技术摘要：
本发明提供了一种城市轨道交通短期进站客流量预测方法。该方法包括：构建Wave‑LSTM预测模型，利用训练数据集对Wave‑LSTM预测模型进行训练，获取待预测站点的历史进站量数据序列；利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构进站量数据 全部
背景技术：
城市轨道交通作为城市公共交通的骨干，在缓解城市拥堵、改善城市环境等方面 发挥着重要作用。高精度的短期进站客流量预测对城市轨道交通日常客流组织具有重要意 义，预测结果可以帮助运营部门动态管理车站客流。当进站客流预测值高于车站所能容纳 的人数时，运营部门可采用车站限流和疏导等方法控制客流分布，从而降低大客流对城市 轨道交通网络的冲击和压力，减少因过度拥挤带来的危险。 现阶段，针对城市轨道交通的短期进站客流量预测的研究已经有了一定的积累。 但当前大多数预测模型忽略了各站点进站客流的关键特征，不能很好的追踪客流的动态变 化，导致预测结果与实际情况的偏差较大，难以指导运营公司做出准确的决策，客流预测结 果的精度有待提高。
技术实现要素：
本发明的实施例提供了一种城市轨道交通短期进站客流量预测方法，以克服现有 技术的问题。 为了实现上述目的，本发明采取了如下技术方案。 一种城市轨道交通短期进站客流量预测方法，构建Wave-LSTM预测模型，利用训练 数据集对所述Wave-LSTM预测模型进行训练，得到训练好的Wave-LSTM预测模型，所述方法 包括： 获取待预测站点的历史进站量数据序列； 利用选取的小波函数和分解次数对所述历史进站量数据序列进行分解，得到重构 进站量数据序列； 将所述重构进站量数据序列输入到训练好的Wave-LSTM预测模型，Wave-LSTM预测 模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加，得到预测出的 所述待预测站点的所有时间段内的进站量客流数据。 优选地，所述的构建Wave-LSTM预测模型，利用训练数据集对所述LSTM预测模型进 行训练，得到训练好的Wave-LSTM预测模型，包括： 构建Wave-LSTM预测模型的训练数据集，该训练数据集为所述待预测站点的历史 客流数据的前90％，利用该训练数据集采用控制变量的方法，选取不同迭代次数和不同隐 藏单元数依次对待预测站点的历史进站量数据的重构进站量数据序列进行预测，将预测结 果与待预测站点的真实进站量数据进行比较，选择预测效果最好的迭代次数和隐藏单元数 参数作为Wave-LSTM模型的参数，得到训练好的LSTM预测模型。 优选地，所述的获取待预测站点的历史进站量数据序列，包括： 4 CN 111597971 A 说 明 书 2/9 页 将待预测站点的各个进口AFC设备终端采集的客流数据进行统计汇总，得到待预 测站点的历史进站量数据Fs，该历史进站量数据Fs为一个一维的进站量序列数据，表达式如 下： 其中s为站点，t为时段，Fs为站点s的历史进站量序列，f st 为站点s在第t个时间段 内的进站客流。 优选地，所述的利用选取的小波函数和分解次数对所述历史进站量数据序列进行 分解，得到重构进站量数据序列，包括： 利用选取的小波函数和分解次数使用Mallat算法对一维的进站量序列数据进行 分解，分解过程表示为式2和式3，其中H和G分别为该小波变换中的低通滤波器和高通滤波 器，m为分解次数，Dm为经m次分解后得到的高频细节信号，Am为经m次分解后得到的低频近似 信号； Dm＝HAm-1 (2) Am＝GAm-1 (3) A0为原始序列，经过第一次分解后，得到包含原始序列A0主要信息的低频近似信号 A1，以及包含误差的高频细节信号D1；下一次将低频近似信号A1分解为A2和D2，以此进行下 去，经过m次分解后得到m 1个分解序列：D1，D2，……，Dm和Am； 采用重构算法对步骤S3中得到的m 1个分解序列D1，D2，……，Dm和Am分别进行重构 进行单支重构，单支重构过程如式4所示： Am-1＝H*Am G*Dm (4) 其中H*和G*分别为该小波在重构过程中的低通滤波器和高通滤波器，且是H和G的 对偶算子； 采用单支重构算法对所述m 1个分解序列进行单支重构，低频分解序列D1， D2，……，Dm的单支重构的过程是对其进行奇数位补零，再通过低通滤波器H*直至得到与原 始信号长度相同的序列，得到重构进站量数据序列序列d1、d2、…、dm；高频分解序列的单支 重构需要对其补零后需通过高通滤波器G*操作，直至得到与原始信号长度相同的数据，得 到重构进站量数据序列序am，重构进站量数据序列d1、d2、…、dm、am和原始序列A0的关系如式 5所示。 A0＝d1 d2 … dm am (5) 其中dm为高频细节信号Dm的重构进站量数据序列，am为低频近似信号Am的重构进 站量数据序列。 优选地，所述的小波函数和分解次数的选取过程，包括： 利用基于MATLAB软件的小波分解工具箱对所述进站量序列数据进行小波分解，得 到低频近似信号，分析在不同小波和不同分解次数下得到的低频近似信号的光滑性，选取 光滑性最好的低频近似信号作为适合所述待预测站点的小波函数waves和分解次数x。 优选地，所述的将所述重构进站量数据序列输入到训练好的Wave-LSTM预测模型， Wave-LSTM预测模型输出对应的预测进站量数据序列，将所有的预测进站量数据序列相加， 得到预测出的所述待预测站点的所有时间段内的进站量客流数据，包括： 5 CN 111597971 A 说 明 书 3/9 页 将所述重构进站量数据序列d1、d2、…、dm、am输入到训练好的Wave- LSTM预测模型，Wave-LSTM预测模型输出对应的预测序列： 将预测序列 相加，得到预测出的待预测站点的所有 时间段内的进站量客流数据。 由上述本发明的实施例提供的技术方案可以看出，本发明实施例的城市轨道交通 短期进站客流量预测方法通过组合小波分析和长短期记忆网络(LSTM)模型，充分利用了小 波变换的数学显微镜的优点和LSTM可学习长序列依赖的特点，将具有趋势的低频信号与包 含噪声信息的高频信号分开，从而提取到各站点进站客流的关键特征，提高客流预测精度。 本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变 得明显，或通过本发明的实践了解到。 附图说明 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用 的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本 领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的 附图。 图1为本发明实施例提供的一种城市轨道交通短期进站客流量预测方法的实现原 理示意图； 图2为本发明实施例提供的基于MATLAB软件的小波分解工具箱示意图； 图3为本发明实施例提供的小波分解过程示意图； 图4为本发明实施例二提供的五种常见的小波函数在处理北京地铁机场线东直门 站进站客流时的表现； 图5为本发明实施例二提供的dmeyer小波在分解过程中的低通滤波器和高通滤波 器； 图6为本发明实施例二提供的三次小波分解过程示意图； 图7为本发明实施例二提供的dmeyer小波在重构过程中的低通滤波器和高通滤波 器； 图8为本发明实施例二提供的Wave-LSTM模型对机场线东直门站15分钟进站客流 预测结果； 图9为本发明实施例二提供的Wave-LSTM模型对机场线东直门站30分钟进站客流 预测结果； 图10为本发明实施例二提供的Wave-LSTM模型对机场线东直门站60分钟进站客流 预测结果。
