基于稳态客流的铁路客流预测方法、系统及设备和介质

技术领域

本申请涉及铁路客流数据处理技术领域，特别是涉及一种铁路客流发送量预测方法及系统。

背景技术

当前，铁路客运发送量是指乘客购买车票乘坐铁路的人次，发送量的预测对编制列车开行计划和优化票额管理有着重要意义。铁路发送量预测需要综合考虑疫情管控、极端天气、重大活动等多重外部因素与车底、线路、乘务等诸多内部因素的影响。同时，铁路客运管理部门按照站线局分别进行票额管理，实时更新余票状态，针对不同方向的车次有着不同的管理策略。因此客运发送量预测具有层级多、时间紧、难度大等特点。当前铁路客运部门的客流发送量预测方法主要有比例系数法、同环比增长法、需求估计法等，这些方法对铁路客流较长范围内的预测存在预测偏差大、对异常值敏感、适用范围受限等问题。

对铁路客流发送量的时间序列数据而言，铁路客流本身具有一定的周期性，如自然周周期、节假日周期和年周期。铁路客流发送量在非节假日和非春运时间范围内，呈现出周周期波动，周一至周五客流呈现窄V型，周六和周日高位运行；在相同的节假日，客流发送量有着相似的发送量趋势；此外，铁路整体客流按年呈现逐步增长的趋势。

铁路客流发送量在非疫情情况下，呈现出相似的年周期。铁路客流发送量在春运过后，会随着月份的增加呈现出先平稳及逐步上升后又下降至平稳的态势，具体表现为3-6月份整体平稳，暑运7、8月份高位运行，9月份略下降后10-12月平稳的发送量曲线。这些特性有助于铁路发送量的时间序列数据按照STL分解后预测。铁路发送量按照STL(基于loess的季节和趋势分解算法(Seasonal and Trend decomposition using Loess))分解后计算相比系数法、比值法和评估法等铁路传统发送量计算方法的优点在于该方法对发送量异常值比较健壮，发送量的季节成分可随时间变化且变化率可控制，同时可对发送量的趋势周期平滑度控制。

因此，亟需提出一种新型的适用于稳态客流发送量历史数据，采用数据分解思想进行预测的方法及其系统，与现有技术中直接预测方法相比，明显的提升了预测精度且操作方便、便于推广，特别解决了稳态客流条件下的铁路客流发送量预测问题。

发明内容

本申请实施例提供了一种新型的适用于基于稳态客流发送量历史数据，采用STL数据分解的思想进行分别预测的方法及其系统，解决了基于稳态客流的铁路客流发送量预测问题。

第一方面，本申请实施例提供了一种基于稳态客流的铁路客流预测方法，包括：

稳定客流筛选步骤：对获取的历史发送量数据进行客流的标记识别并筛选出稳态客流，按照全客流图谱筛选不同分组的数据，获取同一标记和分组下的稳态客流发送量数据；

STL数据分解步骤：采用STL数据分解方法对稳态客流发送量数据进行加法分解，分解成多个不同的稳态客流序列项，分别针对不同的客流序列项选择不同的预测方法预测并验证，分别输出预测结果；

复合预测模型建立步骤：合并预测结果，针对预测结果进行误差评价并调整各个预测方法中的参数，生成复合预测模型，以实现铁路客流发送量的预测。

本发明一些实施例中，上述稳定客流筛选步骤包括：

数据预处理步骤：从不同数据库获取铁路区域历史发送量数据，并对历史数据进行数据预处理操作；

客流标记识别步骤：对获取的历史发送量数据进行客流标记，分别根据日期标记和疫情标记筛选稳态客流日期，然后按照全客流图谱筛选周分组和季节分组的数据，得到同一标记和分组下的稳态客流发送量；

平稳性检验步骤：利用ADF检验方法检验稳态客流发送量的时间序列数据的平稳性，若满足平稳性检验则进行下一步，否则采用差分方法进行稳态客流发送量的时间序列数据平稳。

本发明一些实施例中，上述STL数据分解步骤包括：

加权回归步骤：稳态客流发送量时间序列数据满足平稳性检验后，采用季节趋势分解的方法进行数据处理，对平稳的时序数据进行局部加权回归平滑峰谷值，获得平滑稳态客流数据；

加法分解步骤：针对平滑后的稳态客流数据采用STL方法进行加法分解，分解成发送量趋势项序列数据，发送量剩余项序列数据和发送量季节项序列数据。

本发明一些实施例中，上述复合预测模型建立步骤还包括：

数据划分步骤：对分解后的稳态客流数据，划分为训练集数据和验证集数据；

预测步骤：对训练集数据中的发送量趋势项序列数据采用ARIMA方法进行预测,对发送量的剩余项序列数据采用GP方法进行预测，对发送量季节项序列数据采用移动替代法进行预测，并分别输出预测结果。

误差评价步骤：合并预测结果，基于验证集数据，采用RMSE指标评价预测结果与验证集数据之间的误差；

动态调整步骤：基于误差动态调整各个预测方法中的参数；

模型确定步骤：当参数调整到最优时，生成最终的包含ARIMA方法、GP方法及移动替代方法的复合预测模型。

本发明一些实施例中，上述数据预处理步骤包括：

切片处理步骤：对获取的历史铁路客流发送量数据进行切片和处理，按照全路、路局、省份、城市多个不同层级和小时、天、周多个不同时间尺度对稳态客流发送量数据进行切片；

替换处理步骤：对切片的发送量数据中的缺失值和负值采用同类型周次均值替换，对出现异常值的一段时间内的均值采用替换处理；

波动平稳处理步骤：采用对数变换对历史发送量时间序列数据进行波动平稳处理，消除异方差。

本发明一些实施例中，上述客流标记识别步骤还包括：

筛选具有相同的周周期和相同的季节分组标记的历史发送量数据，并采用阈值法识别稳态客流。

第二方面，本申请实施例提供了一种基于稳态客流的铁路客流预测系统，采用如上基于稳态客流的铁路客流预测方法，包括：

稳定客流筛选模块：对获取的历史发送量数据进行客流的标记识别并筛选出稳态客流，按照全客流图谱筛选不同分组的数据，获取同一标记和分组下的稳态客流发送量数据；

STL数据分解模块：采用STL数据分解方法对稳态客流发送量数据进行加法分解，分解成多个不同的稳态客流序列项，分别针对不同的客流序列项选择不同的预测方法预测并验证，分别输出预测结果；

复合预测模型建立模块：合并预测结果，针对预测结果进行误差评价并调整各个预测方法中的参数，生成复合预测模型，以实现铁路客流发送量的预测。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的基于稳态客流的铁路客流预测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的基于稳态客流的铁路客流预测方法。

相比于相关现有技术，具有以下突出的有益效果：

1、本发明方法基于稳态客流的铁路客流发送量预测方法，所需数据是铁路客流的稳态发送量数据，基于季节-趋势的分解方法针对具有季节性、周期性的铁路客流发送量数据具有显著优势，适合分析平稳的时间序列；

2、本发明ARIMA方法针对分解后的趋势项子时间序列，按时天时间粒度进行发送量预测，季节项子时间序列采用移动替代法，剩余项采用剩余项子时间序列数据采用GP方法，所产生的预测结果和历史剩余数据具有相同的高斯分布，相比已有的方法，具有参数少，预测速度快等优势；

3、本发明方法与现有技术相比直接采用单个模型预测，复合模型预测具有更高的预测准确度和更好的泛化能力。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明基于稳态客流的铁路客流预测方法流程图；

图2为本发明具体实施例预测方法流程图；

图3为本发明具体实施例复合模型预测效果图一；

图4为本发明具体实施例复合模型预测效果图二；

图5为本发明具体实施例基于稳态客流的铁路客流预测系统示意图；

图6为根据本申请实施例的计算机设备的硬件结构示意图。

以上图中：

10稳定客流筛选模块20STL数据分解模块

30复合预测模型建立模块。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本发明旨在基于稳态客流的铁路客流预测方法，首先根据客流标记，识别并筛选出稳定客流；然后采用STL加法模型对稳态客流分解，对不同的客流序列项选择不同的预测方法的复合预测模型。相比单一模型方法，复合模型的泛化能力更强，预测不同层级和不同时间长度的客流发送量，具有更高的预测准确度。

名词解释：

STL算法：基于loess的季节和趋势分解(Seasonal and Trend decompositionusing Loess)；

GP方法:高斯过程Gaussian Process；

ADF检验方法：时间序列平稳性检验方法；

ARIMA方法：全称为自回归积分滑动平均模型(Autoregressive IntegratedMoving Average Model，时间序列预测方法；

RMSE指标：均方根误差(Root Mean Square Error)。

如图1所示，本申请实施例提供了一种基于稳态客流的铁路客流预测方法，包括：

稳定客流筛选步骤S10：对获取的历史发送量数据进行客流的标记识别并筛选出稳态客流，按照全客流图谱筛选不同分组的数据，获取同一标记和分组下的稳态客流发送量数据；

STL数据分解步骤S20：采用STL数据分解方法对稳态客流发送量数据进行加法分解，分解成多个不同的稳态客流序列项，分别针对不同的客流序列项选择不同的预测方法预测并验证，分别输出预测结果；

复合预测模型建立步骤S30：合并预测结果，针对预测结果进行误差评价并调整各个预测方法中的参数，生成复合预测模型，以实现铁路客流发送量的预测。

本发明一些实施例中，上述稳定客流筛选步骤S10包括：

数据预处理步骤：从不同数据库获取铁路区域历史发送量数据，并对历史数据进行数据预处理操作；

客流标记识别步骤：对获取的历史发送量数据进行客流标记，分别根据日期标记和疫情标记筛选稳态客流日期，然后按照全客流图谱筛选周分组和季节分组的数据，得到同一标记和分组下的稳态客流发送量；

平稳性检验步骤：利用ADF检验方法检验稳态客流发送量的时间序列数据的平稳性，若满足平稳性检验则进行下一步，否则采用差分方法进行稳态客流发送量的时间序列数据平稳。

本发明一些实施例中，上述STL数据分解步骤S20包括：

加权回归步骤：稳态客流发送量时间序列数据满足平稳性检验后，采用季节趋势分解的方法进行数据处理，对平稳的时序数据进行局部加权回归平滑峰谷值，获得平滑稳态客流数据；

加法分解步骤：针对平滑后的稳态客流数据采用STL方法进行加法分解，分解成发送量趋势项序列数据，发送量剩余项序列数据和发送量季节项序列数据。

本发明一些实施例中，上述复合预测模型建立步骤S30还包括：

划分步骤：对分解后的稳态客流数据，划分为训练集数据和验证集数据；

预测步骤：对训练集数据中的发送量趋势项序列数据采用ARIMA方法进行预测,对发送量的剩余项序列数据采用GP方法进行预测，对发送量季节项序列数据采用移动替代法进行预测，并分别输出预测结果。

本发明一些实施例中，上述复合预测模型建立步骤S30还包括：

误差评价步骤：合并预测结果，基于验证集数据，采用RMSE指标评价预测结果与验证集数据之间的误差；

动态调整步骤：基于误差动态调整各个预测方法中的参数；

模型确定步骤：当参数调整到最优时，生成最终的包含ARIMA方法、GP方法及移动替代方法的复合预测模型。

本发明一些实施例中，上述数据预处理步骤包括：

切片处理步骤：对获取的历史铁路客流发送量数据进行切片和处理，按照全路、路局、省份、城市多个不同层级和小时、天、周多个不同时间尺度对稳态客流发送量数据进行切片；

替换处理步骤：对切片的发送量数据中的缺失值和负值采用同类型同周次均值替换，对出现异常值的一段时间内采用均值替换处理；

波动平稳处理步骤：采用对数变换对历史发送量时间序列数据进行波动平稳处理，消除异方差。

本发明一些实施例中，上述客流标记识别步骤还包括：

筛选具有相同的周周期和相同的季节分组标记的历史发送量数据，并采用阈值法识别稳态客流。

以下结合附图对本发明具体实施例进行详细说明：

如图2所示，本发明具体实施例具体步骤如下:

1、数据获取和处理

从不同数据库获取铁路区域发送量的历史数据。对获取的历史铁路客流发送量数据进行切片和处理，按照全路、路局、省份、城市等不同层级和小时、天、周等不同时间尺度对发送量数据切片；对缺失值和负值采用同类型周次均值替换，对异常值前后两天的均值替换处理，然后采用对数变换对历史发送量数据处理，让时间序列数据波动相对平稳，消除异方差问题。由于数据采集和传输等原因，会造成某些区域的客运发送量数据缺失；铁路实际的发送量最小为0，某些区域的发送量为负值可能是数据统计冲减导致；异常值是指获取的铁路历史发送量明显高于定员。

原始数据集中X＝{x

2、客流标记

对获取的历史发送量数据进行客流识别，分别根据日期标记和疫情标记筛选稳态客流日期，然后按照全客流图谱筛选周分组和季节分组的数据，得到同一标记和分组下的发送量数据。其中日期标记是指工作日、节假日和春运日期标记，疫情标记是指根据全国疫情状况进行的区域和日期标记；全客流图谱是指跟根据全路所有层级和时段进行的客流形态分类库，周分组和季节分组是指客流发送量的客流形态根据周次和淡旺季进行的划分。

原始数据集是X＝{x

若预测日期x

从原始数据集数据中获取相应的稳态客流发送量X＝{x

平稳性检验方法具体实现：

利用ADF检验方法检验当前稳态客流发送量时间序列数据的平稳性，若满足平稳性检验则进行下一步，否则的话采用差分方法平稳发送量时间序列数据。

稳态客流发送量时间序列数据的差分方法一阶差分x′

3、稳态客流

如何识别稳态客流，

1)筛选具有相同的客流形态标记，即相同的周周期和相同的季节分组。

2)识别稳态客流，采用阈值法识别稳态客流，客流x

其之前两周的客流均值为

则认为时间点t对应的发送量客流量x

4、STL分解

铁路稳态客流发送量时间序列数据满足平稳性检验后，采用季节趋势分解的方法对数据处理，该方法主要是对发送量数据采用局部加权回归的拟合，首先对平稳的时序数据进行局部加权回归平滑峰谷值，然后采用STL方法对铁路发送量稳态客流X′＝{x

X′＝X

对任意时间点的发送量x

对分解后的各个发送量的子序列按照不同的预测方法建模。其中采用ARIMA方法对发送量的趋势项预测,采用GP方法对发送量的剩余项预测，季节项采用移动替代法预测。

ARIMA预测：

ARIMA方法的预测效果主要由(p,d,q)三个参数决定，其中p为自回归项，，数，即某个时间点依赖过去p个时间点的取值；q是指当前误差依赖之前q个误差；差分指当前值减去之前的值，d是指使之成为平稳序列所做的差分次数(阶数)。移动替代是指使用上一个季节周期对应的值替换要预测的值。模型公式是：

其中X

GP预测：

对剩余项序列数据采用，归一化处理数据

将剩余项数据转换为可应用于高斯过程(Gaussian process，GP)预测的数据对，给定嵌入维数d和延迟时间τ，建立重构相空间的数据集

在铁路客流发送量预测过程中，τ通常取1，铁路发送量以天为单位，d通常选择7，即使用过去一周的数据预测。

高斯过程通常采用RBF核

h(x)＝f(x)+e(x)

利用GP模型得到回归函数f(x),进而使用f(x)得到x

假设f(x)是一个高斯过程，t时间点的发送量y

给定历史发送量x

P(y

根据GP模型，

对矩阵C

5、移动替代法

季节项序列数据采用历史周期移动替代，即预测时间点在当前周期的位置，采样历史周期相同位置的数据的均值作为预测时间点的预测值

其中S(·)表示x

预测结果

最后的预测结果是三种预测方法的求和

6、数据划分和评价准则

对稳态客流数据划分训练集和测试集，按照铁路客流发送量的平均绝对百分比误差：

评价准则

铁路客流发送量的均方根误差

具体实现过程：

以某路局日发送量预测为例，如图2所示：

步骤一：获取对应的该路局日发送量历史数据X＝{x

步骤二：获取路局稳态客流日发送量历史数据X′＝{x

步骤三：对稳态客流数据进行STL加法分解，并划分训练集和验证集，其中验证集采用最后一个周期的数据，训练集取剩余的所有数据；

步骤四：

对分解后的铁路客流发送量不同项采用不同方法预测并验证。

4.1对X

4.2对X

4.3对X

步骤五：合并预测结果

步骤六：生成最终的预测模型，并应用在铁路客流发送量预测中，具体复合预测模型的预测效果如图3和图4所示。

图3为本发明具体实施例全路使用单个方法和复合方法的比较图，采用本发明复合预测模型(AGM)方法，ARIMA方法，GP方法及移动替代方法(MA)在20220701-20110714日全路发送量的预测效果，其中横坐标表示日期，纵坐标value是发送量，可以发现采用本发明AGM复合预测模型的预测发送量与实际客流发送量(real)更加贴近，达到了更优的预测效果。对不同层级而言，在路局层面的发送量预测精度提高到了5％以内，城市层面的预测精度提高到10％以内，90％站到站的预测精度在10％以内。对不同量级的发送量预测而言，10万+发送量的预测精度均在5％以内，95％的1-10万的发送量预测精度在8％以内，90％小于一万的发送量预测精度在15％以内。

由于铁路预售的时间范围不同，需要对不同时间间隔的发送量预测。图4为本发明具体实施例济南局不同时间间隔的预测结果比较图，采用本发明复合模型预测的效果，其中pre_day表示不同的预测长度。可以发现采用本发明的AGM符合预测模型的方法与实际客流发送量(real)更加贴近，达到了更优的预测效果。

第二方面，本申请实施例提供了一种基于稳态客流的铁路客流预测系统，采用如上基于稳态客流的铁路客流预测方法，如图5所示，包括：

稳定客流筛选模块10：对获取的历史发送量数据进行客流的标记识别并筛选出稳态客流，按照全客流图谱筛选不同分组的数据，获取同一标记和分组下的稳态客流发送量数据；

STL数据分解模块20：采用STL数据分解方法对稳态客流发送量数据进行加法分解，分解成多个不同的稳态客流序列项，分别针对不同的客流序列项选择不同的预测方法预测并验证，分别输出预测结果；

复合预测模型建立模块30：合并预测结果，针对预测结果进行误差评价并调整各个预测方法中的参数，生成复合预测模型，以实现铁路客流发送量的预测。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于稳态客流的铁路客流预测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于稳态客流的铁路客流预测方法。

另外，结合图1描述的本申请实施例的基于稳态客流的铁路客流预测方法可以由计算机设备来实现。图6为根据本申请实施例的计算机设备的硬件结构示意图。

计算机设备可以包括处理器81以及存储有计算机程序指令的存储器82。

具体地，上述处理器81可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器82可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器82可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器82可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器82可在数据处理装置的内部或外部。在特定实施例中，存储器82是非易失性(Non-Volatile)存储器。在特定实施例中，存储器82包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。

存储器82可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器81所执行的可能的计算机程序指令。

处理器81通过读取并执行存储器82中存储的计算机程序指令，以实现上述实施例中的任意一种基于稳态客流的铁路客流预测方法。

在其中一些实施例中，计算机设备还可包括通信接口83和总线80。其中，如图6所示，处理器81、存储器82、通信接口83通过总线80连接并完成相互间的通信。

通信接口83用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口83还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。

总线80包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线80包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线80可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线80可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

本发明方法相比于现有技术，本发明方法基于稳态客流的铁路客流发送量预测方法，所需数据是铁路客流的稳态发送量数据，基于季节-趋势的分解方法针对具有季节性、周期性的铁路客流发送量数据具有显著优势，适合分析平稳的时间序列；本发明ARIMA方法针对分解后的趋势项子时间序列，按时天时间粒度进行发送量预测，季节项子时间序列采用移动替代法，剩余项采用剩余项子时间序列数据采用GP方法，所产生的预测结果和历史剩余数据具有相同的高斯分布，相比已有的方法，具有参数少，预测速度快等优势；本发明方法与现有技术相比直接采用单个模型预测，复合模型预测具有更高的预测准确度和更好的泛化能力。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。