本發(fā)明屬于數(shù)據(jù)分析技術(shù)領(lǐng)域，特別是軌道交通運(yùn)行領(lǐng)域，涉及一種基于軌道ic卡和手機(jī)信令數(shù)據(jù)的軌道交通客流預(yù)測方法。

背景技術(shù)：

進(jìn)入21世紀(jì)，隨著我國城市化水平的不斷，城市人口密度將迅速加大，由此產(chǎn)生的交通擁堵問題也會越來越嚴(yán)峻，這將成為制約經(jīng)濟(jì)、社會、文化發(fā)展的重要因素之一。城市軌道交通作為公共交通的重要組成部分，將成為解決城市交通擁堵的有效交通方式。由于軌道交通具有節(jié)能、省地、運(yùn)量大、全天候、準(zhǔn)點、無污染又安全等特點，可以得出這樣的結(jié)論：城市軌道交通的發(fā)展安全符合可持續(xù)發(fā)展原則。因此未來很長一段時間將會是城市軌道交通蓬勃發(fā)展的黃金時期。據(jù)資料顯示，到2016年底我國運(yùn)營軌道交通的城市達(dá)到26個，運(yùn)行總里程3748.67公里。其中上海運(yùn)營城市軌道交通(包括城市地鐵和輕軌，下同)總長達(dá)到617公里，已成為目前世界上運(yùn)營軌道交通線路最長的城市。北京運(yùn)營了554公里，廣州運(yùn)營了308公里，都進(jìn)入了世界運(yùn)營軌道交通最長的城市行列?，F(xiàn)在，軌道交通已經(jīng)成為許多城市中不可或缺的、最主要的交通工具。根據(jù)遠(yuǎn)期規(guī)劃，到2020年全國城市軌道交通總里程將達(dá)到6100公里，其中北京市城市軌道交通的總里程將超過1000公里，公共交通將成為80％左右市民的主要出行交通工具，其中有50％左右的人將經(jīng)常使用城市軌道交通作為出行工具。

城市軌道交通作為城市公益性設(shè)施，影響著城市空間結(jié)構(gòu)的發(fā)展模式與全局規(guī)劃，城市軌道交通建設(shè)是周期長、涉及面廣的綜合系統(tǒng)。其中，城市軌道交通客流預(yù)測作為該系統(tǒng)的投資決策基礎(chǔ)，不僅能衡量建設(shè)項目經(jīng)濟(jì)成本，而且是預(yù)測建設(shè)項目投入運(yùn)營后經(jīng)濟(jì)效益的關(guān)鍵指標(biāo)。客流預(yù)測過程也是將先進(jìn)的通信技術(shù)與信息技術(shù)相融合的過程。

隨著客流量的逐年遞增，雖然城市軌道交通網(wǎng)絡(luò)不斷的擴(kuò)大和完善，但依然難以實現(xiàn)供需平衡。在工作日早、晚高峰時段及重大節(jié)假日期間，客流過飽和狀態(tài)成為城市軌道交通運(yùn)營中的常態(tài)現(xiàn)象。對軌道交通客流進(jìn)行科學(xué)而準(zhǔn)確的預(yù)測，使得合理編制運(yùn)力配置方案、客流組織方案以及突發(fā)事件的預(yù)警與疏散方案成為可能，從而能夠充分的利用城市中已有的軌道交通資源。

客流預(yù)測決定了城市軌道交通系統(tǒng)中所有設(shè)計和要素的選擇，比如：通行能力的大小，軌道布局的方式，列車型號的選擇，信號控制和工程造價等，甚至是運(yùn)營后的收益和服務(wù)效率?？土黝A(yù)測結(jié)果的精確度在建設(shè)科學(xué)高效的城市軌道交通系統(tǒng)中起著非常重要的作用。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種基于軌道ic卡和手機(jī)信令數(shù)據(jù)的軌道交通客流預(yù)測方法，該方法先對預(yù)處理數(shù)據(jù)做od匹配；對匹配好的od數(shù)據(jù)進(jìn)行通勤識別；對軌道交通客流進(jìn)行統(tǒng)計；對客流統(tǒng)計結(jié)果進(jìn)行分析；最后根據(jù)客流統(tǒng)計結(jié)果與結(jié)果分析進(jìn)行客流預(yù)測。該方法為軌道交通相關(guān)決策者對軌道交通的合理布局提供參考，有助于達(dá)到客流量與列車的供需平衡。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于軌道ic卡和手機(jī)信令數(shù)據(jù)的軌道交通客流預(yù)測方法，該方法包括以下步驟：

s1：采集軌道交通乘客ic卡數(shù)據(jù)信息，原始數(shù)據(jù)經(jīng)過切分整理后成為預(yù)處理數(shù)據(jù)，對預(yù)處理數(shù)據(jù)進(jìn)行od匹配；

s2：通勤識別，輸入多個工作日的數(shù)據(jù)，按用戶進(jìn)行分組，判斷多個工作日中每個用戶的通勤規(guī)律：當(dāng)該用戶相同進(jìn)站站點與出站站點天數(shù)達(dá)到總天數(shù)的50％(可配置)，即可判斷該出行為該用戶為通勤出行；

s3：對軌道交通客流進(jìn)行統(tǒng)計，統(tǒng)計指標(biāo)包括：站點客流，線路客流，斷面客流，換乘客流，客流od，通勤站點客流，通勤線路客流，通勤站點od客流，通勤線路od客流；

s4：客流分析：分為常態(tài)客流量分析與節(jié)假日客流量分析；

s5：客流預(yù)測：分為常態(tài)客流量預(yù)測與節(jié)假日客流量預(yù)測。

進(jìn)一步，在步驟s1中，對所述預(yù)處理數(shù)據(jù)進(jìn)行od匹配，主要以時間序列為主，對每個用戶分別按時間進(jìn)行先后排序，結(jié)合進(jìn)出站標(biāo)識來確定用戶的每對od；在匹配過程中對異常數(shù)據(jù)進(jìn)行處理，具體包括：

1)剔除只有進(jìn)站記錄或只有出站記錄的數(shù)據(jù)；

2)進(jìn)出站標(biāo)識與時間序列相反，將根據(jù)出站記錄中的上次進(jìn)站時間信息進(jìn)行修正匹配，如果修正不了則剔除；

3)多次進(jìn)站一次出站或一次進(jìn)站多次出站，將進(jìn)出站按最接近時間進(jìn)行匹配(只需要將時間最接近的兩條數(shù)據(jù)匹配到一起即可)；

4)進(jìn)進(jìn)出出的情況，即單個用戶經(jīng)過時間排序后連續(xù)兩次進(jìn)站連續(xù)兩次出站的情況；根據(jù)出站記錄中的上次進(jìn)站時間信息進(jìn)行修正匹配，如果修正不了則剔除該情況的四條數(shù)據(jù)；

5)對于每天凌晨0點前后的數(shù)據(jù)要結(jié)合后一天的數(shù)據(jù)進(jìn)行匹配，如果仍然匹配不上則剔除；

6)剔除匹配后同站進(jìn)同站出的od；匹配成功的數(shù)據(jù)須作為中間結(jié)果輸出。

進(jìn)一步，在步驟s3中，具體包括：

1)站點客流統(tǒng)計：統(tǒng)計各個站點進(jìn)出站客流量(按進(jìn)出站時間字段統(tǒng)計即可)：

按半小時統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(半小時的開始時間)；進(jìn)站客流number；出站客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(天)；進(jìn)站客流number；出站客流number；

2)線路客流：統(tǒng)計各條軌道線路客流量，根據(jù)用戶路徑來統(tǒng)計，如果一個用戶的某次出行路徑經(jīng)過了1號線、2號線、3號線，那么1號線客流+1、2號線客流+1、3號線客流+1；

按半小時統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(半小時的開始時間)；線路客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(天)；線路客流number；

3)斷面客流：分方向統(tǒng)計軌道線網(wǎng)斷面客流量(相鄰站點間的流量)；計算方法，如計算觀音橋-華新街?jǐn)嗝媪髁?，就要在最終路徑中找出所有經(jīng)過觀音橋-華新街?jǐn)嗝娴娜?，然后再求和?/p>

按半小時統(tǒng)計輸出結(jié)構(gòu)為：站點名稱avarchar；站點名稱bvarchar；時間date(半小時的開始時間)；線路客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：站點名稱avarchar；站點名稱bvarchar；時間date(天)線路客流number；

4)換乘客流：統(tǒng)計換乘站點及線路換乘客流量，注意換乘站點有1個或者多個編號(現(xiàn)在一般是2個編號)，根據(jù)路徑去檢索當(dāng)路徑中出現(xiàn)換乘站點的編號，且換乘站點相鄰前后兩個站點編號對應(yīng)的站點不在一條線路上，即記為換乘客流；

按半小時統(tǒng)計輸出結(jié)構(gòu)為：換乘站點名稱varchar；換乘站點編號varchar；線路avarchar；線路bvarchar；時間date(半小時的開始時間)；換乘客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：換乘站點名稱varchar；換乘站點編號varchar；線路avarchar；線路bvarchar；時間date(天)；換乘客流number；

5)客流od：

1、統(tǒng)計各站點od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(半小時的開始時間)；od客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(天)；od客流number；

2、統(tǒng)計各線路od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(半小時的開始時間)；od客流number

按天統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(天)；od客流number；

6)通勤客流：

1、通勤站點客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(半小時的開始時間)；進(jìn)站客流number；出站客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(天)；進(jìn)站客流number；出站客流number；

2、通勤線路客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(半小時的開始時間)；線路客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(天)；線路客流number；

3、通勤站點od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(半小時的開始時間)；od客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(天)；od客流number；

4、通勤線路od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(半小時的開始時間)；od客流number。

按天統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(天)；od客流number。

進(jìn)一步，在步驟s4中，具體包括：

1)為了更好的分析平常日地鐵客流的變化趨勢，選取20個完整周140天的日進(jìn)站客流量分析變化規(guī)律，常態(tài)客流變化波動是有規(guī)律的，即以周為周期上下波動變化的；為了更準(zhǔn)確的分析常態(tài)客流的變化規(guī)律，在此基礎(chǔ)上選取了以周為對象進(jìn)行具體分析；

2)節(jié)假日客流量分析包括：春節(jié)客流量統(tǒng)計分析；勞動節(jié)客流量統(tǒng)計分析；中秋節(jié)與國慶節(jié)客流量統(tǒng)計分析；圣誕節(jié)和元旦客流量統(tǒng)計分析。

進(jìn)一步，在步驟s5中，具體包括：

1)常態(tài)客流量預(yù)測：城市軌道交通系統(tǒng)是一個有人參與的主觀能動系統(tǒng)，根據(jù)對常態(tài)客流的統(tǒng)計分析，城市軌道交通常態(tài)客流具有不均衡性、非線性和時變性等特征；對于傳統(tǒng)的線性模型近似擬合這種非線性系統(tǒng)，可簡化計算量，但是預(yù)測結(jié)果卻大相徑庭。基于此考慮到bp神經(jīng)網(wǎng)絡(luò)風(fēng)險性映射能力極強(qiáng)、模型預(yù)測精度較高的特點，選用bp神經(jīng)網(wǎng)絡(luò)對軌道交通常態(tài)客流進(jìn)行預(yù)測；

2)節(jié)假日客流量預(yù)測：非參數(shù)回歸模型的本質(zhì)是：模型不由先驗知識而是由歷史數(shù)據(jù)決定的，“非參數(shù)”并不代表無參數(shù)，而是參數(shù)形式及數(shù)目可變。該模型中回歸函數(shù)不受變量的分布關(guān)系的影響，且充分利用了所有保存的可能狀態(tài)信息，當(dāng)有重大事件發(fā)生或者狀態(tài)不穩(wěn)定時，該預(yù)測模型的精確度較高。因此選用非參數(shù)回歸模型對節(jié)假日客流量進(jìn)行預(yù)測。

本發(fā)明的有益效果在于：本發(fā)明考慮到節(jié)假日對軌道交通客流量的影響，建立了常態(tài)客流量預(yù)測模型與節(jié)假日客流量預(yù)測模型，能夠更為準(zhǔn)確地預(yù)測軌道交通的客流量，對合理編制運(yùn)力配置方案、客流組織方案等有重要作用。

附圖說明

為了使本發(fā)明的目的、技術(shù)方案和有益效果更加清楚，本發(fā)明提供如下附圖進(jìn)行說明：

圖1為od匹配算法流程圖；

圖2為客流統(tǒng)計內(nèi)容框圖；

圖3為bp神經(jīng)網(wǎng)絡(luò)算法流程框圖

圖4為非參數(shù)回歸模型框圖；

圖5為本發(fā)明所述方法的流程示意圖。

具體實施方式

下面將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進(jìn)行詳細(xì)的描述。

圖5為本發(fā)明所述方法的流程示意圖，如圖所示，本發(fā)明提供的方法包括以下步驟：

s1：采集軌道交通乘客ic卡數(shù)據(jù)信息，原始數(shù)據(jù)經(jīng)過切分整理后成為預(yù)處理數(shù)據(jù)，對預(yù)處理數(shù)據(jù)進(jìn)行od匹配；

s2：通勤識別，輸入多個工作日的數(shù)據(jù)，按用戶進(jìn)行分組，判斷多個工作日中每個用戶的通勤規(guī)律：當(dāng)該用戶相同進(jìn)站站點與出站站點天數(shù)達(dá)到總天數(shù)的50％(可配置)，即可判斷該出行為該用戶為通勤出行；

s3：對軌道交通客流進(jìn)行統(tǒng)計，統(tǒng)計指標(biāo)包括：站點客流，線路客流，斷面客流，換乘客流，客流od，通勤站點客流，通勤線路客流，通勤站點od客流，通勤線路od客流；

s4：客流分析：分為常態(tài)客流量分析與節(jié)假日客流量分析；

s5：客流預(yù)測：分為常態(tài)客流量預(yù)測與節(jié)假日客流量預(yù)測。

具體來說：

在步驟s1中，對所述預(yù)處理數(shù)據(jù)進(jìn)行od匹配，主要以時間序列為主，對每個用戶分別按時間進(jìn)行先后排序，結(jié)合進(jìn)出站標(biāo)識來確定用戶的每對od；在匹配過程中對異常數(shù)據(jù)進(jìn)行處理，如圖1所示，具體包括：

1)剔除只有進(jìn)站記錄或只有出站記錄的數(shù)據(jù)；

2)進(jìn)出站標(biāo)識與時間序列相反，將根據(jù)出站記錄中的上次進(jìn)站時間信息進(jìn)行修正匹配，如果修正不了則剔除；

3)多次進(jìn)站一次出站或一次進(jìn)站多次出站，將進(jìn)出站按最接近時間進(jìn)行匹配(只需要將時間最接近的兩條數(shù)據(jù)匹配到一起即可)；

4)進(jìn)進(jìn)出出的情況，即單個用戶經(jīng)過時間排序后連續(xù)兩次進(jìn)站連續(xù)兩次出站的情況；根據(jù)出站記錄中的上次進(jìn)站時間信息進(jìn)行修正匹配，如果修正不了則剔除該情況的四條數(shù)據(jù)；

5)對于每天凌晨0點前后的數(shù)據(jù)要結(jié)合后一天的數(shù)據(jù)進(jìn)行匹配，如果仍然匹配不上則剔除；

6)剔除匹配后同站進(jìn)同站出的od；匹配成功的數(shù)據(jù)須作為中間結(jié)果輸出。

圖2為客流統(tǒng)計內(nèi)容框圖，在步驟s3中，具體包括：

1)站點客流統(tǒng)計：統(tǒng)計各個站點進(jìn)出站客流量(按進(jìn)出站時間字段統(tǒng)計即可)：

按半小時統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(半小時的開始時間)；進(jìn)站客流number；出站客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(天)；進(jìn)站客流number；出站客流number；

2)線路客流：統(tǒng)計各條軌道線路客流量，根據(jù)用戶路徑來統(tǒng)計，如果一個用戶的某次出行路徑經(jīng)過了1號線、2號線、3號線，那么1號線客流+1、2號線客流+1、3號線客流+1；

按半小時統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(半小時的開始時間)；線路客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(天)；線路客流number；

3)斷面客流：分方向統(tǒng)計軌道線網(wǎng)斷面客流量(相鄰站點間的流量)；計算方法，如計算觀音橋-華新街?jǐn)嗝媪髁浚鸵谧罱K路徑中找出所有經(jīng)過觀音橋-華新街?jǐn)嗝娴娜?，然后再求和?/p>

按半小時統(tǒng)計輸出結(jié)構(gòu)為：站點名稱avarchar；站點名稱bvarchar；時間date(半小時的開始時間)；線路客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：站點名稱avarchar；站點名稱bvarchar；時間date(天)線路客流number；

4)換乘客流：統(tǒng)計換乘站點及線路換乘客流量，注意換乘站點有1個或者多個編號(現(xiàn)在一般是2個編號)，根據(jù)路徑去檢索當(dāng)路徑中出現(xiàn)換乘站點的編號，且換乘站點相鄰前后兩個站點編號對應(yīng)的站點不在一條線路上，即記為換乘客流；

按半小時統(tǒng)計輸出結(jié)構(gòu)為：換乘站點名稱varchar；換乘站點編號varchar；線路avarchar；線路bvarchar；時間date(半小時的開始時間)；換乘客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：換乘站點名稱varchar；換乘站點編號varchar；線路avarchar；線路bvarchar；時間date(天)；換乘客流number；

5)客流od：

1、統(tǒng)計各站點od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(半小時的開始時間)；od客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(天)；od客流number；

2、統(tǒng)計各線路od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(半小時的開始時間)；od客流number

按天統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(天)；od客流number；

6)通勤客流：

1、通勤站點客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(半小時的開始時間)；進(jìn)站客流number；出站客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：站點名稱varchar；時間date(天)；進(jìn)站客流number；出站客流number；

2、通勤線路客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(半小時的開始時間)；線路客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：線路編號varchar；時間date(天)；線路客流number；

3、通勤站點od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(半小時的開始時間)；od客流number；

按天統(tǒng)計輸出結(jié)構(gòu)為：ovarchar(站點名稱)；dvarchar(站點名稱)；時間date(天)；od客流number；

4、通勤線路od客流

按半小時統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(半小時的開始時間)；od客流number。

按天統(tǒng)計輸出結(jié)構(gòu)為：olinevarchar；dlinevarchar；時間date(天)；od客流number。

在步驟s4中，具體包括：

1)為了更好的分析平常日地鐵客流的變化趨勢，選取20個完整周140天的日進(jìn)站客流量分析變化規(guī)律，常態(tài)客流變化波動是有規(guī)律的，即以周為周期上下波動變化的；為了更準(zhǔn)確的分析常態(tài)客流的變化規(guī)律，在此基礎(chǔ)上選取了以周為對象進(jìn)行具體分析；

2)節(jié)假日客流量分析包括：春節(jié)客流量統(tǒng)計分析；勞動節(jié)客流量統(tǒng)計分析；中秋節(jié)與國慶節(jié)客流量統(tǒng)計分析；圣誕節(jié)和元旦客流量統(tǒng)計分析。

在步驟s5中，具體包括：

1)常態(tài)客流量預(yù)測：城市軌道交通系統(tǒng)是一個有人參與的主觀能動系統(tǒng)，根據(jù)對常態(tài)客流的統(tǒng)計分析，城市軌道交通常態(tài)客流具有不均衡性、非線性和時變性等特征；對于傳統(tǒng)的線性模型近似擬合這種非線性系統(tǒng)，可簡化計算量，但是預(yù)測結(jié)果卻大相徑庭。基于此考慮到bp神經(jīng)網(wǎng)絡(luò)風(fēng)險性映射能力極強(qiáng)、模型預(yù)測精度較高的特點，選用bp神經(jīng)網(wǎng)絡(luò)對軌道交通常態(tài)客流進(jìn)行預(yù)測，如圖3所示；

2)節(jié)假日客流量預(yù)測：非參數(shù)回歸模型的本質(zhì)是：模型不由先驗知識而是由歷史數(shù)據(jù)決定的，“非參數(shù)”并不代表無參數(shù)，而是參數(shù)形式及數(shù)目可變。該模型中回歸函數(shù)不受變量的分布關(guān)系的影響，且充分利用了所有保存的可能狀態(tài)信息，當(dāng)有重大事件發(fā)生或者狀態(tài)不穩(wěn)定時，該預(yù)測模型的精確度較高。因此選用非參數(shù)回歸模型對節(jié)假日客流量進(jìn)行預(yù)測，如圖4所示。

最后說明的是，以上優(yōu)選實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管通過上述優(yōu)選實施例已經(jīng)對本發(fā)明進(jìn)行了詳細(xì)的描述，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，可以在形式上和細(xì)節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。