(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210922005.4 (22)申请日 2022.08.02 (71)申请人 全图通位置网络有限公司 地址 100176 北京市大兴区经济技 术开发 区凉水河一 街2号院1号楼4层40 5房间 (72)发明人 张迪　张开婷　崔闰虎　王欣　 李强　 (74)专利代理 机构 北京安度修典专利代理事务 所(特殊普通 合伙) 11424 专利代理师 杨方成　马欢萍 (51)Int.Cl. G06F 16/29(2019.01) G06F 16/2458(2019.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 面向乘客诱导的路网客流状态推演方法及 系统 (57)摘要 本发明公开了一种面向乘客诱导的路网客 流状态推演方法及系统， 该方法包括： 获取城市 轨道交通各站点的历史客流量数据； 基于各站点 的历史客流量数据和 天气数据， 利用Pearson相 关系数分析确定对客流产生影 响的相关因素； 对 各站点的历史客流量数据进行聚类 分析， 得到各 类站点的分类结果， 并分析不同类型站点的客流 量分布情况； 搭建短时客流预测模型， 采集各类 站点的实时客流量数据， 将各类站点的实时客流 量数据输入至短时客流预测模型， 得到短时客流 预测结果。 本发明提升了预测的准确性， 实时性 和应对突发情况的适应能力。 权利要求书2页 说明书8页 附图4页 CN 115269758 A 2022.11.01 CN 115269758 A 1.一种面向乘客 诱导的路网客 流状态推演方法， 其特 征在于， 包括： 获取城市轨道交通各站点的历史客 流量数据； 基于各站点的历史客流量数据和 天气数据， 利用Pearson相 关系数分析确定对客流产 生影响的相关因素； 对各站点的历史客流量数据进行聚类分析， 得到各类站点的分类结果， 并分析不同类 型站点的客 流量分布情况； 搭建短时客流预测模型， 采集各类站点的实时客流量数据， 将各类站点的实时客流量 数据输入至短时客 流预测模型， 得到短时客 流预测结果。 2.根据权利要求1所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 所述客 流量数据至少包括旅客进出站 站点编号、 站点名称、 进出站时间及卡类型。 3.根据权利要求1所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 所述利 用Pearso n相关系数分析确定对客 流产生影响的相关因素的步骤 包括： 将各站点的历史客 流量数据划分成若干时间段的客 流量数据； 利用每个时间段的客 流量数据及天气数据， 计算对应的Pearso n相关系数； 比较每个时间段的客流量数据及天气数据对应的Pearson相 关系数， 确定对客流产生 影响的相关客 流量因素和相关天气因素； 选取部分站点的一个月内每日客流数据和一周内每日不同时段平均客流数据进行分 析， 确定对客 流产生影响的是否 工作日和是否客 流高峰期两个因素。 4.根据权利要求3所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 所述 Pearson相关系数的计算公式如下： 其中， Xi表示第i个时间段的客流量， 和SX分别表示客流量的平均值和方差； Yi表示第i 时间段的相应影响因素值， 和SY分别表示相应影响因素的平均值和方差； r为Pearson相关 系数。 5.根据权利要求3所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 所述对 客流产生影响的相关因素包括 温度、 湿度、 能见度、 降水量、 云量、 前一时段客流量/人次、 是 否工作日及是否高峰时段。 6.根据权利要求1所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 所述对 各站点的历史客 流量数据进行聚类分析的步骤 包括： 获取各站点类别数目和站点 客流数据集； 求取所有站点 客流的最大值与最小值； 以最大值与最小值间的K+1等分点 为初始聚类中心； 将所有站点划分到客 流量最接近的聚类 类别中； 将聚类中各个向量站点客流与聚类中心的差值进行累加求和， 作为算法的收敛判断条 件； 找到每类客流的均值， 作为新的聚类 中心， 当连续两次聚类结构的差小于设定阈值时，权　利　要　求　书 1/2 页 2 CN 115269758 A 2迭代结束； 输出站点聚类结果， 所述站点聚类结果包括高客流量站点、 中客流量站点及低客流量 站点。 7.根据权利要求6所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 所述分 析不同类型站点的客 流量分布情况的步骤 包括： 分别对高客流量站点、 中客流量站点及低 客流量站点的历史客流量数据在时间和空间 上的分布规 律进行分析， 确定各类站点 不同的客 流高峰时间段。 8.根据权利要求1所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 所述搭 建短时客流预测模型的步骤 包括： 构建短时客流预测模型的输入层、 隐藏层和输出层； 利用每个站点的历史客流量数据按照 一定比例划分成训练集和测试集， 并采集每个站 点的实时客 流量数据， 并添加到测试集中； 利用训练集对短时客 流预测模型进行训练； 利用测试集对训练后的短时客 流预测模型进行验证。 9.根据权利要求1所述的面向乘客诱导的路网客流状态推演方法， 其特征在于， 将每个 站点的实时客 流量数据输入至短时客 流预测模型， 得到短时客 流预测结果的步骤 包括： 对每个站点的实时客 流量数据进行 预处理， 选用不同时间粒度划分预处 理后的每 个站点的实时客 流量数据； 对不同时间内的实时客 流量数据进行 预测分析， 得到各站点 客流状态。 10.一种面向乘客 诱导的路网客 流状态推演系统， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1至9任一项所述面向乘客诱导的 路网客流状态推演方法的步骤。权　利　要　求　书 2/2 页 3 CN 115269758 A 3