一种地铁线网客流预测方法

技术领域

本发明涉及地铁线网客流预测技术领域，特别涉及一种地铁线网客流预测方法。

背景技术

客流精准预测是城市轨道行业运力精准配置的关键，客流预测结果为节假日和大型赛事活动线网运力配置提供科学支撑，为城市轨道交通运营单位人员保障、行车组织、客流组织提供决策支持，对调度指挥和现场运作起到了重要的指导作用。常见的客流预测方法预测精度不高、预测模型过于简单、缺乏理论深度，人工预测耗时较长、客流预测水平不稳定。

现有的二次指数平滑法存在两个主要的缺陷：一是要求客流预测输入数据呈直线增长趋势，且平滑链要较长，由于线网实际历史客流数据并不完全符合建模的要求，将会导致预测结果存在较大偏差；二是用指数平滑系数对客流预测输入数据按时间先后顺序给以不同的权值，在实际预测时由于预测者对客流规律的判断不同而采用不同的指数平滑系数，导致预测结果不唯一，难以确定比较合适的预测值。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种地铁线网客流预测方法，该方法能够对客流波动做出快速响应，制定相应的运力配置计划，采取有效的客运组织措施，确保资源配置的均衡性和运营过程的安全性，耗时较短，客流预测水平稳定。

为了实现上述目的，本发明采用的技术方案是：

一种地铁线网客流预测方法，包括以下步骤；

步骤1、客流数据采集：

客流数据从线网数据仓库获取，数据来源为ACC系统给出的清分数据，根据预测指标、空间粒度、时间粒度和线路或具体车站，选择相应的历史客流数据；

步骤2、数据预处理：

对预测输入数据的长期趋势变化、季节性变化、周循环变化和非常态变化特征进行分析，在此基础上，对预测输入数据进行预处理；

步骤3、平常日客流预测：

(1)根据步骤2预处理后的时间序列数据，建立ARIMA客流预测模型，进行参数标定和模型优化检验，输出客流预测结果并进行指标评价；

(2)根据预处理后的时间序列数据，建立LSTM人工神经网络客流预测模型，进行分批训练，设置学习速率lr和训练次数epoch，输出拟合结果并反归一化，进行多轮训练，计算评价指标并优化模型参数，进行客流预测并输出预测结果；

步骤4、节假日客流预测：

(1)将城市轨道交通日历分为(法定)节假日、大型活动、工作日、周六日；

(2)以相同节假日、相似节假日为依据，平常日作为参考，采用比例系数法进行节假日客流预测；

(3)首先利用短期客流预测模型对常态化客流进行预测，然后通过节假日波动系数进行调整预测节假日客流。

所述步骤2预处理包括：数据清理、数据平稳化、数据归一化处理：

数据清理具体包括：剔除历史客流数据中因节假日、大型活动等可预见性大客流数据，或影响导致客流规律发生突变的历史数据，常态化疫情防控期间客流数据可以作为预测输入数据；

数据平稳化具体包括：对预测输入时间序列数据进行平稳性检验，观察数据的趋势变化，计算数据的移动平均值和标准差，进行单位根检验，如果平稳则进行纯随机性检验，检验通过后建立模型；如果数据不平稳，进行差分处理，最大差分阶数不超过2阶，如果经过差分处理的数据平稳，则进行纯随机性检验，检验通过后建立模型；如果经过差分处理后数据仍不满足平稳性条件，则重新选择预测输入数据，扩大选择范围，重复上述操作。

数据归一化处理：对于数据量大、时间范围较广的历史客流数据需进行归一化处理，以提高模型数据处理和训练的效率。

所述步骤3中指标评价具体包括：参数标定采用自相关系数和偏自相关系数；拟合优度采用AIC和BIC进行衡量；模型检验采用标准残差、和密度、正态分布、自相关函数；评价指标包括平均绝对误差、均方差误差、均方根误差、平均绝对百分比误差。

所述步骤4的(1)中，日历划分为：

1)节假日：元旦、春节、清明节、劳动节、端午节、中秋节、国庆节，其中春节不含节前一日，其余节日包含节前一日。

2)大型活动：元宵节、妇女节、圣诞平安夜等，无节前一日。

3)工作日：除节假日、大型活动外的所有常态工作日(周一～周五)。

4)周六日：除节假日、大型活动外的所有常态周六、周日。

所述步骤4的(2)中比例系数法进行节假日客流预测包括具体以下步骤：

1)节前一日客流预测，表达式为

式中，Y表示预测的节前一日的客流数据，X表示历史相同或相似节假日节前一日的客流数据，y表示近期客流数据，x表示历史相同或相似节假日同期的客流数据，δ表示修正系数；

2)节日期间客流预测，表达式为

式中，Y′表示预测的节日期间的客流数据，Y表示预测的节前一日的客流数据，X表示历史相同或相似节假日节前一日的客流数据，x′表示历史相同或相似节假日节日期间的客流数据，η表示修正系数。

以近期平常日客流为参考，对预测结果进行校核。

所述步骤4的(3)中所述短期客流预测模型对常态化客流进行预测包括以下步骤：

1)对历史节假日客流进行拟合预测，记为x；

2)与节假日客流真实值X进行比对，确定波动系数；

3)进行节假日客流时序预测，记为y；

4)对时序客流预测值进行修正；

Y＝y·η·ε

即

式中，Y为预测目标值，y为目标时序预测值，X为历史相同或相似节假日真实客流值，x为历史相同或相似节假日时序客流预测拟合值，ε为修正系数。

本发明的有益效果：

本发明一是客流预测模型原理是基于改进ARIMA(求和自回归移动平均模型)、LSTM(长短期记忆)人工神经网络时间序列预测理论；二是结合运营场景对预测模型进行了优化，系统对客流波动的响应迅速，模型参数自适应调整，人工干预较少，与传统预测模型相比操作较为方便。

对既有运营车站、运营线路和线网级进站量、出站量、换乘量、客运量以及断面客流量指标，按日、周、月和自定义周期，按早高峰、晚高峰和全天自定义时间段，按5分钟、15分钟、30分钟、1小时和全天时间粒度的短期客流预测，对客流波动的响应迅速，能够有效指导运营调度指挥和现场运作。

实际应用中，客流预测结果为运营企业节假日和大型赛事活动线网运力配置提供科学支撑，为运营保障、行车组织、客流组织提供决策支持，对调度指挥和现场运作起到了重要指导作用。

附图说明

图1为本发明ARIMA模型建模流程图。

图2为本发明ARMA平稳序列的建模步骤示意图。

图3为本发明LSTM神经网络模型建模流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1-图3所示：一种地铁线网客流预测方法，应用于城市轨道交通短期客流预测，选取客流预测指标，设定空间维度、时间粒度，获取ACC客流数据作为预测输入数据；设定预测周期，根据所述预测输入数据，建立客流预测模型；根据所述客流预测模型，得到客流预测结果并进行查询和可视化展示。

对既有运营车站、运营线路和线网级进站量、出站量、换乘量、客运量以及断面客流量指标进行预测。

预测周期为日、周、月和自定义周期。

预测时段为早高峰、晚高峰或全天自定义时间段。

时间粒度为5分钟、15分钟、30分钟、1小时和全天。

根据不同预测需求，选择相应的历史客流数据并采用相应的模型进行预测，具体为：

(1)对于平常日客流预测，采用ARIMA模型时，单日客流预测默认选择14天历史数据，周、月和自定义周期默认选择30天历史数据；采用LSTM人工神经网络模型时，默认选择30天历史数据。

(2)对于节假日客流预测，将历史相同节假日或近期相似节假日作为相似日；采用比例系数法时，先预测节前一日客流，再预测节日期间客流；采用组合预测模型时，先按照平常日进行客流预测，再按照节假日客流增长比例进行修正。

对历史数据进行平稳性检验、和纯随机性检验，对预测结果进行残差白噪声检验；模型参数采用对于周、月和自定义周期，采用滚动预测方法。

对历史数据归一化和反归一化处理；对于周、月和自定义周期，采用滑动时间窗训练和预测方法。

对预测得到的客流数据进行可视化展示和趋势分析，设置预警阈值对预测值进行预警，生成预测数据报表。

本发明实施例1提出了一种地铁线网客流预测方法，包括以下步骤：

1、根据客流预测目标，设定预测指标、预测周期、时间粒度和空间范围，获取ACC清分系统客流数据作为预测输入数据。

2、对预测输入时间序列客流数据进行预处理，主要包括：观察时序客流数据的趋势图；剔除异常客流数据，用相近的数据进行替换，保证时序客流数据的时间连续性；进行时序数据平稳性检验；

例如计算时序客流数据的移动平均值、和标准差，进行平稳性的图检验；进行单位根检验，对于1阶自回归模型，可以用DF检验进行单位根检验，对于p阶自回归模型可以用ADF检验进行单位根检验；构造检验统计量进行纯随机性检验，例如Q统计量和LB统计量，检验时序客流值之间是否存在相关性。

3、ARIMA模型表达式如下：

求和自回归移动平均模型，记为ARIMA(p,d,q)，其表达式为：

式中，

4、如果预测输入数据经过数据预处理，为平稳非白噪声序列，利用ARMA模型进行序列建模，建模步骤如下：

1)求出客流时间序列的自相关系数(ACF)和偏自相关系数(PACF)的值。

2)根据ACF、PACF的性质，选择阶数适当的ARMA(p,q)模型进行拟合。

表1(偏)自相关函数性质

3)采用矩估计、极大似然函数法和最小二乘法估计模型中未知参数的值。

4)模型和参数的显著性检验。如果模型检验不通过，重新选择参数进行拟合。

5)模型优化。如果模型通过检验，建立多个拟合模型，选择最优模型参数，具体包括：

AIC准则：AIC＝-2ln(模型的极大似然函数值)+2(模型中未知参数个数)

BIC准则：SBC＝-2ln(模型的极大似然函数值)+(lnn)(模型中未知参数个数)

6)利用拟合模型，使用递推法滚动预测未来任意时刻的客流数据。

5、如果预测输入数据经过数据预处理，仍为非平稳序列，则进行差分处理，处理方法如下：

1)对原始时间序列预测输入数据进行1阶差分，对差分后的时间序列数据进行平稳性和纯随机性检验，如果1阶差分后的时间序列数据为平稳非白噪声序列，利用ARMA模型进行建模，步骤如3。

2)对原始时间序列预测输入数据进行1阶差分后，如果仍不满足平稳性条件，则进行2阶差分，对2阶差分后的时间序列数据进行平稳性和纯随机性检验，若2阶差分后的时间序列数据为平稳非白噪声序列，ARMA模型进行建模，步骤如3。

3)对原始时间序列预测输入数据进行2阶差分后，如果仍不满足平稳性条件，则不再继续进行差分处理，重新筛选预测输入数据并进行预处理，具体包括扩大日期选择范围，剔除坏值等，重复以上步骤。

4)对预测结果进行差分还原。

6、原始数据或处理后的时间序列数据满足平稳性条件，不满足非白噪声序列条件的，不再建模，重新筛选预测输入数据，具体包括扩大日期选择范围，剔除坏值等，重复步骤4。

7、对模型预测结果进行分析，具体包括：对模型预测结果进行拟合分析，通过MAE、MSE、RMSE、MAPE等指标进行结果评价；对模型预测结果进行系统可视化展示和客流预警。

本发明实施例2提出了一种地铁线网客流预测方法，包括以下步骤：

1、根据客流预测目标，设定预测指标、预测周期、时间粒度和空间范围，获取ACC清分系统客流数据作为预测输入数据。

2、对预测输入时间序列客流数据进行预处理，主要包括：观察时序客流数据的趋势图；剔除异常客流数据，用相近的数据进行替换，保证时序客流数据的时间连续性；进行归一化处理。

采用Min-Max方法对预测输入数据进行归一化处理，其表达式为：

式中，x

3、建立LSTM模型，模型表达式如下：

i

f

c

o

h

其中，i为输入门，f为遗忘门和o为输出门，W和b分别为对应的权重系数矩阵和偏置项，σ和tanh分别为sigmoid和双曲正切激活函数。

4、进行分批训练，学习速率lr＝0.001，训练150次，输出拟合结果并进行反归一化。

5、进行模型预测和结果评价，对预测结果进行系统可视化展示和客流预警。

本发明实施例3提出了一种地铁线网客流预测方法，包括以下步骤：

1、相似日的选取

1)客观条件相同时，选取相同节假日作为客流预测的历史参考。

2)客观条件发生变化时，选取近期相近的节假日作为历史参考。

3)对于日期较短的节假日或者大型活动，选取近期平常日作为历史参考。

2、在确定相似节假日作为历史参考的基础上，利用比例系数法预测节前一日客流。

3、以节前一日的客流预测值和近期平常日客流真实值作为参考，预测节日期间客流数据。

本发明实施例4提出了一种地铁线网客流预测方法，包括以下步骤：

1、根据实施例3所述方法确定相似日。

2、利用短期客流预测模型对历史相似日客流进行时序拟合预测。

3、与节假日客流真实值进行比对，确定波动系数。

4、利用相同的短期客流预测模型对目标日期常态化客流进行时序预测。

5、根据波动系数对时序客流预测值进行修正。

本发明基于自回归和人工神经网络的客流预测系统理论先进，技术成熟，预测精度高，可替代传统客流预测模型，为运输组织策划提供科学依据。

通过与人工预测的方法搭配使用，节假日和大型赛事活动期间线网客流预测平均绝对误差从10％进一步减小至5％以内，如2021年劳动节前一日预测客运量为453.5万人次，实际客运量为448.21万人次，预测偏差仅为1％左右；国庆节前一日预测客运量为385万人次，实际客运量为395.99万人次，预测偏差仅为3％左右，有效帮助运营企业在重大节假日进行行车组织、客运组织、人员保障等运营保障决策部署，有效预防了节假日可预见性大客流，进而提升乘客的满意度。

随着智慧城轨建设浪潮的不断推进，通过自主研究，联合开发的形式，对于新技术的掌握，使得运营企业在客流预测系统的开发和使用上占据主动地位。

客流预测系统与客流监测预警系统相辅相成，共同构成了地铁客流预测体系，初步实现了精准客流预测和运力精准匹配，进一步提升了运输管控能力和运营服务水平。

经济效益：

基于自回归和人工神经网络的客流预测模型由线网管控中心独立研究，完成了基础调研、理论研究、编程实现和数据验证的全过程，本发明系统投入使用后，降低了NCC及运输技术人员投入客流统计分析用时，提高了运输组织策划效率。系统投入使用前，用于客流统计分析用时约1小时/日，系统上线后，数据校核用时0.5小时/日，降低人工计算及分析时间成本0.5小时/日，减少工时50％。