一种异常事件下综合客运枢纽交通流量的预测方法及系统

摘要

本发明属于交通规划相关技术领域，并公开了一种异常事件下综合客运枢纽交通流量的预测方法及系统。该方法包括下列步骤：S1将所有综合客运枢纽进行分类获得P个大类，每个大类下细分为多个小类；S2构建预测模型，将划分为多个小类中的每个综合客运枢纽的参数矩阵作为输入，最后一个输入的交通流量作为输出；将预测获得的交通流量与实际交通流量进行比较，当误差大于预设阈值时，调整所预测模型中的拟合参数，以此获得训练后的预测模型；S3将待预测综合客运枢纽的参数矩阵作为输入，利用所述训练后的预测模型预测待预测综合客运枢纽的交通流量，以此实现交通流量的预测。通过本发明，解决异常事件下交通流量预测不准确的问题。

权利要求

1.一种异常事件下综合客运枢纽交通流量的预测方法，其特征在于，该方法包括下列步骤：S1 将所有综合客运枢纽进行分类获得P个大类，每个大类下细分为多个小类；

S2构建预测模型，将划分为多个小类中的每个综合客运枢纽对应的参数矩阵作为所述预测模型的输入，最后一个输入对应的综合客运枢纽的交通流量作为输出；将预测获得的交通流量与最后一个输入对应的综合客运枢纽的实际交通流量进行比较，当误差大于预设阈值时，调整所述预测模型中的拟合参数，以此获得训练后的预测模型；

S3 将待预测综合客运枢纽所在的小类中的每个客运枢纽的参数矩阵作为输入，待预测综合客运枢纽的参数矩阵作为最后一个输入，利用所述训练后的预测模型预测待预测综合客运枢纽的交通流量，以此实现交通流量的预测；

在步骤S2中，所述预测模型最后输出的交通流量按照下列公式进行：N

其中，mi是综合客运枢纽的编号，NQ是同一类综合客运枢纽的总数量；DNQ+1是优化后的异常事件下第NQ个综合客运枢纽交通流量预测值；XF是扩张系数；e是自然常数；Dmi是第mi个综合客运枢纽的非线性变换交通流量；Sig是sigmoid运算；Xhmi和Yjmi分别是筛选系数的拟合权重和拟合常量；

所述Dmi按照下列公式计算获得：

Dmi=Bmi/（1+exp（‑Bmi））+Yβi‑1Dmi‑1Bmi=XbiAmi+Ybbi

其中，mi>1，Bmi是第mi个综合客运枢纽的线性变换交通流量；Yβi‑1是Dmi‑1的调整系数，Xbi为Bmi的拟合权重，Ybbi为Bmi的拟合常数，Ami是第mi个综合客运枢纽对应的参数矩阵元素；

在步骤S1中，所述将所有综合客运枢纽分类获得P个大类，按照下列步骤进行：S11 获取综合客运枢纽的数量和在异常事件下所述综合客运枢纽的分类指标，构建每个分类指标的特征矩阵关系式并以此计算每个所述综合客运枢纽在各个分类指标下对应的特征矩阵归一化值，所有分类指标的特征矩阵归一化值形成的矩阵为所述综合客运枢纽的综合特征矩阵；

所述分类指标包括地理位置、周边环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务和特殊日期客流量；

S12在所有所述综合客运枢纽中选取初始的P个综合客运枢纽作为类的中心点；

S13 利用所述综合特征矩阵计算每个综合客运枢纽距离与各个中心点之间的距离，将当前综合客运枢纽划分为距离最小值对应的中心点所在的类；

S14 重复步骤S13，直至完成所有综合客运枢纽的分类，由此将所有综合客运枢纽划分为P类，计算各个综合客运枢纽到所属类的中心点的距离的总和，获得距离总和；

在步骤S14之后，还需对划分的P类进行进步的优化，具体包括下列步骤：S15计算各个类中所有综合客运枢纽综合特征矩阵的平均值，将该平均值作为新的中心点；

S16 返回步骤S13，直至达到预设迭代次数，比较所有迭代次数中获得的距离总和，距离总和的最小值对应的中心点以及划分的类为作为最终所需划分的类；

在步骤S1中，所述将大类细分为多个小类，考虑经济状况、人口结构、出行习惯、城市规划四类因素，按照下列步骤进行：确定不同身份的决策者对综合客运枢纽分类的影响因素，构建每个综合客运枢纽中各个影响因素相互影响对应的最大特征值，将每类中的最大特征值按照顺序排列，将排列后的综合客运枢纽均分为多个细分小类，以此实现每个大类的细分，至此实现所有综合客运枢纽的分类过程。

2.如权利要求1所述的一种异常事件下综合客运枢纽交通流量的预测方法，其特征在于，所述Dmi中，当mi=1时，D1按照下列公式计算：D1=B1/（1+exp（‑B）1）

其中，B1是第1个综合客运枢纽的线性变换交通流量；D1是第1个综合客运枢纽的非线性变换交通流量。

3.如权利要求1或2所述的一种异常事件下综合客运枢纽交通流量的预测方法，其特征在于，在步骤S2中，计算所述误差按照下列公式计算：N N

KNQ+1=‑ HNQ+1log（DNQ+1）‑（1‑ HNQ+1）log（1‑DNQ+1）N

其中，HNQ+1是第NQ个综合客运枢纽的实际交通流量；DNQ+1是优化后的异常事件下第NQN个综合客运枢纽交通流量预测值；KNQ+1是HNQ+1与DNQ+1间的误差。

4.如权利要求1所述的一种异常事件下综合客运枢纽交通流量的预测方法，其特征在于，在步骤S2中，所述参数矩阵按照下列公式进行：AA=[A1 A2 … ANQ]

其中，AA表示参数矩阵，Ami为第mi个综合客运枢纽对应的参数矩阵元素，Ami=[a1 a2 … aNQM]，NQM为参数矩阵元素的数量，其中，a1～a8依次对应地理位置、周围环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务8个指标对应的归一化特征值；a9～aNQM依次对应综合客运枢纽异常事件发生前（NQM‑8）天的日平均客流量。

5.一种异常事件下综合客运枢纽交通流量预测的系统，其特征在于，包括处理器，所述处理器用于执行如权利要求1‑4任一项所述的异常事件下综合客运枢纽交通流量预测方法。

说明书

一种异常事件下综合客运枢纽交通流量的预测方法及系统

技术领域

[0001] 本发明属于交通规划相关技术领域，更具体地，涉及一种异常事件下综合客运枢纽交通流量的预测方法及系统。

背景技术

[0002] 综合客运枢纽作为城市交通网络的重要节点，承担着城市中重要的人流、物流的集散任务。它包括了地铁、公交、火车等多种交通方式的集合节点，是城市的交通枢纽和人流的集散地。一旦发生各种异常事件，如天气灾害、大规模活动、设备故障、安全事故等，客运枢纽的运营就可能出现问题，乘客流量出现大幅度波动，严重影响了城市的交通运行和市民的出行需求。

[0003] 在人工智能和大数据背景下，需要大量的数据，才能提高对异常事件下综合客运枢纽运行状态进行准确分析和预测。从而帮助客运枢纽提前做好应对措施，比如调整运营策略、优化客流管理等。

[0004] 在这种背景下，如何结合人工智能和大数据处理方法，准确预测和应对这些异常事件对客运枢纽的影响，成为了运营者和决策者需要解决的重要问题。传统的客运枢纽流量预测方法主要基于历史数据进行预测，但这些方法往往忽视了异常事件的影响，无法准确预测在异常事件下客运枢纽的交通流量变化。例如，当一个大型活动在城市中举行时，可能会导致部分客运枢纽的乘客流量大幅增加，而传统的预测方法由于无法考虑到这种情况，可能会预测出较低的客流量，从而导致运营资源的浪费和乘客服务质量的下降。

[0005] 此外，由于不同的客运枢纽可能会受到不同类型和程度的异常事件影响，简单地将所有客运枢纽视为同一类别，使用同样的预测模型往往不能取得理想的效果。例如，位于商业区的客运枢纽可能在节假日或活动期间出现客流量激增，而位于住宅区的客运枢纽则可能出现客流量减少。

[0006] 因此，本发明提出了一种异常事件下综合客运枢纽交通流量预测方法。

发明内容

[0007] 针对现有技术的以上缺陷或改进需求，本发明提供了一种异常事件下综合客运枢纽交通流量的预测方法及系统，解决异常事件下交通流量预测不准确的问题。

[0008] 为实现上述目的，按照本发明的一个方面，提供了一种异常事件下综合客运枢纽交通流量的预测方法，该方法包括下列步骤：

[0009] S1 将所有综合客运枢纽进行分类获得P个大类，每个大类下细分为多个小类；

[0010] S2构建预测模型，将划分为多个小类中的每个综合客运枢纽对应的参数矩阵作为所述预测模型的输入，最后一个输入对应的综合客运枢纽的交通流量作为输出；将预测获得的交通流量与最后一个输入对应的综合客运枢纽的实际交通流量进行比较，当误差大于预设阈值时，调整所述预测模型中的拟合参数，以此获得训练后的预测模型；

[0011] S3 将待预测综合客运枢纽所在的小类中的每个客运枢纽的参数矩阵作为输入，待预测综合客运枢纽的参数矩阵作为最后一个输入，利用所述训练后的预测模型预测待预测综合客运枢纽的交通流量，以此实现交通流量的预测。

[0012] 进一步优选地，在步骤S2中，所述预测模型最后输出的交通流量按照下列公式进行：

[0013] ；

[0014] 其中，NQ是同一类综合客运枢纽的总数量；NQ是同一类综合客运枢纽的总数量；N
DNQ+1是优化后的异常事件下第NQ个综合客运枢纽交通流量预测值；XF是扩张系数；e是自然常数；Dmi是第mi个综合客运枢纽的非线性变换交通流量；Sig是sigmoid运算；Xhmi和Yjmi分别是筛选系数的拟合权重和拟合常量。

[0015] 进一步优选地，所述Dmi按照下列公式计算获得：

[0016] ；

[0017] 其中，i>1，Bmi是第mi个综合客运枢纽的线性变换交通流量；Yβi‑1是Dmi‑1的调整系数。

[0018] 进一步优选地，所述Dmi中，当mi=1时，D1按照下列公式计算：

[0019] ；

[0020] 其中，B1表示第1个综合客运枢纽的线性变换交通流量；D1表示第1个综合客运枢纽的非线性变换交通流量。

[0021] 进一步优选地，在步骤S3中，计算所述误差按照下列公式计算：

[0022] ；

[0023] 其中，HNQ+1是第NQ个综合客运枢纽的实际交通流量；DNNQ+1是优化后的异常事件下N第NQ个综合客运枢纽交通流量预测值；KNQ+1是HNQ+1与DNQ+1间的误差。

[0024] 进一步优选地，在步骤S1中，所述将所有综合客运枢纽分类获得P个大类，按照下列步骤进行：

[0025] S11 获取综合客运枢纽的数量和在异常事件下所述综合客运枢纽的分类指标，构建每个分类指标的特征矩阵关系式并以此计算每个所述综合客运枢纽在各个分类指标下对应的特征矩阵归一化值，所有分类指标的特征矩阵归一化值形成的矩阵为所述综合客运枢纽的综合特征矩阵；

[0026] S12在所有所述综合客运枢纽中选取初始的P个综合客运枢纽作为类的中心点；

[0027] S13 利用所述综合特征矩阵计算每个综合客运枢纽距离与各个中心点之间的距离，将当前综合客运枢纽划分为距离最小值对应的中心点所在的类；

[0028] S14 重复步骤S13，直至完成所有综合客运枢纽的分类，由此将所有综合客运枢纽划分为P类，计算各个综合客运枢纽到所属类的中心点的距离的总和，获得距离总和。

[0029] 进一步优选地，在步骤S14之后，还需对划分的P类进行进一步的优化，具体包括下列步骤：

[0030] S15计算各个类中所有综合客运枢纽综合特征矩阵的平均值，将该平均值作为新的中心点；

[0031] S16 返回步骤S13，直至达到预设迭代次数，比较所有迭代次数中获得的距离总和，距离总和的最小值对应的中心点以及划分的类为作为最终所需划分的类。

[0032] 进一步优选地，在步骤S1中，所述将大类细分为多个小类，按照下列步骤进行：

[0033] 确定不同身份的决策者对综合客运枢纽分类的影响因素，构建每个综合客运枢纽中各个影响因素相互影响对应的最大特征值，将每类中的最大特征值按照顺序排列，将排列后的综合客运枢纽均分为多个细分小类，以此实现每个大类的细分，至此实现所有综合客运枢纽的分类过程。

[0034] 进一步优选地，在步骤S2中，所述参数矩阵按照下列公式进行：

[0035] ；

[0036] 其中，AA表示参数矩阵，Ami为第mi个综合客运枢纽对应的参数矩阵元素，，NQM为参数矩阵元素的数量，其中，a1～a8依次对应地理位置、周围环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务8个指标对应的归一化特征值；a9～aNQM依次对应综合客运枢纽异常事件发生前（NQM‑8）天的日平均客流量。

[0037] 按照本发明的另一个方面，提供了一种异常事件下综合客运枢纽交通流量预测的系统，包括处理器，所述处理器用于执行如上述所述的异常事件下综合客运枢纽交通流量预测方法。

[0038] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，具备下列有益效果：

[0039] 1.本发明提出了一种面向异常事件的综合客运枢纽分类指标体系，该指标体系同时考虑了地理位置、周边环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务、特殊日期客流量，指标体系综合性强，可以为异常事件下的综合客运枢纽特性分析提供方法支持，能够全方位地评估和预测客运枢纽在异常事件下的交通流量和运营状态；

[0040] 2.本发明提出了一种面向异常事件的综合客运枢纽分类方法，该方法采用了前述综合客运枢纽分类指标体系，量化了各个分类结果的差异，分类结果更科学；同时，本方法计算量小，易操作，方便参与综合客运枢纽管理的非专业人员进行使用和推广。该方法将综合客运枢纽进行分类，可以将异常事件下同一类的不同综合客运枢纽的分析结果，推广至其它综合客运枢纽中，提高决策的有效性和合理性；

[0041] 3.本发明提出了一种适用于不同身份决策者的异常事件下综合客运枢纽分类方法。该方法在基于技术角度分析综合客运枢纽分类结果的基础上，考虑经济状况、人口结构、出行习惯、城市规划四类因素，构建了四种因素构成的相互关系矩阵，计算得到了相互关系矩阵的最大特征向量和最大特征值，并进行结果的一致性评价，实现对综合客运枢纽进行细化分类。该方法全面考虑了不同决策者对综合客运枢纽分类的关注指标，提高了决策过程的合理性，提高了综合客运枢纽分类方法的适用范围；

[0042] 4.本发明提出了一种异常事件下综合客运枢纽交通流量预测方法。该方法中通过同一类型综合客运枢纽的划分结果，实现了分析数据的扩充，解决了由于数据量少导致了分析效果差的问题；同时，考虑了多个类型因素、多个时间的日平均交通流量的影响，并提出了有效信息的筛选方法，显著提升了预测结果的准确性。本方法计算量不大，方便操作和理解，便于推广。

附图说明

[0043] 图1是按照本发明的优选实施例所构建的异常事件下综合客运枢纽交通流量的预测方法的流程图。

具体实施方式

[0044] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

[0045] 本发明中，考虑的综合客运枢纽类型多样，具体包含：

[0046] （1）可以提供连通国际航线的机场，高速或者普速火车站，以及长途汽车站等多种交通模式的综合客运枢纽。如机场等。

[0047] （2）主要服务于国内的长途旅行，可以提供飞机、火车和长途汽车等交通方式的综合客运枢纽。例如各省会城市的主要机场和火车站。

[0048] （3）主要服务于省内或者周边省份的旅行需求的综合客运枢纽，通常包括火车站和汽车站。

[0049] （4）主要服务于城市内部交通需求的综合客运枢纽，包括地铁站、城市公交站、出租车等。

[0050] （5）通常位于城市的郊区或者边缘，主要服务于城市与近郊区域通勤需求的综合客运枢纽，包括火车站、地铁站、公交站等。

[0051] （6）通常位于乡镇，主要服务于乡镇和周边区域旅行需求的综合客运枢纽，包括长途汽车站和公交站。

[0052] （7）为某种特殊需求提供服务的综合客运枢纽，如旅游景点的接驳站、大型活动的临时客运枢纽等。

[0053] 上述综合客运枢纽中，在异常事件发生时，不同类型的综合客运枢纽间也存在相互借鉴的可能。因此，需要面向上述的综合客运枢纽，提出一种枢纽分类指标体系，通过量化评价的方式，确定异常事件发生时，哪些枢纽间的数据可以共同用于揭示目标综合客运枢纽的客流演化规律。

[0054] 本发明中，异常事件包含：天气因素、公共卫生事件、交通事故、设备故障、社会事件等。

[0055] 天气因素：严重的天气条件，如暴风雨、雾霾、雪暴、台风等，可能导致航班取消、火车停运、道路封闭；

[0056] 公共卫生事件：如流行病等可能导致人们减少出行；

[0057] 交通事故：火车、飞机等交通工具的事故可能导致交通路线的暂时性中断；

[0058] 设备故障：如机场的雷达系统、火车站的信号系统等设备的故障可能导致交通服务的暂时性中断；

[0059] 社会事件：大型体育赛事、音乐节、演唱会等可能导致大量人流涌向或者避开某些地区。

[0060] 如图1所示，一种异常事件下综合客运枢纽交通流量预测方法，具体包括如下步骤：

[0061] S1 将所有综合客运枢纽划分为多个大类，然后将每个大类划分为多个小类。

[0062] A.综合客运枢纽的综合特征矩阵的构建

[0063] 1.通过对影响交通流量的因素分析，确定异常事件下的综合客运枢纽分类指标包含：地理位置、周边环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务、特殊日期客流量。

[0064] 2.针对每一个综合客运枢纽分类指标，需要建立对应的特征矩阵，从而进行量化计算分析。各个指标对应的特征矩阵构建过程如下：

[0065] 2.1地理位置

[0066] 考虑综合客运枢纽距离市中心的距离，建立全部N个综合客运枢纽地理位置特征矩阵DL，DL=[dl1dl2… dlN]，dli表示第i个综合客运枢纽距离市中心的距离；

[0067] 将DL进行归一化操作，得到归一化地理位置特征矩阵：

[0068] ；

[0069] dlgi表示第i个综合客运枢纽距离市中心距离的归一化值；

[0070] 2.2周边环境

[0071] 考虑综合客运枢纽距离商业区的距离，建立全部N个综合客运枢纽地理位置特征矩阵ZB， ， zbi表示第i个综合客运枢纽距离商业区的距离；

[0072] 将ZB进行归一化操作，得到归一化地理位置特征矩阵：

[0073] ；

[0074] zbgi表示第i个综合客运枢纽距离商业区距离的归一化值；

[0075] 2.3线路信息

[0076] 考虑综合客运枢纽的交通方式的类型，建立全部N个综合客运枢纽线路信息特征矩阵XL， ，xli表示第i个综合客运枢纽的交通方式的类型；

[0077] 将XL进行归一化操作，得到归一化线路信息特征矩阵：

[0078] ；

[0079] xlgi表示第i个综合客运枢纽交通方式类型的归一化值；

[0080] 2.4平均客流量

[0081] 考虑综合客运枢纽的平均客流量大小，建立全部N个综合客运枢纽平均客流量特征矩阵PJ， ，pji表示第i个综合客运枢纽的平均客流量大小；

[0082] 将PJ进行归一化操作，得到归一化平均客流量特征矩阵：

[0083] ；

[0084] pjgi表示第i个综合客运枢纽平均客流量的归一化值。

[0085] 2.5服务时间

[0086] 考虑综合客运枢纽的运营时间，建立全部N个综合客运枢纽服务时间特征矩阵FW，，fwi表示第i个综合客运枢纽的服务时间；

[0087] 将FW进行归一化操作，得到归一化服务时间特征矩阵：

[0088] ；

[0089] fwgi表示第i个综合客运枢纽服务时间的归一化值。

[0090] 2.6站台数量

[0091] 考虑综合客运枢纽的站台数量，建立全部N个综合客运枢纽站台数量特征矩阵ZT，，zti表示第i个综合客运枢纽的站台数量；

[0092] ；

[0093] ztgi表示第i个综合客运枢纽站台数量的归一化值。

[0094] 2.7历史事件

[0095] 考虑综合客运枢纽出现的历史事件，主要指已经发生的突发事件的类型和数量，建立全部N个综合客运枢纽历史事件特征矩阵LS， ，lsi表示第i个综合客运枢纽的历史事件；

[0096] ；

[0097] lsgi表示第i个综合客运枢纽历史事件的归一化值。

[0098] 2.8设施服务

[0099] 考虑综合客运枢纽的设施服务类型和数量，建立全部N个综合客运枢纽设施服务特征矩阵SS， ，ssi表示第i个综合客运枢纽的设施服务；

[0100] ；

[0101] ssgi表示第i个综合客运枢纽设施服务的归一化值。

[0102] 2.9特殊日期客流量

[0103] 考虑综合客运枢纽在突发事件下的实际客流量，建立全部N个综合客运枢纽特殊日期客流量特征矩阵TS， ，tsi表示第i个综合客运枢纽的特殊日期客流量；

[0104] ；

[0105] tsgi表示第i个综合客运枢纽特殊日期客流量的归一化值。

[0106] 综合客运枢纽的综合客运矩阵ZHJ为：

[0107] ；

[0108] B.大类的划分

[0109] 下面，我们需要将全部N个综合客运枢纽，依据上述9个指标，划分为P个大类，每个大类中综合客运枢纽对应的上述9个指标相似性均较高，即每一类中对应的多个综合客运枢纽中的数据，可用于共同分析，达到对单一综合客运枢纽数据扩充的目的。P个大类的综合客运枢纽分类，可依据下列表格：

[0110] ；

[0111] 异常事件下综合客运枢纽具体划分方法如下：

[0112] 3.随机选择P个综合客运枢纽，作为P个大类的划分标准；

[0113] 4.以P类综合客运枢纽中的第1个P1为例，

[0114] P1对应的9个指标构成的综合矩阵为：

[0115] ；

[0116] 第1个综合客运枢纽对应的9个指标的综合特征矩阵为：

[0117] ；

[0118] 计算第1个综合客运枢纽与P1间的距离为：

[0119] ；

[0120] γia为第ia个指标对应的权重系数。

[0121] 5.重复步骤4，计算第1个综合客运枢纽与全部P类综合客运枢纽的距离，进而得到第1个综合客运枢纽对应的距离矩阵：

[0122] ；

[0123] 式中，JL1‑Pi指第1个综合客运枢纽与P类综合客运枢纽中的第i个综合客运枢纽间的距离；

[0124] 比较ZJL1‑P中全部元素，找到全部元素中的最小值，最小值对应的Pk值，即表明需要将第1个综合客运枢纽划分至第k类；

[0125] 6.计算得到全部综合客运枢纽与所有P类综合客运枢纽中心的距离JLi‑Ps，[0126] ；

[0127] 其中，JLi‑Ps表示第i个综合客运枢纽距离P类中第s个中心点之间的距离；γia为第ia个指标对应的权重系数；dlgi、zbgi、xlgi、pjgi、fwgi、ztgi、lsgi、ssgi、tsgi分别表示第i个综合客运枢纽的9个指标的归一化值，依次为地理位置、周边环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务、特殊日期客流量；dlgPs、zbgPs、xlgPs、pjgPs、fwgPs、ztgPs、lsgPs、ssgPs、tsgPs分别表示P类综合客运枢纽中第s个中心点对应的9个指标的归一化值，依次为地理位置、周边环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务、特殊日期客流量。

[0128] 重复步骤5，计算得到全部客运枢纽与所有P类综合客运枢纽间距离的最小值，即可将全部综合客运枢纽划分成P类。

[0129] 7.计算全部综合客运枢纽距离矩阵与第一类综合客运枢纽中心P1间的距离矩阵：

[0130] ；

[0131] NA1表示第1类综合客运枢纽的数量；

[0132] 计算全部综合客运枢纽距离矩阵与全部P类综合客运枢纽中心Pi间的距离矩阵：

[0133] ；

[0134] ib=1，2，…，NAci。

[0135] NAci表示第ci类综合客运枢纽的数量。

[0136] 计算全部距离之和：

[0137] ；

[0138] 8.P1类综合客运枢纽中心位置的调整方法：

[0139] P1类综合客运枢纽中，包含的综合客运枢纽的数量为NP1，这些综合客运枢纽对应的指标特征矩阵依次为：Jb1、Jb2、…、JbNP1，Jbid表示隶属于P1类综合客运枢纽中，第id个综合客运枢纽的指标特征矩阵；

[0140] 计算P1类综合客运枢纽的中心，即位置调整更新后的P1指标矩阵：

[0141] ；

[0142] 同理，计算更新的P2至PP类综合客运枢纽中心的位置指标矩阵，即位置调整更新后的指标矩阵：

[0143] 。

[0144] 9.依次计算第1个综合客运枢纽的指标特征矩阵J1与指标矩阵JP1n、JP2n、JP3n、…、JPPn形成的距离矩阵：

[0145] ；

[0146] 比较ZJL1‑Pn中全部元素，找到最小值，最小值对应的Pm值，即表明需要将第1个综合客运枢纽划分至第Pm类；

[0147] 10.重复上一步骤，可计算得到全部综合客运枢纽的指标特征矩阵与指标特征矩阵JP1n、JP2n、JP3n、…、JPPn形成的距离矩阵，并计算全部综合客运枢纽对应的距离最小值，并将全部综合客运枢纽划分为P个大类；

[0148] 11.计算隶属于第1类的全部综合客运枢纽的指标特征矩阵与第1类综合客运枢纽中心P1间的距离矩阵，

[0149] ；

[0150] NN1表示第1类综合客运枢纽的数量；

[0151] 12．计算全部P类综合客运枢纽中，隶属于Pi类的全部综合客运枢纽指标特征矩阵与第ei类综合客运枢纽中心Pi间的距离矩阵： ，ei=1,2，…,NNei，

[0152] NNei为第ei类综合客运枢纽的数量；

[0153] 计算全部距离之和：

[0154] ；

[0155] 13.重复步骤8 12，持续更新全部P类综合客运枢纽中心的位置，并计算全部距离~之和SumJLfi。SumJLfi指第fi次更新后，全部P类综合客运枢纽中心的位置对应的全部距离之和；

[0156] 在此基础上，建立总距离矩阵：

[0157] ，

[0158] NUM表示Pi更新总次数。

[0159] 14.找到SumJL中的元素最小值，该值对应的P类综合客运枢纽划分结果，即为最终结果，全部P类综合客运枢纽中心位置指标特征矩阵记为：PF1，PF2，…,PFP。

[0160] C.小类的划分

[0161] 15.上述实现了考虑直接交通流量影响因素的综合客运枢纽分类，主要是从技术角度，分类方法主要适合技术人员使用。但在异常事件下综合客运枢纽中决策过程中，除了包含技术人员，决策者还会包含行业主管人员、运营调度人员、维护人员、交通工程师、城市规划师等，因此，在进行综合客运枢纽分类时，需要考虑不同类型决策人员关注因素的差异，进而在前述步骤的基础上，综合客运枢纽进行进一步细化分类。

[0162] 本节中，将进一步在前述综合客运枢纽分类为P类的基础上，考虑经济状况、人口结构、出行习惯、城市规划四类因素，对综合客运枢纽进行细化分类。

[0163] 15.1经济状况

[0164] 主要考虑地区内生产的所有商品和服务的市场价值，以及人均收入情况和工作岗位情况。

[0165] 15.2人口结构

[0166] 主要考虑人口总数、年龄结构、性别比例和教育程度。

[0167] 15.3出行习惯

[0168] 主要考虑日均出行次数、出行方式选择、出行时间和出行距离。

[0169] 15.4城市规划

[0170] 主要考虑人口密度、土地利用类型、交通设施布局、公共交通可达性。

[0171] 16.在前述采用异常事件下综合客运枢纽分类方法，将全部综合客运枢纽划分为了P类的基础上，考虑经济状况、人口结构、出行习惯、城市规划四类因素，对综合客运枢纽进行细化分类。

[0172] 以第j类综合客运枢纽中的全部T个综合客运枢纽为例，将全部T个综合客运枢纽进行进一步细分，

[0173] 16.1以第j类综合客运枢纽中的第k个综合客运枢纽为例，基于经济状况、人口结k构、出行习惯、城市规划四个因素，建立相互关系矩阵JX：

[0174] ；

[0175] 将关系矩阵JXk进行标准化，得到标准化相互关系矩阵JXbk：

[0176] ；

[0177] 其中，JXbk为标准化关系矩阵；Amn表示第m个元素相对第n个元素的比重，其中，经济状况、人口结构、出行习惯、城市规划分别对应1、2、3、4；AA为全部元素相对第1个元素的比重之和；AB为全部元素相对第2个元素的比重之和；AC为全部元素相对第3个元素的比重之和；AD为全部元素相对第4个元素的比重之和。

[0178] 16.2计算JXbk的权重向量JQk：

[0179] ；

[0180] 16.3计算相互关系矩阵的最大特征向量TZk：

[0181] ；

[0182] 其中，JQk为JXbk的权重向量；TZk为最大特征向量。

[0183] 最大特征向量TZk对应的最大特征值TZmaxk，计算方法如下：

[0184] ；

[0185] 其中，SumTZk表示TZk中全部元素求和；SumJQk表示JQk中全部元素求和；TZmaxk为最大特征值。

[0186] 16.4为了保证相互关系矩阵中，四个因素的相对相互关系具有一致性和合理性，需要对关系矩阵元素的一致性进行分析。

[0187] 相互关系矩阵的一致性指标为YZk：YZk=TZmaxk/3；

[0188] 一致性比例YZBk计算方法如下：YZBk=YZk/RIk；

[0189] RIk为随机一致性指标，通过《随机一致性指标RI值表》查询；

[0190] 通过建立一致性比例YZBk与0.1的关系，即可判断四个因素的相对相互关系的一致性：

[0191] 当YZBk≤0.1时，表明一致性可接受；

[0192] 当YZBk＞0.1时，表明一致性不可接受，此时，需要重新调整相互关系矩阵JXk：

[0193] 16.5重复步骤16.1到16.4，计算全部T个综合客运枢纽对应的最大特征值：

[0194] TZmaxk，i=1,2,3，…,T。并进行一致性分析。

[0195] 将全部TZmaxk按照从大到小进行排序。

[0196] 全部T个综合客运枢纽的细分类数为NT，每一类的综合客运枢纽的数量NumNT：

[0197] NumNT=Ceil（T/NT）；

[0198] Ceil表示取整函数。

[0199] 将TZmaxk按照从大到小的顺序排序，并按顺序依次选取NumNT数量，即实现将第j类综合客运枢纽对应的全部T个综合客运枢纽细分成NT个细分小类。

[0200] 16.6重复步骤16.1到16.5，即可实现通过考虑经济状况、人口结构、出行习惯、城市规划四类因素，将全部P个大类内的综合客运枢纽进一步细分成小类。

[0201] S2综合客运枢纽交通流量预测方法

[0202] 基于综合客运枢纽分类结果，在同类综合客运枢纽数据中，开展交通流量预测方法。

[0203] 15.当进行异常事件下综合客运枢纽交通流量预测时，需要考虑隶属于同类的多个综合客运枢纽的数据，进而提高交通流量预测准确性。这里，考虑地理位置、周围环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务、经济状况、人口结构、出行习惯、城市规划对异常事件下交通流量的影响。

[0204] 在前述一种适用于不同身份决策者的异常事件下综合客运枢纽分类方法分类结果的基础上，进行进一步研究。

[0205] 假设第Pi类综合客运枢纽中，包含综合客运枢纽的数量为NQ，建立参数矩阵：

[0206] ；

[0207] Ami为第mi个综合客运枢纽的参数矩阵元素， ，NQM为参数矩阵元素的数量，输出向量为异常事件下综合客运枢纽实际交通流量HNQ+1，其中，a1～a8依次对应地理位置、周围环境、线路信息、平均客流量、服务时间、站台数量、历史事件、设施服务
8个指标对应的归一化特征值；a9～aNQM依次对应综合客运枢纽异常事件发生前（NQM‑8）天的日平均客流量。

[0208] 需要说明的是，经济状况、人口结构、出行习惯、城市规划相对稳定，因此，这里没有将经济状况、人口结构、出行习惯、城市规划作为参数矩阵元素。

[0209] 16.考虑综合客运枢纽之间的关联关系，引入隐层节点，并将隐层节点依次记为：BC1、BC2、…、BCNQ‑1、BCNQ。隐层节点的作用是对输入数据进行变换处理。

[0210] 17.对于Ami，当mi=1时，对应的隐层节点处理后的输出为：

[0211] ；

[0212] 其中，B1表示第1个综合客运枢纽的线性变换交通流量，Xb1为B1的拟合权重，Ybb1为B1的拟合常数。

[0213] 为了提高B1的拟合能力，尤其是对非线性规律的拟合能力，对B1进行如下变换：

[0214] ；

[0215] 其中，D1为对B1非线性变换后的结果，表示第1个综合客运枢纽的非线性变换交通流量；

[0216] 18.当mi>1时，考虑第mi‑1个综合客运枢纽的交通流量对第mi个综合客运枢纽的交通流量的影响。

[0217] 第mi层的输出 ，Bmi表示第mi个综合客运枢纽的线性变换交通流量，Xbi为Bmi的拟合权重，Ybbi为Bmi的拟合常数。

[0218] 将Bmi进行非线性变换为Dmi，同时考虑Dmi‑1对Dmi的影响，

[0219] ；

[0220] Yβi‑1表示Dmi‑1的调整系数；Dmi表示第mi个综合客运枢纽的非线性变换交通流量；

[0221] 19.同时，随着mi的增加，Dmi与较小的j（j

[0223] 优化后的异常事件下第NQ个综合客运枢纽交通流量预测值DNQ+1计算方法如下：，

[0224] XEmi表示Dmi的调整系数。

[0225] 考虑mi与NQ越接近，对DNQ+1的影响越大，系数应该越大，因此，

[0226] ；

[0227] XF表示扩张系数。

[0228] 20.同时，考虑并不需要将全部的Dmi信息传递至DNQ+1中，因此，需要对Dmi信息进行筛选，筛选后的信息Gmi：

[0229] ；

[0230] Xgmi为筛选系数；

[0231] ；

[0232] Sig表示sigmoid运算；Xhmi和Yjmi为筛选系数的拟合权重和拟合常量。

[0233] 最终得到优化后的异常事件下第NQ个综合客运枢纽交通流量预测结果DNNQ+1：

[0234] ；

[0235] S3将待预测综合客运枢纽所在的小类中的每个客运枢纽的参数矩阵作为输入，待预测综合客运枢纽的参数矩阵作为最后一个输入，利用训练后的预测模型预测待预测综合客运枢纽的交通流量，以此实现交通流量的预测。

[0236] 异常事件下，第NQ个综合客运枢纽的实际交通流量为HNQ+1，预测结果DNNQ+1与实际交通流量HNQ+1间的误差为KNQ+1：

[0237] ；

[0238] 采用误差逆向传播方式，进行全部参数调整和拟合，确定全部拟合参数。

[0239] 误差阈值记为Ktr，当KNQ+1≤Ktr，即完成全部拟合参数的确定。

[0240] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。