[發明專利]基于深度學習和乘客行為模式的短期公交客流預測方法

在審

• 申請號: 201810614511.0
• 申請日: 2018-06-14
• 公開（公告）號: CN109034449A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 巫威眺;周偉;靳文舟;任婧璇
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06F17/16
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 裴磊磊

本發明公開了一種基于深度學習和乘客行為模式的短期公交客流預測方法，包括以下步驟：1、對公交客流影響因素進行識別與特征提取；2、對公交客流數據結構進行重新構造，將輸入樣本細分小時客流x_t重新構造為細分小時客流矩陣X_t，使其能夠適應CNN和ConvLSTM模型；3、以歷史客流、影響公交客流的外部因素和內部因素作為輸入數據，根據8種不同維度的數據輸入方案，即考慮內部影響因素的7種組合數據輸入方案和1種不考慮內部影響因素的數據輸入方案，利用深度學習模型對公交客流進行預測，通過多次試驗獲取公交客流預測的平均相對誤差和絕對誤差。所述方法同時考慮公交客流的外部和內部因素，不僅可以預測公交客流總量，還可以預測公交客流組成結構。

技術領域

本發明涉及公交運營管理中的客流預測領域，具體涉及一種基于深度學習和乘客行為模式識別的短期公交客流預測方法。

背景技術

實現運力與運量相匹配是公交規劃與調度的目標，而客流信息獲取是公交運力投放和組織的前提，其準確性將很大程度影響調度決策的有效性。公交客流需求是社會經濟活動的產物，它具有一定的規律性，同時又具有很大的復雜性。在現代信息環境下，客流影響因素可以通過多源數據獲取，這對提升公交客流預測的準確性帶來了機遇，也提出了挑戰。根據預測時間的跨度，客流預測可分為長期客流預測和短期客流預測。根據預測方法的不同，目前公交客流預測方法主要分為三類：參數化模型、非參化模型和混合模型。參數化模型以代數方程、微分方程等描述模型內部結構參數，包括移動平均法、ARIMA、卡爾曼濾波和灰色理論等算法；非參化模型是通過實際系統的實驗分析中得到結果，包括支持向量回歸(SVR)、人工神經網絡(ANN)等機器學習算法；混合模型則運用兩個或兩個以上模型有機組合實現預測。

近年來，隨著計算機技術的發展，深度學習算法尤其是卷積神經網絡(CNN)在多個領域得到了應用，如圖像識別。深度學習的實質是通過構建多隱層的機器學習模型，利用海量的樣本數據訓練，學習更精準的特征，從而提高分類或預測的準確性，其非常適用于發現高維數據中的復雜結構和特征。將深度學習技術引入交通工程的應用在最近幾年初見端倪，部分研究開始利用深度學習對交通流量進行預測。然而，目前鮮有深度學習在公交客流預測方面的研究。公交客流需求往往在時間上呈現一定周期性波動性，現實生活中影響公交客流的因素眾多且復雜，如日期的工作日性質，學時性質，節假日，天氣等外部因素，以及乘客類別的內部因素，而不同的因素之間又存在相關性。公交乘客作為一種高度復雜的群體，各類型乘客的出行行為對不同影響因素變動的響應模式是不一樣的，城市居民的公交出行行為通常具有較強的規律性，但是乘客群體的組成結構、以及各類乘客的出行目的在各個時段內均有較大的變動，而不同乘客類型和具有不同出行目的乘客的出行模式具有很大的不同，這種出行模式主要體現為環境因素對出行行為的影響和出行行為的周期性。通過研究不同類型乘客的出行模式及其規律性，掌握不同類型公交乘客出行的環境因素影響，能幫助公交管理機構進行更加準確的出行需求預估。例如，通過實際數據發現通勤出行者數量對工作日節假日敏感，老人出行者數量對工作日節假日不敏感；通勤出行者、學生出行者和老年出行者高峰時段的客流特征也有所不同。因此，如果充分考慮影響因素與不同類別的出行者之間的影響關系，可以有效提高公交客流量預測的準確率。另外，識別出行規律明顯的通勤群體，有助于設計靈活型公交、大站快車等特殊調度手段進行服務創新，從而提高公共交通吸引力，這對預測客流組成結構提出了新的需求。

然而，傳統客流預測方法將時段客流量作為一個整體進行預測，因而不能反映不同類型乘客對各影響因素的響應模式。深度學習模型能夠在數據的時序特征和內部結構特征等更多維度上建立聯系，大大提高模型的復雜度與關聯度，通過海量數據的學習，能夠更深入、更有效的挖掘并捕獲數據的復雜特征。因此，如果能在甄別乘客行為模式的基礎上，通過構建客流特征矩陣建立客流影響因素與深度學習結構之間的關聯，則有可能提高公交客流預測的精度和可靠性。