(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 202111614575.9 (22)申请日 2021.12.27 (71)申请人 浙江浙大网新众合轨道交通工程有 限公司 地址 310000 浙江省杭州市滨江区网新双 城大厦4幢14楼 (72)发明人 方晖　姚依克　蒋坚迪　陈徐松　 苏含贵　彭冬鸣　姜富强　林琼　 何蕾　谢波　马洋平　钱琛琦　 张滢　华津仪　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 魏亮 (51)Int.Cl. G06Q 10/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G08G 1/01(2006.01) (54)发明名称 一种基于LSTM网络的地铁断面客流预测方 法 (57)摘要 本发明提出了一种基于LSTM网络的地铁断 面客流预测方法， 包括： 确定地铁指定线路的待 预测断面， 获取待预测断面截至运营日d的历史 客流数据， 将历史客流数据输入基于LSTM网络的 断面客流基础模型中， 输出第一预测变量； 实时 采集运营日d+1时的实时交易数据， 通过实时交 易数据分析乘 客的出站车站以及乘车路径， 根据 分析结果基于预设更新频率计算第二预测变量； 将第一预测变量和第二预测变量共同输入全连 接神经网络， 周期性的预测待预测断面在运营日 d+1时的客流。 本发明利用历史断面客流数据对 未来的断面客流进行基础预测， 同时利用当日的 实时交易数据对基础预测的结果进行修正， 以应 对突发短时客流， 提高了断面客流预测的准确 性。 权利要求书2页 说明书7页 附图2页 CN 114529032 A 2022.05.24 CN 114529032 A 1.一种基于LSTM网络的地铁断面 客流预测方法， 其特 征在于， 包括： 确定地铁指定线路的待预测断面， 获取待预测断面截至运营 日d的历史客流数据， 将历 史客流数据输入基于LSTM网络的断面 客流基础模型中， 输出第一预测变量； 实时采集运营日d+1时的实时交易数据， 通过实时交易数据分析乘客的出站车站以及 乘车路径， 根据分析 结果基于预设更新频率计算第二预测变量； 将第一预测变量和第 二预测变量共同输入全连接神经网络， 周期性的预测待预测断面 在运营日 d+1时的客 流。 2.根据权利要求1所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所 述确定地铁指定线路的待预测断面， 包括： 根据地铁指定线路的历史发车密度和历史车辆额定载客量， 动态计算指定线路在各个 断面(i,j)的额定客 运量， 选择断面的历史客 流超过额定客 运量的断面 为待预测断面； 其中， i表示时段编号， i对应的时段为[Ti,Ti+Δt)， Ti为时段的起始时刻， Δt为预设间 隔参数， i的取值范围为[1,24* 60/Δt]之间的整数； j表示断面编号， j的取值范围为 不超过断面总数量的正整数。 3.根据权利要求1所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所 述地铁断面 客流预测方法还 包括断面 客流基础模型的训练过程， 所述训练过程包括： 基于LSTM网络的架构 构建断面 客流基础模型； 获取待预测断面在运营日d ‑m至运营日d期间内的历史客流数据， 根据历史客流数据生 成断面客流数值时间序列以及日期标签时间序列； 将断面客流数值 时间序列以及日期标签时间序列共同作为训练数据， 根据训练数据对 断面客流基础模型的网络参数进行训练。 4.根据权利要求3所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所 述日期标签时间序列包括常规日期标签时间序列以及特殊日期标签时间序列； 所述常规日期标签时间序列用于标记运营 日是否为工作日， 所述特殊日期标签时间序 列用于标记运营日是否为节日。 5.根据权利要求1所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所 述通过实时交易数据分析乘客的出站车站以及乘车路径， 根据分析结果基于预设更新频率 计算第二预测变量， 包括： 从实时交易数据中提取出进站交易数据， 所述进站交易数据为在待预测断面对应的时 段之前进站且在所述时段内未 出站的实时交易数据； 提取进站 交易数据中的进站车站和刷卡卡号， 根据刷卡卡号判断产生进站交易数据的 乘客是否为常乘客； 若是常乘客， 获取常旅客的出站车站 的概率分布， 结合进站车站与出站车站之间的乘 车路径的概 率分布， 计算常乘客 通过待预测断面的第一 概率； 若不是常乘客， 获取在运营日d ‑m至运营日d期间所有乘客的出站车站的概率分布， 结 合进站车站与出站车站之 间的乘车路径， 计算除常乘客以外其他乘客通过待 预测断面的第 二概率； 将所有第一 概率和第二 概率累加， 得到第二预测变量。 6.根据权利要求5所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 114529032 A 2述根据刷卡 卡号判断产生进站交易数据的乘客是否为常乘客， 包括： 若在运营 日d‑m至运营日d期间内的所有历史交易数据中， 刷卡卡号在进站时间的前后 一小时形成的时间区间， 进站次数超过m*p次， 则判定该乘客 为常旅客， p为预设参数。 7.根据权利要求5所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所 述获取常旅客的出站车站的概率分布， 结合进站车站与出站车站之 间的乘车路径的概率分 布， 计算常乘客 通过待预测断面的第一 概率， 包括： 获取在运营日d ‑m至运营日d期间， 所述刷卡卡号在当前的进站时间前后一小时形成的 时间区间内进站后对应产生的出站交易数据， 统计出站交易数据中出站车站的出现次数， 根据统计结果计算常旅客的出站车站的概 率分布P1ExitSt； 通过客流清分数据库找到进站车站与出站车站之间的所有乘车路径以及每条乘车路 径的选择概 率Pep； 结合列车时刻表， 分别判断每条乘车路径是否通过待预测断面， 若通过则计算第一概 率为P1ExitSt×Pep。 8.根据权利要求5所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所 述获取在运营日d ‑m至运营日d期间所有乘 客的出站车站的概率分布， 结合进站车站与出站 车站之间的乘车路径， 计算除常乘客以外其 他乘客通过待预测断面的第二 概率， 包括： 获取在运营日d ‑m至运营日d期间， 所有乘客在当前的进站时间前后一小时形成的时间 区间内进站后对应产生的出站交易数据， 统计出站交易数据中出站车站的出现次数， 根据 统计结果计算常旅客的出站车站的概 率分布P2ExitSt； 通过客流清分数据库找到进站车站与出站车站之间的所有乘车路径以及每条乘车路 径的选择概 率Pep； 结合列车时刻表， 分别判断每条乘车路径是否通过待预测断面， 若通过则计算第二概 率为P2ExitSt×Pep。 9.根据权利要求1所述的一种基于LSTM网络的地铁断面客流预测方法， 其特征在于， 所 述全连接神经网络包括隐藏层， 所述全连接神经网络采用的激活函数为Sigmoid， 所述全连 接神经网络采用的损失函数为均方误差函数。权　利　要　求　书 2/2 页 3 CN 114529032 A 3