一种基于历史数据的城市轨道交通新线开通客流预测方法
【专利摘要】本发明公开了一种基于历史数据的城市轨道交通新线开通客流预测方法，对既有站点的历史进出站量数据进行聚类分析，提取站点属性，以及获取站点属性与进出站量之间的关系模型；基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量；及基于所述既有站点的历史0D分布数据训练学习创建的回归模型，获取需要预测站点的0D分布比例；以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，基于增量基础公式和出行时间，获取受影响站点的诱增客流量，基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量。
【专利说明】一种基于历史数据的城市轨道交通新线开通客流预测方法
【技术领域】
[0001] 本发明涉及智能交通【技术领域】，具体涉及一种基于历史数据的城市轨道交通新线 开通客流预测方法。
【背景技术】
[0002] 为了满足人们不断增长的交通需求，城市轨道网络不断扩建。大量新线建设和换 乘站的出现改变了原有的城市轨道交通拓扑结构，城市轨道路网连通性、可达性均发生变 化，从而影响出行者的出行选择行为，客流在城市轨道路网上的分布随之发生改变。因此， 在新线开通前，结合新线的运营条件和既有线网运营现状，预测新线开通客流以及对既有 线路的客流影响，对于制定线路规划、以及保障新线的顺利开通、线网的安全稳定运营具有 重要的意义。
[0003] 新线由于缺乏本线的历史数据，不能通过历史同期数据进行规律分析预测，现有 技术中新线开通客流预测方法通常采用基于出行的四阶段预测模型方法来进行预设，该方 法按照交通生成预测、交通分布预测、交通方式划分预测和交通分配四阶段来分析城市现 状和未来的交通状况，从宏观的角度把握城市居民出行的特点，然后分阶段预测分析，是目 前交通规划领域应用最广的方法。其中交通生成预测是获得城市在未来社会经济发展规 模、人口规模和土地利用特征下，未来城市各交通小区可能产生和吸引到的总交通量；交通 分布预测是获得未来城市交通出行在空间上的分布。
[0004] 但是，采用上述方法需要通过大量的调查获得数据，收集较为困难，且收集时间 长，且在模型构建中仅根据新站点本身的特点进行客流的预测，预测的精度较低。
【发明内容】
[0005] 为了克服现有技术的不足，本发明提供了一种基于历史数据的城市轨道交通新线 开通客流预测方法，是通过基于既有站点的历史数据对城市轨道交通的客流规律和影响因 素进行挖掘和分析，得到新线进出站量预测模型和0D分布预测模型，并对既有站点的影响 进行分析，预测出新线站点的每小时进出站量，使得预测的进出站量的精度得以提高。
[0006] 本申请实施例提供了一种基于历史数据的城市轨道交通新线开通客流预测方法， 包括：
[0007] 对既有站点的历史进出站量数据进行聚类分析，提取站点属性，以及获取站点属 性与进出站量之间的关系模型；
[0008] 基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站 量，其中，所述新线站点为所述新线中的所有站点；
[0009] 以及基于所述既有站点的历史0D分布数据训练学习，创建回归模型，所述回归模 型与0D分布比例、站点属性、站点距离和换乘次数相对应；
[0010] 基于所述回归模型，获取需要预测站点的0D分布比例；
[0011] 以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域， 基于增量基础公式和出行时间，获取受影响站点的诱增客流量，其中，所述受影响站点为所 述站点区域内的所有既有站点；
[0012] 基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量。
[0013] 可选的，所述对既有站点的历史进出站量数据进行聚类分析，提取站点属性，具体 包括：
[0014] 对所述既有站点的历史进出站量数据进行预处理，所述既有站点中的每个站点基 于各时刻的进出站量数据构建多维向量，获得既有站点样本；
[0015] 对所述既有站点样本进行k-means聚类分析；
[0016] 基于聚类结果和进出站量曲线变化规律，提取所述站点属性。
[0017] 可选的，所述对所述既有站点样本进行k-means聚类分析，具体包括：
[0018] 基于向量距离，将所述既有站点划分为Μ类站点，其中，所述Μ类站点包括办公区 类站点、住宅区类站点、枢纽区类站点、住宅办公区类站点、火车站类站点、旅游区类站点、 购物区类站点和郊区类站点。
[0019] 可选的，所述站点属性包括办公指数、住宅指数、枢纽指数、购物指数、旅游指数和 火车站指数。
[0020] 可选的，在所述预测出所述新线站点的每小时进出站量之后，所述方法还包括：通 过三次样条差值对预测的每小时进出站量进行处理，预测出所述新线站点的每十五分钟进 出站量。
[0021] 可选的，所述基于所述既有站点的历史进出站量数据，获取站点属性与进出站量 之间的关系模型，具体包括：基于所述既有站点的历史进出站量数据，对所述Μ类站点中的 每类站点进行评估；根据评估结果，根据评估结果，获取各类站点的站点属性参照表，以及 站点属性和进出站量之间的关系模型。
[0022] 可选的，所述基于所述既有站点的历史进出站量数据，对所述Μ类站点中的每类 站点进行评估，具体包括：
[0023] 基于所述既有站点的历史进出站量数据，通过所述k-means聚类获取每类站点的 聚类中心曲线，获取每类站点的聚类中心曲线中的四个波峰值，所述四个波峰值用于表征 早晚高峰小时的进出站量；
[0024] 若早晚高峰小时进站量分别为0am、0pm，出站量为D"、D pm，所述既有站点的最大进出 站量为Nmax，则办公区类站点、住宅区类站点、住宅办公区类站点和郊区类站点的办公指数 为均
【权利要求】
1. 一种基于历史数据的城市轨道交通新线开通客流预测方法，其特征在于，包括： 对既有站点的历史进出站量数据进行聚类分析，提取站点属性，以及获取站点属性与 进出站量之间的关系模型； 基于新线站点的站点属性和所述关系模型，预测出所述新线站点的每小时进出站量， 其中，所述新线站点为所述新线中的所有站点； 以及基于所述既有站点的历史0D分布数据训练学习，创建回归模型，所述回归模型与 0D分布比例、站点属性、站点距离和换乘次数相对应； 基于所述回归模型，获取需要预测站点的0D分布比例； 以及根据线路相对位置和空间距离确定新线开通后既有线路受影响的站点区域，基于 增量基础公式和出行时间，获取受影响站点的诱增客流量，其中，所述受影响站点为所述站 点区域内的所有既有站点； 基于公交车接驳线路数量和站点间距离，确定受影响站点的转移客流量。
2. 如权利要求1所述的预测方法，其特征在于，所述对既有站点的历史进出站量数据 进行聚类分析，提取站点属性，具体包括： 对所述既有站点的历史进出站量数据进行预处理，所述既有站点中的每个站点基于各 时刻的进出站量数据构建多维向量，获得既有站点样本； 对所述既有站点样本进行k-means聚类分析； 基于聚类结果和进出站量曲线变化规律，提取所述站点属性。
3. 如权利要求2所述的预测方法，其特征在于，所述对所述既有站点样本进行k-means 聚类分析，具体包括： 基于向量距离，将所述既有站点划分为Μ类站点，其中，所述Μ类站点包括办公区类站 点、住宅区类站点、枢纽区类站点、住宅办公区类站点、火车站类站点、旅游区类站点、购物 区类站点和郊区类站点。
4. 如权利要求3所述的预测方法，其特征在于，所述站点属性包括办公指数、住宅指 数、枢纽指数、购物指数、旅游指数和火车站指数。
5. 如权利要求4所述的预测方法，其特征在于，在所述预测出所述新线站点的每小时 进出站量之后，所述方法还包括： 通过三次样条差值对预测的每小时进出站量进行处理，预测出所述新线站点的每十五 分钟进出站量。
6. 如权利要求5所述的预测方法，其特征在于，所述基于所述既有站点的历史进出站 量数据，获取站点属性与进出站量之间的关系模型，具体包括： 基于所述既有站点的历史进出站量数据，对所述Μ类站点中的每类站点进行评估； 根据评估结果，获取各类站点的站点属性参照表，以及站点属性和进出站量之间的关 系丰吴型。
7. 如权利要求6所述的预测方法，其特征在于，所述基于所述既有站点的历史进出站 量数据，对所述Μ类站点中的每类站点进行评估，具体包括： 基于所述既有站点的历史进出站量数据，通过所述k-means聚类获取每类站点的聚类 中心曲线，获取每类站点的聚类中心曲线中的四个波峰值，所述四个波峰值用于表征早晚 高峰小时的进出站量； 若早晚高峰小时进站量分别为〇am、〇pm，出站量为，所述既有站点的最大进出站量 为N_，则办公区类站点、住宅区类站点、住宅办公区类站点和郊区类站点的办公指数为均
，以及住宅指数均为^
若枢纽区类站点中最大客流类别的早晚高峰进出站量之和为％，则枢纽区类站点的枢 纽指数为
若购物类站点中最大客流类别的早晚高峰进出站量之和为％，则购物类站点的购物指 数为
若旅游类站点中最大客流类别的早晚高峰进出站量之和为％，则旅游类站点的旅游指 数为
若火车站类站点中最大客流类别的早晚高峰进出站量之和为％，则火车站类站点的火 车站指数为
8. 如权利要求7所述的预测方法，其特征在于，所述基于新线站点的站点属性和所述 关系模型，预测出所述新线站点的每小时进出站量，具体包括： 对所述新线站点进行类别评估，从所述Μ类站点中确定与所述新线站点对应的一类站 占. 根据与所述新线站点对应的一类站点和所述各类别的站点属性参照表，预测出所述新 线站点的每小时进出站量，以及获取所述新线站点的站点属性； 获取对所述新线站点的现场调查参数，对所述新线站点的站点属性进行调整； 根据调整后的所述新线站点的站点属性和站点属性与进出站量之间的关系模型，预测 出所述新线站点的每小时进出站量。
9. 如权利要求8所述的预测方法，其特征在于，所述基于所述既有站点的0D分布数据 训练学习，创建回归模型，具体包括： 选取每隔一预设时间的同类车站〇到另外一类车站D的历史0D数据作为一组数据，创 建一个线性回归模型，所述线性回归模型为：
1其中，为i 站到j站的0D比例，
为j站的全天总出站量，
为i到j的站数，
为i到j的换 乘次数； 将所述既有站点对应的历史0D数据代入所述线性回归模型中，创建全天每小时的0D 分布模型。
【文档编号】G06Q10/04GK104217250SQ201410386745
【公开日】2014年12月17日 申请日期:2014年8月7日 优先权日:2014年8月7日
【发明者】何志莹, 汪波, 黄建玲, 杜勇, 郭欣 申请人:北京市交通信息中心