买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明公开了一种基于GBDT的轨道交通客流分布提取和影响因素分析方法，属于机器学习在交通流量特征分析方面的应用领域。包括以下步骤：首先采集确定范围内轨道交通站点的进出站客流数据和站点周围的POI数据，并对所得数据进行数据清洗与数据整理；然后利用GBDT模型确定各类型的POI数据对于不同时段客流的相对重要性，确定轨道交通进出站客流量的影响因素；通过分析进出站客流量与影响因素之间的相关关系，提取轨道交通客流分布，包括交通发生分布与交通吸引分布；最后通过交通吸引分布和交通吸引分布的变化趋势评估不同时段的轨道交通需求总量及交通需求差异。本发明能够有效提高轨道交通运营效率，从而减少交通资源的浪费。

主权项：1.一种基于GBDT的轨道交通客流分布提取和影响因素分析方法，其特征在于，包括以下步骤：步骤一、数据采集：针对确定的轨道交通站点，采集进站客流量数据、出站客流量数据和POI数据；步骤二、数据处理：对步骤一中所得数据进行数据清洗与数据整理；步骤三、相对重要性检验：采用步骤二处理后的数据，计算各类POI数据对于进出站客流的相对重要性；步骤四、非线性相关性分析：根据步骤三得到的各类POI数据对于不同时段客流量的相对重要性，选取对应最大相对重要性的POI类型作为客流量的影响因素，分析其与客流量的非线性相关关系；步骤五、客流分布分析：提取轨道交通客流分布，根据步骤四获得的客流量及其影响因素的非线性相关关系，得到交通发生分布和交通吸引分布；步骤六、客流特征分析：根据步骤五得到的交通发生分布和交通吸引分布计算交通需求总量与交通需求差异，分析总体的轨道交通客流分布特征；步骤三具体包括：模型训练：将步骤二处理后的客流量数据和POI数据基于分层随机采样的原则分为多个五个一组的互斥集合，互斥集合包括四个训练集和一个测试集；利用训练集对GDBT模型进行训练，计算均方根误差MSE，直至连续五次训练的均方根误差均小于0.001，模型训练完成，得到相对重要性模型；采用测试集测试GBDT模型的计算能力；模型检验：利用得到的GBDT模型，输入早高峰、晚高峰、全天的站点客流量数据以及POI数据，得到各类POI数据对于不同时段客流量的相对重要性，完成相对重要性检验。

全文数据：

权利要求：

百度查询： 东南大学 一种基于GBDT的轨道交通客流分布提取和影响因素分析方法