技术摘要：
本发明公开了一种客流数据的预测方法及装置。其中，该方法包括：获取交通网络的历史客流OD数据，其中，历史客流OD数据包括历史时间和历史时间的日期对应的分时段客流OD数据，历史时间包括日期和时段；对分时段客流OD数据进行聚类分析，确定分时段客流OD数据对应的多个  全部
背景技术：
随着城市轨道交通路网规模的不断扩大、客流量增加，加之网络化运营模式的不 断深入，激增的客流一方面严重影响了乘客的出行体验，另一方面也给运营者的日常运营 管理带来极大的挑战。精确地对路网客流OD进行预测能够为城市轨道交通运营者在制定运 输组织方案时提供依据和辅助决策支持。 目前现有的城轨客流预测方法大多使用时间序列模型，模型一般存在一定假设且 模型复杂度较高，在应用到实际生产实践中还存在一定困难，而且存在准确率，效率低的问 题。 针对上述的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种客流数据的预测方法及装置，以至少解决相关技术中的 客流量预测方法准确率低，效率低的技术问题。 根据本发明实施例的一个方面，提供了一种客流数据的预测方法包括：获取交通 网络的历史客流OD数据，其中，所述历史客流OD数据包括历史时间和所述历史时间的日期 对应的分时段客流OD数据，所述历史时间包括日期和时段；对所述分时段客流OD数据进行 聚类分析，确定所述分时段客流OD数据对应的多个类别；确定待预测时间对应的预测客流 OD数据所属的类别；根据所述类别确定所述待预测时间的所述预测客流OD数据。 可选的，获取交通网络的历史客流OD数据包括：利用城市轨道交通售检票系统获 取乘客刷卡记录数据，构建第一矩阵， 其中，Qi(T)为 车站i在日期T去往路网各个车站的客流OD数据；qij(k)为车站i在时段k内去往车站j的客流 量；m为一天内时段个数；n为路网内车站个数；根据所述第一矩阵，确定所述历史客流OD数 据，其中，所述历史客流OD数据包括以车站为单位统计所述车站在不同时段内去往交通网 络各个车站的车站客流OD数据。 可选的，对所述分时段客流OD数据进行聚类分析，确定所述分时段客流OD数据对 应的多个类别包括：根据不同时段的所述车站客流OD数据，确定所述车站去向的多个重点 车站，其中，所述重点车站为所述车站去向的多个车站中去向贡献度超过贡献度临界值的 车站；根据路网拓扑结构，将所述交通网络划分为不同区段；根据多个所述重点车站和所述 区段的所述车站客流OD数据，确定聚类样本；通过AP聚类方法对所述聚类样本进行聚类，获 得不同日期的样本数据对应的类别。 5 CN 111598333 A 说　明　书 2/11 页 可选的，根据不同时段的所述车站客流OD数据，确定所述车站去向的多个重点车 站包括：根据设定时间段内所述车站去往所述交通网络的多个其他车站的客流量，分别与 进站的客流量的比例，确定所述交通网络的多个所述其他车站的去向贡献度；将所述去向 贡献度根据多个数值划分为多个等级，分别统计所述去向贡献度超过多个所述数值的车站 数目，将多个所述数值与对应的所述车站数目取对数后线性拟合，得到回归方程；在取对数 后的车站数目中划定比例，获得重点车站贡献度临界值；将去向贡献度超过所述临界值的 车站设定为重点车站。 可选的，根据多个所述重点车站和所述区段的所述车站客流OD数据，确定聚类样 本包括：根据多个所述重点车站和所述区段的所述车站客流OD数据，建立第二矩阵： 其中，Si(T)为车站i在日期T的聚类样 本；pij(k)为车站i在时段k内去往重点车站j的客流量；rij(k)为车站i在时段k内去往区段j 的客流量，其中，在区段j内包含重点车站的情况下，扣除去往重点车站客流量；u为重点车 站个数；v为区段个数；将所述第二矩阵作为聚类样本。 可选的，根据所述类别确定所述待预测时间的预测客流OD数据包括：确定所述历 史客流OD数据中与所述待预测时间的日期类型相同的分时段客流OD数据，其中，所述分时 段客流OD数据为在同一日期内不同时间段的客流OD数据，所述日期类型包括多个日期；根 据多个所述日期的权重确定所述待预测时间的待预测日期的分时段客流OD数据，其中，所 述待预测时间包括日期和时间。 可选的，根据多个所述日期的权重确定所述待预测时间的待预测日期的分时段客 流O D数据之前 ，包括 ；确定多个所述日期的权重，所述权重的计算公式如下 ： 其中，ω(Ty)表示日期Ty的权重；θ表示参数；dpred-y表示待预测日期Tpred与 日期Ty的日期特征距离，所述日期特征距离为： 其中，λz (y)表示日期Ty的日期特征的特征值，λz(pred)表示待预测日期Tpred的日期特征的特征值。 可选的，根据多个所述日期的权重确定所述待预测时间的待预测日期的分时段客 流OD数据包括： 其中，Q′i(Tpred)表示车站i在待预测日期Tpred的 分时段客流OD数据；ω(Ty)表示日期Ty的权重；Qi(Ty)表示车站i在日期Ty的分时段客流OD数 据；Y表示与待预测日Tpred类别相同的日期个数。 根据本发明实施例的另一方面，还提供了一种客流数据的预测装置，包括：获取模 块，用于获取交通网络的历史客流OD数据，其中，所述历史客流OD数据包括历史时间和所述 历史时间的日期对应的分时段客流OD数据，所述历史时间包括日期和时段；分析模块，用于 对所述分时段客流OD数据进行聚类分析，确定所述分时段客流OD数据对应的多个类别；确 定模块，用于确定待预测时间对应的预测客流OD数据所属的类别；预测模块，用于根据所述 6 CN 111598333 A 说　明　书 3/11 页 类别确定所述待预测时间的所述预测客流OD数据。 可选的，所述分析模块包括：确定单元，用于根据不同时段的所述车站客流OD数 据，确定所述车站去向的多个重点车站，其中，所述重点车站为所述车站去向的多个车站中 去向贡献度超过贡献度临界值的车站，所述历史客流OD数据包括以车站为单位统计所述车 站在不同时段内去往交通网络各个车站的车站客流OD数据；划分单元，用于根据路网拓扑 结构，将所述交通网络划分为不同区段；确定单元，用于根据多个所述重点车站和所述区段 的所述车站客流OD数据，确定聚类样本；聚类单元，用于通过AP聚类方法对所述聚类样本进 行聚类，获得不同日期的样本数据对应的类别。 根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储 的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的 客流起讫点预测方法。 根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序， 其中，所述程序运行时执行上述中任意一项所述的客流起讫点预测方法。 在本发明实施例中，采用获取交通网络的历史客流OD数据，其中，历史客流OD数据 包括历史时间和历史时间的日期对应的分时段客流OD数据，历史时间包括日期和时段；对 分时段客流OD数据进行聚类分析，确定分时段客流OD数据对应的多个类别；确定待预测时 间对应的预测客流OD数据所属的类别；根据类别确定待预测时间的预测客流OD数据的方 式，通过历史客流OD数据进行聚类分析，对分时段客流OD数据进行有效分类，并通过确定待 预测时间对应的预测客流OD数据的分类，确定该预测客流OD数据，达到了有效确定预测客 流OD数据的目的，从而实现了提高了客流OD数据的预测效率和准确率的技术效果，进而解 决了相关技术中的客流量预测方法准确率低，效率低的技术问题。 附图说明 此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中： 图1是根据本发明实施例的一种客流数据的预测方法的流程图； 图2是根据本发明实施方式的客流OD数据预测方法的流程图； 图3是根据本发明实施方式的西二旗车站的客流OD数据预测效果的示意图； 图4是根据本发明实施例的一种客流数据的预测装置的示意图。