一种大型活动中未知交通方式来源客流推测方法

摘要

本发明公开了一种大型活动中未知交通方式来源客流推测方法，包括如下步骤：a）确认活动日期以及每日活动期间分时数据周期；b）获取活动期间1～n－1天中每个分时数据周期的分时可采集客流K和分时实际客流P，生成每日分时客流的U/K趋势曲线，U为实际分时未知来源客流，U＝P－K，n为自然数；c）获取活动期间第n天的分时可采集客流，根据步骤b）中的历史U/K趋势曲线，采用几何均值法分时可采客流K乘以推测系数推算第n天活动期间的分时未知来源客流

说明书

技术领域

本发明涉及一种客流采集推测方法，尤其涉及一种大型活动中未知交通方式来源客流推测方法。

背景技术

随着我国经济建设和社会化活动的增多，能够吸引大量游客、持续时间长、占地规模大的大型活动也越来越频繁的出现在城市生活中的各个区域。城市中大型活动的举办需要调动大量社会公共资源，吸引大量的参观游客，对城市日常的交通出行和人们生活带来一定的影响，一方面活动组织者和交通管理者希望及时掌握客流到离活动现场的总量变化情况和规律性，另一方面游客希望及时了解当前参观活动的客流人数和变化趋势，以便于自身制定合理的参观计划。因此，及时准确的估算出大型活动期间的客流实时到离规律，对优化活动期间的各项服务保障工作具有重要意义。

大型活动期间的客流信息，基于智能交通系统的客流信息采集研究已在城市公共交通系统全面展开，申请号为200810021604.9，发明名称为“城市公交系统中的客流统计方法”的中国专利公开了一种城市公交系统中的客流统计方法，该方法基于每位乘客上车后必须投币或刷卡的实际事实出发，区别于现有客流统计方法，通过统计刷卡人数和投币人数，获得上车乘客人数，结合下车检测模块获得的下车人数，最终得到公交车客流量。

文献《日本利用自动检票机数据推测客流》（现代城市轨道交通.2006(5).-78-78，ISSN刊号：1672-7533，C N 号：11-5183/U，作者：马大炜）提到了日本铁道综合技术研究所开发了利用自动检票机记录数据、推算客流实况的方法。用于掌握大规模铁道网络中的客流状况。自动检票机收集的数据包括出发地和目的地所有时间带的客流状况。该方法包括对选择路径的检索，对各路径客流量的分配，保存构成路径各区间的客流数量等。

由于大型活动并非常态存在，且不同类型的活动地点不尽相同，会造成已知交通方式获取的客流信息无法全面覆盖参与活动客流的情况，因此，会出现因未知交通方式来源客流的不确定，而导致无法准确的推测短期内即将到达活动现场人数。因此，有必要提出一种利用已知交通方式获取的动态客流数据，实时推测活动期间未知交通方式来源客流的方法。

发明内容

本发明所要解决的技术问题是提供一种大型活动中未知交通方式来源客流推测方法，实现对大型活动期间即将到达活动现场客流的短时间推测。

本发明为解决上述技术问题而采用的技术方案是提供一种大型活动中未知交通方式来源客流推测方法，包括如下步骤：a）确认活动日期（持续天数n）以及每日活动期间分时数据周期（T）；b）获取活动期间1～ n－1天中每个分时数据周期的分时可采集客流K和分时实际客流P，生成每日分时客流的U/K趋势曲线，U 为实际分时未知来源客流，U＝P－K，n为自然数；c）获取活动期间第 n天的分时可采集客流K，根据步骤b）中的历史U/K趋势曲线，采用几何均值法分时可采客流K乘以推测系数推算第 n天活动期间的分时未知来源客流                                                ；d）获取第 n天活动期间的分时实际客流后，采用实际分时未知来源客流U更新步骤b）中的历史U/K趋势曲线。

上述的大型活动中未知交通方式来源客流推测方法，其中，所述步骤c）中推算第n天第t个分时数据周期的分时未知来源客流的算法如下： ，表示推测系数，包括一组推测趋势{R}的几何平均值，推测趋势{R}由{R₁, R₂, R₃- }三个U/K趋势推测项构成，各项取值分别为：

R₁：活动当前日期的前一天，第n-1天的第t个周期的值，活动首日不进行推测；

R₂：与活动当日最近的上一周相应活动日期第t个周期的，活动不足一周忽略该项；

R₃：从活动历史各天U/K趋势曲线中，以活动当日第1个周期至t-1个周期U/K趋势曲线为基准，采用最小二乘法拟合得到的差值最小活动日期第t个周期的，t为自然数，活动每天开始的第一个分时数据周期内忽略该项。

上述的大型活动中未知交通方式来源客流推测方法，其中，所述步骤d）中获取第n天第t个分时数据周期的分时实际客流后，添加至当日历史U/K趋势曲线，＝－，为第n天第t个分时数据周期的实际分时未知来源客流。

上述的大型活动中未知交通方式来源客流推测方法，其中，所述分时可采集客流包括轨道交通客流、公交客流、出租车客流以及活动方安排的专线车客流。

本发明对比现有技术有如下的有益效果：本发明提供的大型活动中未知交通方式来源客流推测方法，利用已知交通方式获取的动态客流数据和历史数据，实时推测活动期间未知交通方式来源客流，从而解决在有限交通信息采集手段下，无法实时量化计算大型活动期间客流总人数的问题。

附图说明

图1为本发明大型活动中未知交通方式来源客流推测框架示意图；

图2为本发明未知来源交通方式客流算法总流程图；

图3为本发明活动首日数据积累处理流程示意图；

图4为本发明活动不足一周未知来源客流估算流程示意图；

图5为本发明正常活动期间未知来源客流估算流程示意图；

图6为本发明世博期间单日分时客流推测结果曲线图；

图7为本发明世博期间包含推测客流结果的结果曲线图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

图1为本发明大型活动中未知交通方式来源客流推测框架示意图；图2为本发明未知来源交通方式客流算法总流程图。

请参见图1和图2，本发明提供的大型活动中未知交通方式来源客流推测方法涉及三个基本概念：经由活动现场票务系统计数的参加活动实际客流（实际客流），能够通过已知交通方式获取的参加活动客流（可采集客流），和无法通过有效方式采集的未知交通方式来源的客流（未知来源客流，包括事前推测数据和事后实测数据），实际环境中的客流采集与处理需要按照最小时间将活动总时间分解成一定数量的统计周期，由此进一步得到每个数据周期的分时实际客流（K）、分时可采集客流(P)和分时未知来源客流(U)。

该方法具体为：根据大型活动票务系统每天提供的分时实际客流数据（P），首先计算分时可采集客流（K）与分时实际客流的比例关系（K/P关系），得到活动已经完成时间形成的每日分时K/P关系曲线后，根据分时实际客流(P)等于分时可采集客流（K）与分时未知来源客流(U)之和的基本逻辑事实，计算已完成活动时间各周期中分时未知来源客流（U）与分时可采集客流（K）的比例趋势（U/K趋势），所得到的活动已完成时间的分时U/K趋势曲线作为实时客流估计的规律基准，最后，利用活动日期中当前最新采集的已知交通方式客流量数据与基于几何平均值计算的U/K趋势推测系数乘积得到未知交通方式来源的客流量。

该方法的实施过程为：

1）根据大型活动的所在地点和占地规模，获取活动周边能够采集参加活动客流的交通方式，明确各站点位置、参加活动客流量，各站点据活动现场的里程。

2）确认活动持续总天数，从各种交通方式客流数据的统计方式、传输模式、采集周期、传输周期内容中，以及活动客流信息上报时间周期要求，确认每日活动期间数据处理的最小时间周期（t），即分时数据周期。

3）分类各种接入客流数据资源，由活动现场票务系统提供的客流总量与分时客流信息为活动实际客流，能够通过已知交通方式获取的客流总量与分时客流为可采集客流，差值部分为未知客流总量与分时未知来源客流；可采集客流是各种已知交通方式客流的一个集合，不局限于某一种交通方式。

4）活动首日为数据积累阶段，测试各种交通方式采集客流量数据情况、数据类型、活动现场客流数据采集情况，生成首日分时客流的K/P关系曲线与U/K趋势曲线，活动首日不开展未知交通方式来源客流推测，如图3所示；每个周期的K/P关系与U/K趋势如下两式计算：

                                                              （1）

                                                      （2）

式（1）和（2）中：K、P、U分别表示分时可采集客流、分时实际客流和分时未知来源客流，上下角标分别表示活动第n天的第t个数据周期。

5）假设当前时间为活动第n天第t个周期，采用如下公式进行推测当前周期下的未知来源客流：

                                                                        （3）

式中：表示在活动第n天中，第t个分时未知来源客流，该值为需要推测的参数；表示在活动第n天中，第t个分时可采集客流，该值为由已知交通方式提供的最新数据输入；表示推测系数，它是一组推测趋势{R}的几何平均值，推测趋势{R}由{R₁, R₂, R₃- }三个U/K趋势推测项构成，各项的含义分别为：

R₁——活动当前日期的前一天，第n-1天的第t个周期的值；

R₂——与活动当日相近的最近上一个活动日期第t个周期的，例如，活动当日为星期一，上一个相近活动日期为上一个星期一，当前活动日为星期六，则上一个相近活动日期为上一个星期六，以此类推；

R₃——从活动历史各天U/K趋势曲线中，以活动当日第1个周期至t-1个周期U/K趋势曲线为基准，采用最小二乘法拟合得到的差值最小活动日期第t个周期的；

6）在步骤5）中，根据活动持续的日期逐步更新完善推测趋势{R}的成员U/K推测项，活动开始首日不推测未知交通方式来源客流，如图3所示；活动天数未达到一周，则推测趋势{R}中仅包含{R₁, R₃}两个U/K推测项，如图4所示；在活动每天开始的第1个数据统计周期，推测趋势{R}中仅包含{R₁，R₂}两个U/K推测项，除以上情况推测趋势{R}包含{R₁，R₂，R₃}，如图5所示。

7）从大型活动开始当日，每天利用公式（1）和（2）统计各个周期的K/P关系和U/K趋势；从活动第2日开始，每天利用公式（3）开展分时未知来源客流推测计算，并在不同的活动日期按照步骤6）提供的调整方法，调整推测趋势{R}的U/K成员项。

8）按周期输出推测结果，同时输出分时实际客流推算结果。

下面以本发明提供的方法在世博期间应用为例说明本发明的实施效果，具体实施步骤如下：

1）确定世博期间可采集的客流数据K包括：轨道交通客流、公交客流、出租车客流以及世博专线客流；

2）从上述各种已知交通方式客流数据的统计方式、传输模式、采集周期、传输周期内容中，以及活动客流信息上报时间周期要求，确认每日活动期间数据处理的最小时间周期（t），即分时数据周期，如活动每天持续时间为9:00~21：00，通过轨道交通出站、公交站点、出租车下客点到达活动现场的时间为5~8分钟，活动票务系统提供的最小客流统计周期为10分钟，则分时数据周期可确定为10分钟，全天包含48个数据周期；

3）分类各种客流数据资源，由活动现场票务系统提供的客流总量与分时客流信息为活动实际客流P，能够通过已知交通方式获取的客流总量与分时客流为可采集客流K，差值部分为未知客流总量与分时未知来源客流U；

4）开辟分时实际客流、分时可采集客流和分时未知来源客流的数据存储空间，开辟K/P关系曲线、U/K趋势曲线历史数据存储空间；

5）按照公式（1）、（2）、（3）编制处理程序，初始化活动日期（N）和数据周期（T）配置细息；

6） 按照图2所示的未知交通方式来源客流推测算法流程推测分时未知来源客流；图6为本发明世博期间2011.07.16单日分时客流推测结果曲线图，请参见图6，其中，分时数据周期为15分钟，曲线1为分时可采集客流K，曲线2为推测系数曲线，曲线3为推测出的分时未知客流。

7）输出每个周期的分时未知来源客流计算结果，并同时输出基于分时可采集客流与推测未知来源客流加和的推测分时实际客流，＝＋，结果向活动管理者、公众及交通管理部门发布。当获取分时实际客流后，添加至当日历史U/K趋势曲线作为后续分时数据周期的推算基准。图7为本发明世博期间包含推测客流结果的结果曲线图，曲线4为推测总客流曲线，曲线5为实际总客流曲线，从图中看出，本发明预先推测总客流曲线和后续采集到的实际总客流曲线基本相符，提高客流估算精度的完整性与准确性，为世博活动管理者、交通管理者、参观游客提供了高质量的动态客流信息，尤其为活动场地周边及城市交通管理和组织提供可靠的信息资源。

综上所述，本发明提出的大型活动未知交通方式客流推测方法依据大型活动期间已知交通方式提供的客流数据与活动现场票务系统提供的实际客流数据，通过挖掘实际参加活动客流数据历史规律，分析历史数据中，各周期已知交通方式采集的客流数据与实际参加活动客流数据的时空比例关系，基于活动总客流等于已知交通方式采集客流建立已知交通方式客流数据与未知交通方式客流数据的比例趋势模型，最终实时推测未知交通方式来源的客流数据，尤其适合持续时间长、占地规模大、游客数量巨大、游客构成复杂、交通方式多样、游客参加活动时间不限定的大型活动。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。