本发明涉及城轨交通客流预测。具体而言，涉及一种地铁进出站客流量预测方法及系统。
背景技术：
1、地铁因时效性强，客运量大以及舒适感高而成为城市居民出行首选的公共交通方式。然而，随着城市轨道交通网络的扩张和客流需求的增加，地铁客流量逐年增长，轨道交通网络负荷持续增加，需要一种列车运行计划以提高地铁运行效率，尽可能为用户提供舒适的出行环境。
2、进出站客流量预测可以为列车运行计划提供重要的数据支撑，传统的地铁进出站客流量预测方法是利用深度学习方法学习地铁进站客流量的时序特征，同时根据出站客流量挖掘不同地铁站之间的空间关联度对客流的影响关系。但是，目前的客流量预测模型中的时空特征参数都是分别设定的，时空相关性没有得到体现，且深度学习只能对设定的参数进行直接训练，无法对不同参数进行关联性训练，因此现有的地铁进出站客流量预测方法中对于时空参数矩阵的处理往往比较简单，分别定义时空参数矩阵后直接接入神经网络对历史数据进行训练，这极大的影响了时空关联特征的挖掘，因此亟要一种结合时空特征的预测模型，从而提升客流量预测的准确性和鲁棒性。
技术实现思路
1、本发明正是基于现有技术的上述需求而提出的，本发明要解决的技术问题是提出一种地铁进出站客流量预测方法及系统以提升客流量预测的准确性和鲁棒性。
2、为了解决上述问题，本发明是采用如下技术方案实现的：
3、一种地铁进出站客流量预测方法，该方法包括：获取各地铁站历史客流量，所述历史客流量包括历史进站客流量和历史出站客流量；基于各地铁站所处地的区域属性和各地铁站对应的历史客流量对地铁站进行分类，确定各地铁站所属类别；基于各地铁站所属类别和历史客流量，计算各地铁站的时空参数矩阵，包括：确定与目标地铁站所属类别中的其他地铁站，作为第一地铁站；基于目标地铁站与各第一地铁站之间的历史客流量和目标地铁站的历史出站客流量，确定第一数据，所述第一数据表示各第一地铁站对目标地铁站的出站客流量影响值；基于目标地铁站与各第一地铁站之间的历史客流量和目标地铁站的历史进站客流量，确定第二数据，所述第二数据表示各第一地铁站对目标地铁站的进站客流量影响值；基于所述第一数据和所述第二数据，获得目标地铁站的时空参数矩阵；基于时空参数矩阵和目标地铁站的历史客流量得到第一客流量，所述第一客流量用于反映目标地铁站历史变化规律；利用构建的预测网络对第一客流量和基于历史出站客流量得到的各地铁站的空间关系特征进行处理，预测得到下一时间段的目标地铁站的客流量，所述预测网络包括第一网络和第二网络，所述第一网络用于对输入的第一客流量处理得到下一时间段的第二客流量；所述第二网络包括通过位置编码器对输入的各地铁站的空间关系特征处理得到列车在相邻车站之间断面的运行时间；利用第一残差网络对运行时间和各地铁站的空间关系特征处理得到第一特征信息；通过rcnn网络对第二客流量和第一特征信息处理得到第二特征信息；基于第二特征信息得到下一时间段的客流量。
4、可选地，基于各地铁站所处地的区域属性和各地铁站对应的历史客流量对地铁站进行分类，确定各地铁站所属类别，包括：所述区域属性包括居住类、办公类、办公占优类、居住占优类、交通枢纽类、商业类和综合类；步骤一：随机选取与区域属性数量一致的地铁站个数，以其对应的历史客流量作为簇中心点；步骤二：计算剩余各地铁站的历史客流量与各簇中心点的之间的相关系数，确定剩余各地铁站的最大相关系数以及所对应的簇中心点，所有地铁站形成多个簇；步骤三：计算同一个簇的地铁站的历史客流量的均值，将所述均值作为新的簇中心点；步骤四：重复步骤二和步骤三，直到簇中心点不再变化。
5、可选地，基于所述第一数据和所述第二数据，获得目标地铁站的时空参数矩阵，包括：基于第一数据的最大值和最小值对第一数据进行归一化得到第一值；基于第二数据的最大值和最小值对第二数据进行归一化得到第二值；将第一值与对应的第一参数和第二值与对应的第二参数分别进行哈达玛积计算，并将计算结果相加得到时空参数矩阵，所述第一参数和第二参数基于历史客流量数据得到。
6、可选地，所述第二网络包括依次连接的多个第一模块、线性回归网络和softmax网络；所述第一模块包括依次连接的位置编码器、第一残差网络、两个rcnn网络、全连接层、前馈神经网络、第二残差网络。
7、可选地，所述第一网络包括依次连接的多个transformer网络，所述transformer网络包括依次连接的时间编码器、多头注意力机制、第三残差网络、前馈神经网络、全连接层和第四残差网络；利用时间编码器将输入数据分割为多个连续时间序列的第三客流量，通过多头注意力机制分别对多个第三客流量进行学习，通过第三残差网络和前馈神经网络对学习结果进行非线性处理，利用全连接层对前馈神经网络的输出结果进行处理，得到全局特征；利用第四残差网络学习前馈神经网络的输出结果和全连接层的输出结果，得到与之连接的网络的输入结果，所述与之连接的网络包括下一个transformer网络或第二网络。
8、可选地，通过位置编码器对输入的各地铁站的空间关系特征处理得到列车在相邻车站之间断面的运行时间，其表达式为：pe(pos，2i)＝sin(pos/100002i/d)，pe(pos，2i+1)＝cos(pos/100002i/d)，其中，pos表示车站在线路中的位置，d是指pe的维度，2i代表偶数的维度，2i+1代表奇数的维度，pe(pos,2i)表示目标地铁站到维度为2i的地铁站的运行时间，pe(pos,2i+1)表示目标地铁站到维度为2i+1的地铁站的运行时间。
9、可选地，利用mse损失函数学习预测网络。
10、一种地铁进出站客流量预测系统，该系统包括：获取模块，获取各地铁站历史客流量，所述历史客流量包括历史进站客流量和历史出站客流量；分类模块，基于各地铁站所处地的区域属性和各地铁站对应的历史客流量对地铁站进行分类，确定各地铁站所属类别；计算模块，基于各地铁站所属类别和历史客流量，计算各地铁站的时空参数矩阵，包括：确定与目标地铁站所属类别中的其他地铁站，作为第一地铁站；基于目标地铁站与各第一地铁站之间的历史客流量和目标地铁站的历史出站客流量，确定第一数据，所述第一数据表示各第一地铁站对目标地铁站的出站客流量影响值；基于目标地铁站与各第一地铁站之间的历史客流量和目标地铁站的历史进站客流量，确定第二数据，所述第二数据表示各第一地铁站对目标地铁站的进站客流量影响值；基于所述第一数据和所述第二数据，获得目标地铁站的时空参数矩阵；基于时空参数矩阵和目标地铁站的历史客流量得到第一客流量，所述第一客流量用于反映目标地铁站历史变化规律；预测模块，利用构建的预测网络对第一客流量和基于历史出站客流量得到的各地铁站的空间关系特征进行处理，预测得到下一时间段的目标地铁站的客流量，所述预测网络包括第一网络和第二网络，所述第一网络用于对输入的第一客流量处理得到下一时间段的第二客流量；所述第二网络包括通过位置编码器对输入的各地铁站的空间关系特征处理得到列车在相邻车站之间断面的运行时间；利用第一残差网络对运行时间和各地铁站的空间关系特征处理得到第一特征信息；通过rcnn网络对第二客流量和第一特征信息处理得到第二特征信息；基于第二特征信息得到下一时间段的客流量。
11、可选地，基于各地铁站所处地的区域属性和各地铁站对应的历史客流量对地铁站进行分类，确定各地铁站所属类别，包括：所述区域属性包括居住类、办公类、办公占优类、居住占优类、交通枢纽类、商业类和综合类；步骤一：随机选取与区域属性数量一致的地铁站个数，以其对应的历史客流量作为簇中心点；步骤二：计算剩余各地铁站的历史客流量与各簇中心点的之间的相关系数，确定剩余各地铁站的最大相关系数以及所对应的簇中心点，所有地铁站形成多个簇；步骤三：计算同一个簇的地铁站的历史客流量的均值，将所述均值作为新的簇中心点；步骤四：重复步骤二和步骤三，直到簇中心点不再变化。
12、可选地，基于所述第一数据和所述第二数据，获得目标地铁站的时空参数矩阵，包括：基于第一数据的最大值和最小值对第一数据进行归一化得到第一值；基于第二数据的最大值和最小值对第二数据进行归一化得到第二值；将第一值与对应的第一参数和第二值与对应的第二参数分别进行哈达玛积计算，并将计算结果相加得到时空参数矩阵，所述第一参数和第二参数基于历史客流量数据得到。
13、与现有技术相比，本发明提出了一种地铁进出站客流量预测方法及系统，根据不同类型地铁站的客流特性进行参数计算，考虑了进站到出站的时间延后性，能够捕捉到进站量对出站量的空间影响。在此基础上，建立多维序列共同作为特征序列，实现进出站量的短时智能预测。该方法提升了对不同地铁进出站客流量影响因素的特征提取能力，从而提升进出站客流量的预测精确度。
1.一种地铁进出站客流量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种地铁进出站客流量预测方法，其特征在于，基于各地铁站所处地的区域属性和各地铁站对应的历史客流量对地铁站进行分类，确定各地铁站所属类别，包括：
3.根据权利要求书1所述的一种地铁进出站客流量预测方法，其特征在于，基于所述第一数据和所述第二数据，获得目标地铁站的时空参数矩阵，包括：
4.根据权利要求书1所述的一种地铁进出站客流量预测方法，其特征在于，所述第二网络包括依次连接的多个第一模块、线性回归网络和softmax网络；所述第一模块包括依次连接的位置编码器、第一残差网络、两个rcnn网络、全连接层、前馈神经网络、第二残差网络。
5.根据权利要求书1所述的一种地铁进出站客流量预测方法，其特征在于，所述第一网络包括依次连接的多个transformer网络，所述transformer网络包括依次连接的时间编码器、多头注意力机制、第三残差网络、前馈神经网络、全连接层和第四残差网络；利用时间编码器将输入数据分割为多个连续时间序列的第三客流量，通过多头注意力机制分别对多个第三客流量进行学习，通过第三残差网络和前馈神经网络对学习结果进行非线性处理，利用全连接层对前馈神经网络的输出结果进行处理，得到全局特征；利用第四残差网络学习前馈神经网络的输出结果和全连接层的输出结果，得到与之连接的网络的输入结果，所述与之连接的网络包括下一个transformer网络或第二网络。
6.根据权利要求书1所述的一种地铁进出站客流量预测方法，其特征在于，通过位置编码器对输入的各地铁站的空间关系特征处理得到列车在相邻车站之间断面的运行时间，其表达式为：
7.根据权利要求书1所述的一种地铁进出站客流量预测方法，其特征在于，利用mse损失函数学习预测网络。
8.一种地铁进出站客流量预测系统，其特征在于，包括：
9.根据权利要求8所述的一种地铁进出站客流量预测系统，其特征在于，基于各地铁站所处地的区域属性和各地铁站对应的历史客流量对地铁站进行分类，确定各地铁站所属类别，包括：
10.根据权利要求书8所述的一种地铁进出站客流量预测系统，其特征在于，基于所述第一数据和所述第二数据，获得目标地铁站的时空参数矩阵，包括：
