(19)中华 人民共和国 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 202111329365.5 (22)申请日 2021.11.10 (71)申请人 上海市大 数据股份有限公司 地址 200331 上海市普陀区武威路8 8弄2号 498室 (72)发明人 程栋　谭锐　潘希尧　 (74)专利代理 机构 上海申新 律师事务所 31272 代理人 吴轶淳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 一种地铁客 流的预测方法及系统 (57)摘要 本发明提供一种地铁客流的预测方法及系 统， 涉及客流预测技术领域， 包括： 持续采集至少 一待预测地铁站的在一预设时长内的实时客流 量和至少一环 境数据， 以分别得到绑定有待预测 地铁站的一身份编码的客流量时序数据和环境 时序数据； 根据各实时客流量和环 境数据的采集 时刻对身份编码对应的客流量时序数据和环境 时序数据进行关联得到一多维时序数据； 根据预 设的至少一特征工程模型分别对多维时序数据 进行特征工程得到对应的量化时序数据； 将身份 编码对应的量化时序数据输入预先训练得到的 一多重时序预测模型中预测得到身份编码对应 的待预测地铁站在未来一时间段的预测客流量。 有益效果是大大节省算力开销的同时能够获取 更为精准的预测客 流量。 权利要求书2页 说明书7页 附图3页 CN 114066038 A 2022.02.18 CN 114066038 A 1.一种地铁客 流的预测方法， 其特 征在于， 包括： 步骤S1， 持续采集至少一待预测地铁站的在一预设时长内的实时客流量和至少一环境 数据， 以分别得到绑定有 所述待预测地铁站的一身份编 码的客流量时序数据和环境时序数 据； 步骤S2， 根据 各所述实时客流量和所述环境数据的采集时刻对所述身份编码对应的所 述客流量时序数据和所述环境时序数据进行关联 得到一多维时序数据； 步骤S3， 根据 预设的至少一特征工程模型分别对所述多维时序 数据进行特征工程得到 对应的量 化时序数据； 步骤S4， 将所述身份编码对应的所述量化 时序数据输入预先训练得到的一多重时序 预 测模型中预测得到所述身份编码对应的所述待预测地铁站在未来 一时间段的预测客 流量。 2.根据权利要求1所述的地铁客流的预测方法， 其特征在于， 所述环境数据包括所述待 预测地铁站周围的一预设范围内的单车流量数据， 和/或交通态势数据， 和/或天气数据， 和/或节假日数据。 3.根据权利要求1所述的地铁客流的预测方法， 其特征在于， 所述步骤S2中， 根据各所 述实时客流量和所述环境数据的采集时刻， 并采用一预设时间窗口对所述客流量时序数据 和所述环境时序数据进行关联 得到所述多维时序数据。 4.根据权利要求1所述的地铁客流的预测方法， 其特征在于， 执行所述步骤S4之前， 还 包括一数据修 正过程， 包括： 步骤A1， 对所述 量化时序数据进行异常值识别得到所述 量化时序数据中的异常数据； 步骤A2， 针对每个所述异常数据， 根据所述异常数据在所述量化时序数据中所在的时 序位置， 获取所述时序位置前后对应的数据时序变化趋势， 并根据所述数据时序变化趋势 对所述异常数据进行数据修正得到修正数据， 使得所述修正数据满足所述数据时序变化趋 势， 以对所述 量化时序数据进行 更新； 则所述步骤S4中， 将更新后的所述量化 时序数据输入所述多重时序 预测模型中得到所 述身份编码对应的所述待预测地铁站在未来 一时间段的所述预测客 流量。 5.根据权利要求4所述的地铁客流的预测方法， 其特征在于， 所述步骤A1中， 采用孤立 森林算法对所述 量化时序数据进行异常值识别得到所述异常数据。 6.根据权利要求1所述的地铁客流的预测方法， 其特征在于， 执行所述步骤S4之后， 还 包括一客流预警过程， 包括： 步骤B1， 针对每个所述待预测地铁站， 将对应的所述预设时长内的所述客流量时序数 据输入预先训练得到的一客流预测模型预测得到所述待预测 地铁站在未来所述时间段 的 标准客流量； 步骤B2， 判断所述预测客 流量是否大于所述标准 客流量： 若否， 则退 出； 若是， 则转向步骤B3； 步骤B3， 判断所述预测客 流量与所述标准 客流量之间的差值 绝对值是否大于一阈值： 若否， 则退 出； 若是， 则生成一预警提示信息， 以提示所述待预测地铁站 的工作人员预先部署疏散措 施。权　利　要　求　书 1/2 页 2 CN 114066038 A 27.根据权利要求6所述的地铁客流的预测方法， 其特征在于， 所述客流预测模型为自编 码器模型。 8.根据权利要求1所述的地铁客流的预测方法， 其特征在于， 所述多重时序预测模型为 DeepAR模型。 9.一种地铁客流的预测系统， 其特征在于， 应用如权利要求1 ‑8中任意一项所述的地铁 客流的预测方法， 所述 地铁客流的预测系统包括： 数据采集模块， 用于持续采集至少一待预测地铁站的在一预设时长 内的实时客流量和 至少一环境数据， 以分别得到绑定有 所述待预测地铁站的一身份编 码的客流量时序数据和 环境时序数据； 数据关联模块， 连接所述数据采集模块， 用于根据各所述实时客流量和所述环境数据 的采集时刻对所述身份编码对应的所述客流量时序数据和所述环境时序数据进行关联得 到一多维时序数据； 数据量化模块， 连接所述数据关联模块， 用于根据预设的至少一特征工程模型分别对 所述多维时序数据进行 特征工程得到对应的量 化时序数据； 客流预测模块， 连接所述数据量化模块， 用于将所述身份编码对应的所述量化时序数 据输入预先训练得到的一多重时序预测模型中预测得到所述身份编码对应的所述待预测 地铁站在未来 一时间段的预测客 流量。 10.根据权利要求9所述的地铁客流的预测系统， 其特征在于， 还包括一数据修正模块， 分别连接所述数据量 化模块和所述 客流预测模块， 所述数据修 正模块包括： 异常识别单元， 用于对所述量化 时序数据进行异常值识别得到所述量化 时序数据中的 异常数据； 异常修正单元， 连接所述异常识别单元， 用于针对每个所述异常数据， 根据所述异常数 据在所述量化时序数据中所在的时序位置， 获取所述时序位置前后对应的数据时序变化趋 势， 并根据所述数据时序变化趋势对所述异常数据进行数据修正得到修正数据， 使得所述 修正数据满足所述数据时序变化趋势， 以对所述 量化时序数据进行 更新； 则所述客流预测模块将更新后的所述量化时序数据输入所述多重时序预测模型中得 到所述身份编码对应的所述待预测地铁站在未来 一时间段的所述预测客 流量。权　利　要　求　书 2/2 页 3 CN 114066038 A 3