(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 202111387081.1 (22)申请日 2021.11.22 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 张明明　黄家琛　张士雷　廖舟　 彭思静　龙瑾潇　李思洋　王成宝　 (74)专利代理 机构 安徽合肥华信知识产权代理 有限公司 341 12 代理人 徐海燕 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/16(2006.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 一种基于bp神经网络的轨道交通短时客流 预测方法 (57)摘要 本发明公开了一种基于bp神经网络的轨道 交通短时客流预测方法， 具体包括以下步骤： 对 原始数据进行预处理； 通过计算不同日期类型之 间的距离计算预处理后数据的相异度； 根据计算 的相异度进行聚类， 把距离最小的两类分割合 并， 直到所有分割合并为一个分割； 绘制聚类谱 系图， 进行聚类分析； 客流周 期性分析客流时间 特性周期性分析； 客流空间特性周期性分析； 客 流时空特性周期性分析； 根据聚类 分析和客流周 期性分析的结果进行特征因子提取； 选取BP神经 网络参数与相关函数， 确定BP神经网络的初始 权 值和阈值。 权利要求书3页 说明书9页 附图1页 CN 114117903 A 2022.03.01 CN 114117903 A 1.一种基于bp神经网络的轨道交通短时客流预测方法， 其特征在于： 具体包括以下步 骤： (1)聚类分析 (1.1)对原 始数据进行 预处理； (1.2)通过计算 不同日期类型之间的距离计算预处 理后数据的相异度； (1.3)根据计算的相异度进行聚类， 把距离最小的两类分割合并， 直到所有分割合并为 一个分割； (1.4)绘制聚类谱系图， 进行聚类分析； (2)客流周期性分析 (2.1)客流时间特性周期性分析； (2.2)客流空间特性周期性分析； (2.3)客流时空特性周期性分析； (3)根据聚类分析和客 流周期性分析的结果进行 特征因子提取； (4)选取BP神经网络参数与相关函数， 确定BP神经网络的初始权值和阈值。 2.根据权利要求1所述的一种基于bp神经网络的轨道交通短时客流预测方法， 其特征 在于： 步骤(1.1)所述的对原始数据进行预处理， 具体是对不同工作日的原始数据客流量进 行标准化： 式中Sj为样本标准偏差， x为数据集的特 征点。 3.根据权利要求2所述的一种基于bp神经网络的轨道交通短时客流预测方法， 其特征 在于： 步骤(1.2)所述的对预处 理后的数据计算相异度， 具体如下： 采用欧几里 得距离作为相异度的数量指标： 式中d(xi,xj)为对象间的相异度通常用向量间的距离 。 4.根据权利要求3所述的一种基于bp神经网络的轨道交通短时客流预测方法， 其特征 在于： 步骤(2)所述的客 流周期性分析， 具体如下： (2.1)客流时间特性周期性分析 采用一个一维时间序列来描述一个站点的进/出站客流量， 将各站点进出站客流在一 天内的分布情况分为单峰型、 双峰型、 全峰型、 凸峰型和无峰型五种； 单峰型分布是指车站在一天的运营时间内出现一个进站高峰和一个出站高峰；权　利　要　求　书 1/3 页 2 CN 114117903 A 2双峰型分布是指城市轨道交通客流在早晨7点至9点间因通勤、 通学形成交通早高峰， 傍晚17点至19点因下班、 放学 形成交通晚高峰， 其 他时段内客 流变化不大， 属于客 流平峰； 全峰型分布是 无分明的客 流低谷， 全天每 个时段内的客 流量都较大； 无峰型分布 的客流分布无明显的高峰， 由于周边环境对客流的吸引力不足， 导致车站 全天进出站客 流都较小； 凸峰型分布都出现在举办大 型活动场所附近； (2.2)客流空间特性周期性分析 从空间维度对城市轨道 交通的客流进行分析， 分析同一 时间段内不同车站或不同断面 的客流情况； 车站 客流是指单位时间内站 点上下车客流和换乘客流的总和； 采用一个n 维序 列描述某个时段内n个站点的客 流量； 断面客流是指单位 时间内通过城市轨道 交通线路各区间的在车客流量， 根据列车的运 行方向的不同， 将其分为上 行断面客流量和下行断面客流量； (2.3)客流时空特性周期性分析 客流数据在时间和空间两个维度上同时变化， 且呈现一定的规律性， 通过构建一条含n 个站点的独立的城市轨道交通线路来展示客流的时空特性； 所述短时客流预测是根据已收 集到的客流数据， 分析其中的变化规律及客流数据内部存在的联系， 推算出下一个或多个 时间段内的各站点的进出站客流， 即根据矩阵F的前m列的数据来预测第(m+ △t)列的客流 数据， 其中1≤ m≤h，△t为时间段间隔， 矩阵F为通过 组合各车站的历史进/出站 客流数据获 得的多维客 流矩阵， h为矩阵的列数。 5.根据权利要求4所述的一种基于bp神经网络的轨道交通短时客流预测方法， 其特征 在于： 每个乘客存在一对出行起讫点， 即OD对； 在第t时间段内从Sn站出站的客流一定是由 其他车站之前时段的部分进站客流组成， 而这一时段由列车在两个站点间的运行时间决 定， 即在第t时间段内从Sn站出站的客流将与第Ti时间段内Sj站进站客流有关， 其中1≤j≤ n‑1， Tj的表达式如下式所示， 晚于Tj时段的Sj站的进站客流无法在第t时间段内从Sn站退出轨道交通系统， 通过组合 各车站的历史进/出站客流数据获得一个大小为[Sj×(h+1)]的多维客流矩阵， 如下式所 示： 矩阵F的每一行都反映了各站点在时间维度 上的客流特性， 矩阵F的每一列则从空间维 度上表示了同一时间下不同站点的客流特性， 由此可见， 上式同时反映出城市轨道交通客 流的时空特性。 6.根据权利要求5所述的一种基于bp神经网络的轨道交通短时客流预测方法， 其特征 在于： 步骤(3)所述的根据聚类分析和客流周期性分析的结果进行特征因子提取， 具体如 下：权　利　要　求　书 2/3 页 3 CN 114117903 A 3