠依据。
204.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
205.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
206.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
207.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
208.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
209.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。