本發明涉及一種城市公共交通站點人數的預測方法及系統，所述預測方法包括統計在訓練時段內公共交通所有站點各時間區間內的站點人數，構建公共交通站點人數矩陣；根據公共交通站點人數矩陣，構建站點特征向量；根據站點特征向量對公共交通站點進行層次聚類，并確定監測站點；統計在預測時段內各監測站點的站點人數，構建預測時段內的監測站點人數向量；根據所述公共交通站點人數矩陣及預測時段內的監測站點人數向量，建立基于非負約束的稀疏嶺回歸模型；基于所述公共交通站點人數矩陣，根據時間相似度系數，預測所有站點的站點預測人數。本發明將公共交通站點的時空特征進行融合，同時考慮站點之間的空間關聯性和時間依賴性，可提高預測的準確率。

技術領域

本發明涉及數據處理技術領域，特別涉及一種城市公共交通站點人數的預測方法及系統。

背景技術

交通預測問題是智能交通系統的重要組成部分，其任務是在統計過去一段時間內歷史交通數據的基礎上，預測未來若干個時刻的交通數據。通常需要預測的交通數據包含流量和速度。流量是指單位時間內通過某個監測站點或某條道路的人數或/和車輛數，速度則是指單位時間內通過某監測站點或某條道路的平均速度。如何準確地預測城市范圍內未來若干個時刻的交通數據，對城市交通管理和市民高效出行均有十分重要的作用。

當前關于交通預測所采取的方法主要分為兩類。一類方法是將交通預測視為一個基于時間序列的回歸問題。該類方法的一個基本步驟是首先將統計得到的歷史數據按照時間順序進行排列形成時間序列數據，然后采用統計學上的時間序列模型預測未來若干時刻的交通數據。在技術上，該類方法主要采用一組長度固定的濾波器模板，逐步滑過時間序列數據，并在滑動過程中優化濾波器模板的參數。主要采用的時間序列預測模型包括滑動窗口模型、自回歸滑動平均模型、自回歸積分滑動平均模型、卡爾曼濾波模型等。該類方法的主要特點是短時間預測結果有效，但長時間預測精度會顯著下降。由于該類方法沒有考慮城市交通道路網絡中多條道路和多個站點的關聯關系，因此只能用于預測單個公共交通站點。另外一類方法是將交通預測視為一個統計模式分類問題。首先設計一個預測器，然后將已收集的歷史交通數據按一定方式進行整理，作為預測器的輸入與輸出，并訓練預測器的參數，最后將當前的交通數據輸入至預測器，并將預測器的輸出作為未來若干時刻的交通數據。預測器的類別、結構以及歷史交通數據的整理方式等均會影響預測器的預測性能。常用的預測器包含人工神經網絡和支持向量機等模型。這些預測器的適用條件和預測精度各不相同，通常只能針對少數幾條道路或者小規模的空間區域；同時，預測時間短，預測精度不高。

相比于傳統模型，深層神經網絡模型的預測精度更高、有效預測的時間更長，但是需要收集超大規模的時間跨度長的歷史交通數據。采用深層神經網絡模型預測交通數據的方法可進一步細分為兩類。一類是基于空間特征的卷積神經網絡模型。其具體做法是將一定的城市空間柵格化地分為若干個區域塊，每一個區域塊看成是圖像中的一個像素，該像素的像素值由某一時間段內其近鄰區域進出該區域塊的交通流量來確定，接著將所有像素按照其空間位置合成為一張圖像，并以這些圖像作為訓練樣本來訓練卷積神經網絡，并由此預測未來時刻的圖像(交通流量)。該類方法的準確率較高，可適用的城市空間規模較大。但是，該類僅能預測未來短時間內的交通流量，且空間分辨率低。同時，通過像素表示的數據不能明確地反應道路、公共交通站點處的流量。另一類是基于時序特征的循環神經網絡模型。該類方法首先將歷史交通數據表示為一個矩陣，矩陣的每一行表示研究范圍內的所有道路或者公共交通站點，每一列表示一個時刻；然后將矩陣的每一列，即每一個時刻所有道路、站點的數據按照時間順序依次輸入預測器，預測未來若干個時刻的交通數據。除了用二維矩陣表示交通數據外，也可以加入其它特征如天氣狀況、當天是否工作日作為新的一維，將交通數據表示為三維或者更高維的張量。這類基于循環神經網絡模型的方法可以預測未來較長時間的交通數據，預測精度也比較高。但是，該類方法仍然無法考慮道路、站點之間的空間關聯性，可適用的道路、站點規模集合也比較小。

綜上所述，當前城市交通預測方法存在一些普遍的問題。其一，現有方法可適用的城市空間范圍有限；其二，現有方法可預測時間短，長時段預測的精度顯著下降。

發明內容