(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 202111322651.9 (22)申请日 2021.11.09 (71)申请人 北京京投亿雅捷交通科技有限公司 地址 100101 北京市朝阳区小营 北路6号京 投大厦3号楼10层 (72)发明人 李洲　宋伟　刘瑜　逄淑荣　 牛燕斌　王克非　张博　韩国奇　 曹丽娟　范志峰　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06F 30/27(2020.01) G06F 16/2458(2019.01) (54)发明名称 一种基于OD路径的客流预测方法及应用方 法 (57)摘要 本发明公开了一种基于OD路径的客流预测 方法， 包括： 获取样本数据； 对样本数据进行检查 和预处理； 根据预处理的样本数据进行精细化客 流预测， 以近期不同日期类型、 不同时间段内、 不 同时间粒度的OD出行特征、 在预测当日的实时进 站刷卡数据为基础， 预测乘客的出站地点、 出站 时间。 本发明还公开了一种基于OD路径的客流预 测方法的应用方法。 本发明解决了现有技术中预 测效率低、 适应性 不强的问题。 权利要求书2页 说明书6页 附图1页 CN 114037158 A 2022.02.11 CN 114037158 A 1.一种基于OD路径的客 流预测方法， 其特 征在于， 包括以下步骤： 101， 获取样本数据； 102， 对样本数据进行检查和预处 理； 103， 根据预处理的样本数据进行精细化客流预测， 以近期不同日期类型、 不同时间段 内、 不同时间粒度的OD出行特征、 在预测当日 的实时进站刷卡数据为基础， 预测乘客的出站 地点、 出站时间。 2.根据权利要求1所述的基于OD路径的客 流预测方法， 其特 征在于， 步骤102具体包括： 检查输入样本数据的完整性， 即是否存在缺失值、 异常值、 极值、 离散值等， 如果存在， 则用历史同期且气象相同或相似的对应日期的客 流数据的均值进行补充。 3.根据权利要求1所述的基于OD路径的客 流预测方法， 其特 征在于， 步骤10 3具体包括： 1031， 根据近期的历史出行OD数据、 气象数据、 活动数据、 运营事件数据， 深度分析外部 影响因素对各时间段、 各时间粒度的地铁OD客 流的影响程度； 1032， 利用历史OD客流数据， 深度分析各个时段每个车站进站的乘客， 在路网其他各个 车站的出站分布概 率， 建立OD出站分布 矩阵Qt， 出站； 1033， 利用历史OD客流数据， 深度分析连续一年每个乘客在各个时段的OD特征概率分 布， 建立乘客出 行OD概率分布矩阵Qt， 乘 客； 1034， 将OD出站分布矩阵Qt， 出站、 乘客出行OD概率 分布矩阵Qt， 乘 客、 不同时段客流的影响因 素权重矩阵Qt， 因素、 历史乘客进站刷卡数据Qt， 历史进站、 实时刷卡进站数据Qt， 实时进站、 时间段数据 Qt， 时间段、 工作日/周末标识数据Q工作 日/周 末、 节假日数据Q节假 日作为输入数据 A， 建立深度神经网络 模型， 预测乘客本次乘车出站车站的概率矩阵B， 选取概率最大的车站作为乘 客本次乘车的 出站车站； 1035， 确定乘客本次乘车的出站车站后， 获取乘客的进站时间、 出 行路径和出站时间； 1036， 根据乘客出行路径及出站时间， 预测线网/线路/车站的进站量、 出站量、 客运量、 换乘量、 断面 客流量。 4.根据权利要求3所述的基于OD路径的客流预测方法， 其特征在于， 步骤1034中， 建立 深度神经网络模型， 具体为： 设深度神经网络的样 本数据集为{Zl， tl， l＝1， 2， ...， L}， 其中Z＝{Qt， 出站′ Qt， 乘客′ Qt， 因素′  Qt ， 历史进站 ′ Qt ， 实时进站 ′ Qt ， 时间段 ′ Q工作日/周末 ′ Q节假日}， 输出结果矩阵的f(Z) ， 则 其中， β ＝[β1， ...， βL]T是隐藏层(L个节点)与输出层(m各节点， m ≥1)之间的输出权 重， 其计算公式为β ＝H+T H+为矩阵H的广义逆矩阵， 且H+＝(HT×H)‑1×HT T为训练数据的目标矩阵， 且 H(Z)为隐藏层的输出， 其公式为H(Z)＝[h1(Z)， ...， hL(Z)] 其中hl(Z)为第1个隐藏层节点的输出， 其公式为是隐藏层节点 参数 hl(Z)＝g(wl， bl， Z)＝g(wlZ+bl)权　利　要　求　书 1/2 页 2 CN 114037158 A 2其中g(wl， bl， Z)(wl和bl是隐藏层节点 参数)是激活函数， 且 其中w， b是隐藏层节点 参数， 通过任意连续的概 率分布随机生成。 5.根据权利 要求1所述的基于OD路径的客流预测方法， 其特征在于， 步骤1035中获取出 站时间， 需要考虑交通阻抗： 路段阻抗Aij和节点阻抗Bk。 6.根据权利要求5所述的基于OD路径的客 流预测方法， 其特 征在于， 节点阻抗Bk包括： 通过车站， 乘客在该车站续乘同一列车， 此时节点阻抗等于列车在该节点(k站)停站时 间， 表示为tk， 则Bk＝tk； 换乘车站， 乘客在该车站换乘另一条轨道交通线， 此时节点阻抗等于该站 的换乘时间 乘以换乘放大系数α 。 7.一种基于OD路径的客流预测方法的应用方法， 其特征在于， 在权利要求1至6的基础 上， 设定预警阈值， 客 流预测量超过 预警阈值时， 进行报警。权　利　要　求　书 2/2 页 3 CN 114037158 A 3