基于公交业务大数据的客流预测方法、系统、设备及介质与流程

本发明涉及公交业务大数据处理，尤其是涉及一种基于公交业务大数据的客流预测方法、系统、设备及介质。

背景技术：

1、随着城市经济的不断发展，居民出行需求急速增长，城市交通问题层出不穷，其中交通拥堵、交通安全、交通环境污染等成为城市交通发展的主要制约因素。随着我国不断加快以便捷公共出行目标的城市交通建设，相关部门不断完善和落实城市公共交通方面的政策。提高城市公共交通服务水平，实现高效快捷、安全优质、群众满意的公共交通体系是发展公交为导向的城市交通运营模式巫待解决的重大问题。

2、但是随着交通建设的科技进步，目前公交运行的传感器日益增多，并且随着智能驾驶的不断发展，公交业务的数据量和数据来源必定会迎来爆发式增长，但是由于多源数据和大数据的双重压力之下，目前对于公交业务数据的处理仍然存在数据不利用、联系不紧密和无法统一处理的问题，导致存在过多的孤岛数据，不仅浪费存储资源，更加浪费了预测数据资源，导致预测准确度的降低。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于公交业务大数据的客流预测方法、系统、设备及介质，能够合理应对公交的业务大数据并最大程度地利用多源数据，将多源数据进行紧密联系，提高预测准确度。

2、第一方面，本发明的实施例提供了一种基于公交业务大数据的客流预测方法，包括：

3、获取公交设备发送的业务数据；

4、将所述业务数据根据数据结构进行分类，得到所述业务数据对应的结构化数据、半结构化数据和非结构化数据；

5、将所述结构化数据通过预设的数据类型和符号类型进行编码得到编码数据，并将所述编码数据标注在预设的公交业务分布图，得到公交业务第一特征图；

6、通过所述半结构化数据所在的数据库模型和知识图谱对所述半结构化数据进行特征抽取，得到知识特征，并将所述知识特征和所述公交业务第一特征图融合，得到公交业务第二特征图；

7、将所述非结构化数据通过预设的依存模板划分得到依存数据，并通过预设的深度学习模型推理所述依存数据对应的关系特征，将所述关系特征和所述公交业务第二特征图融合，得到公交业务第三特征图；

8、将所述公交业务第三特征图分别进行短期预测和长期预测，得到所述公交业务第三特征图对应的短期预测结果和长期预测结果。

9、根据本发明实施例的方法，至少具有如下有益效果：

10、本方法首先通过将业务数据进行数据结构的分类，将大数据进行不同数据结构类型的聚类，便于后续统一处理，能够提高大数据处理的吞吐量，并且提高处理效率；其次，将结构化数据通过预设的数据类型和符号类型进行编码得到编码数据，能够通过基于标准规则的编码使得编码数据占存小，并且便于后续对公交业务分布图的标注；然后将半结构化数据通过数据库模型和知识图谱联合进行特征抽取，保证得到的知识特征具有多个数据库之间的特征关系和单个数据库内实体的特征关系，并将知识特征和公交业务第一特征图融合，得到公交业务第二特征图，使得公交业务第二特征图中的特征信息更加精细和完整；再然后将非结构化数据通过预设的依存模板划分得到依存数据，通过预设的深度学习模型推理所述依存数据对应的关系特征，能够将非结构化数据通过依存关系转变成存在有向结构的依存数据，通过深度学习模型推理依存数据对应的关系特征，将关系特征和公交业务第二特征图融合，得到公交业务第三特征图，使得公交业务第三特征图具备完整数据的特征信息，提高对多源数据的利用率；最后对公交业务第三特征图分别进行短期预测和长期预测，得到客流预测的短期结果和长期结果，适应更多预测场景，并提高对客流预测每个场景的预测准确率。

11、根据本发明的一些实施例，所述将所述业务数据根据数据结构进行分类，得到所述业务数据对应的结构化数据、半结构化数据和非结构化数据，包括以下步骤：

12、通过预设的文件系统根据所述业务数据的后缀将所述业务数据划分为所述结构化数据、所述半结构化数据和所述非结构化数据；

13、提取所述结构化数据、所述半结构化数据和所述非结构化数据在所述文件系统对应的第一路径集、第二路径集和第三路径集；

14、通过预设的数据库表存储所述第一路径集、所述第二路径集和所述第三路径集，得到所述结构化数据、所述半结构化数据和所述非结构化数据对应的分类路径数据库。

15、根据本发明的一些实施例，所述将所述结构化数据通过预设的数据类型和符号类型进行编码得到编码数据，并将所述编码数据标注在预设的公交业务分布图，得到公交业务第一特征图，包括以下步骤：

16、通过所述分类路径数据库获取所述结构化数据；

17、通过预设的公交业务数据标准体系定义得到所述数据类型和所述符号类型；

18、通过所述数据类型和所述符号类型对所述结构化数据进行编码，得到所述结构化数据对应的编码数据；

19、通过所述编码数据对所述公交业务分布图进行特征标注，得到所述公交业务第一特征图。

20、根据本发明的一些实施例，所述通过所述半结构化数据所在的数据库模型和知识图谱对所述半结构化数据进行特征抽取，得到知识特征，并将所述知识特征和所述公交业务第一特征图融合，得到公交业务第二特征图，包括以下步骤：

21、通过所述分类路径数据库获取所述半结构化数据；

22、通过包装器抽取所述半结构化数据和所述数据库模型的知识信息；所述知识信息包括实体、属性、所述实体和所述属性之间的双向关系以及事件的多元关系；

23、通过所述实体、所述属性、所述双向关系和所述多元关系进行所述半结构化数据的知识图谱构建，得到半结构化数据知识图谱；

24、通过所述半结构化数据知识图谱进行每个所述实体的特征抽取，得到所述知识特征；

25、将所述知识特征和所述公交业务第一特征图进行决策级融合，得到所述公交业务第二特征图。

26、根据本发明的一些实施例，所述将所述非结构化数据通过预设的依存模板划分得到依存数据，并通过预设的深度学习模型推理所述依存数据对应的关系特征，将所述关系特征和所述公交业务第二特征图融合，得到公交业务第三特征图，包括以下步骤：

27、通过所述依存模板的依存规则提取所述非结构化数据的关键词，并将所述关键词填入所述依存模板，得到所述依存数据；

28、通过所述深度学习模型计算所述依存数据的依存关系，得到所述关系特征；

29、将所述关系特征和所述公交业务第二特征图进行所述决策级融合，得到所述公交业务第三特征图。

30、根据本发明的一些实施例，所述将所述公交业务第三特征图分别进行短期预测和长期预测，得到所述公交业务第二特征图对应的短期预测结果和长期预测结果，包括以下步骤：

31、根据预设的时间粒度将所述公交业务第三特征图进行时间序列的分层，得到每个所述时间粒度对应的预测特征图；

32、根据预测需求筛选第一数量连续的所述预测特征图，得到短期预测特征图集，并根据所述预测需求筛选第二数量连续的所述预测特征图，得到长期预测特征图集；

33、根据所述短期预测特征图集进行短期预测，得到所述短期预测结果，并根据所述长期预测特征图集进行长期预测，得到所述长期预测特征图。

34、根据本发明的一些实施例，所述将所述公交业务第三特征图分别进行短期预测和长期预测，得到所述公交业务第三特征图对应的短期预测结果和长期预测结果之后，所述基于公交业务大数据的客流预测方法还包括以下步骤：

35、将所有所述短期预测结果根据所述时间序列进行自回归模型的多时间步预测，得到多时间步预测结果；

36、将所述多时间步预测结果和所述长期预测结果进行修正，得到长期预测修正结果。

37、第二方面，本发明的实施例提供了一种基于公交业务大数据的客流预测系统，包括：

38、业务数据获取模块，用于获取公交设备发送的业务数据；

39、数据结构分类模块，用于将所述业务数据根据数据结构进行分类，得到所述业务数据对应的结构化数据、半结构化数据和非结构化数据；

40、结构化数据标注模块，用于将所述结构化数据通过预设的数据类型和符号类型进行编码得到编码数据，并将所述编码数据标注在预设的公交业务分布图，得到公交业务第一特征图；

41、半结构化数据标注模块，用于通过所述半结构化数据所在的数据库模型和知识图谱对所述半结构化数据进行特征抽取，得到知识特征，并将所述知识特征和所述公交业务第一特征图融合，得到公交业务第二特征图；

42、非结构化数据标注模块，用于将所述非结构化数据通过预设的依存模板划分得到依存数据，并通过预设的深度学习模型推理所述依存数据对应的关系特征，将所述关系特征和所述公交业务第二特征图融合，得到公交业务第三特征图；

43、客流预测模块，用于将所述公交业务第三特征图分别进行短期预测和长期预测，得到所述公交业务第三特征图对应的短期预测结果和长期预测结果。

44、第三方面，本发明的实施例提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如第一方面所述的基于公交业务大数据的客流预测方法。

45、第四方面，本发明的实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于公交业务大数据的客流预测方法。

46、需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与第一方面的基于公交业务大数据的客流预测方法的有益效果相同，此处不再细述。

47、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。