(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211280914.9 (22)申请日 2022.10.19 (71)申请人 海南港航控股有限公司 地址 570311 海南省海口市滨 海大道157号 (72)发明人 李森　李茂哲　黄思　 (74)专利代理 机构 武汉华之喻知识产权代理有 限公司 42 267 专利代理师 胡秋萍　曹葆青 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/00(2006.01) G06Q 50/26(2012.01) (54)发明名称 一种基于Prophet-P SO模型的客 流预测系统 (57)摘要 本发明公开一种基于Proph et‑PSO模型的客 流预测系统， 属于智能交通系统流量预测领域。 包括： 客流统计装置， 用于接收目标站点、 预测的 时间粒度和历史 时期的指定， 统计目标站点在指 定历史时期内每个时间粒度的历史客流数据， 并 将统计到的历史客流数据发送至训练模块； 训练 模块， 用于采用历史客流数据训练客流预测模 型， 所述客流预测模型包 括Prophet模型和PSO算 法， 所述PSO算法为使用动态惯性权重的PSO算 法， 用于对Prophet模型的控制拟合程度的参数 组合进行寻优， 所述Prophet模型用于采用最优 的参数组合对未来的客流进行预测； 客流预测模 块， 用于接收目标站点的目标时间， 输入至训练 好的Prophet模型， 得到目标站点目标时间的预 测客流。 本发明使用改进后粒子群算法， 可自动 调整Prophet模型。 权利要求书1页 说明书4页 附图3页 CN 115471013 A 2022.12.13 CN 115471013 A 1.一种基于Prophet ‑PSO模型的客 流预测系统， 其特 征在于， 该系统包括： 客流统计装置， 用于接收目标站点、 预测的时间粒度和历史时期的指定， 统计目标站点 在指定历史时期内每个时间粒度的历史客流数据， 并将统计到的历史客流数据发送至训练 模块； 训练模块， 用于采用历史客流数据训练客流预测模型， 所述客流预测模型包括Prophet 模型和PSO算法， 所述PSO算法为使用动态惯性权重的PSO算法， 用于对Prophet模型的控制 拟合程度的参数组合(Chan gepoint_prior_scale， Season ality_prior_scale， Holidays_ prior_scale)进行寻优， 所述Prophet模型用于采用最优的参数组合对未来的客流进行预 测； 客流预测模块， 用于接收目标站点的目标时间， 输入至训练好的Prophet模型， 得到目 标站点目标时间的预测客 流。 2.如权利要求1所述的系统， 其特征在于， 所述动态惯性权重通过线性递减权值策略获 取。 3.如权利要求2所述的系统， 其特 征在于， 所述动态 惯性权重的计算公式如下： ω(t)＝(ωmax‑ωmin)(Gk‑g)/Gk+ωmin 其中， Gk代表最大迭代次数， g是当前迭代次数， ωmax代表所设置的最大惯性权重值； ωmin代表最小惯性权 重值。 4.如权利要求2所述的系统， 其特 征在于， 所述动态 惯性权重的计算公式如下： 其中， Gk代表最大迭代次数， g是当前迭代次数， ωmax代表所设置的最大惯性权重值； ωmin代表最小惯性权 重值。 5.如权利要求1所述的系统， 其特征在于， 所述客流统计装置为 能抓取乘客的乘坐记录 的网络爬虫技术设备、 能输出历史购票数据的自动 售检票设备或者基于视频图像处理的客 流统计设备。 6.如权利要求1所述的系统， 其特征在于， 目标站点为飞机场、 火车站、 城市轨道 交通车 站、 或者轮渡 渡口。 7.如权利要求1所述的系统， 其特征在于， 预测的时间粒度为小时、 天、 周、 月、 季或者 年。 8.如权利要求1所述的系统， 其特 征在于， 对数据进行 预处理， 具体如下： 提取合并原始日期项数据中的 “年份”列和“月份”列数据， 加入具体日期固定为每月1 日； 将客流数据统一缩小105倍， 得到客 流列数据。权　利　要　求　书 1/1 页 2 CN 115471013 A 2一种基于Prophet ‑PSO模型的客流预测系统 技术领域 [0001]本发明属于智能交通系统流量预测领域， 更具体地， 涉及一种基于Prop het‑PSO模 型的客流预测系统。 背景技术 [0002]交通客流时间序列 会受到许多因素的影响， 例如天气条件、 是否节假日、 随机事件 等， 且客流时间序列的非线性和非平稳特性， 以及行业要求的高性能， 都使得准确的短期客 流预测成为一项较为困难的任务。 但另一方面来讲， 交通客流序列也有一定的周期性和趋 势性， 可以使用合 适的算法模型 借助其特性 来更好的预测未来的客 流量。 [0003]专利CN113987944A公开了一种基于Prophet模型的地铁进站客流预测方法， 包括： 读取AFC进站客流历史数据； 根据所述进站客流历史数据， 获取假日时间数据； 根据所述进 站客流历史数据与预设时间间隔T， 获取每天不同时间间隔T内的进站客流数据； 根据所述 进站客流历史数据， 获取进站客流的周期性数据； 将所述假日时间数据、 时间间隔T内的进 站客流数据分别进 行格式转换， 得到与Prophet模 型的数据格式相匹配的数据； 将所述周期 性数据与格式转换后的假日时间数据、 时间间隔T内的进站 客流数据输入Prophet模 型得到 地铁进站客 流的预测数据。 [0004]然而， 该方法存在以下缺陷和不足： Prophet拟合数据时， 控制拟合程度的参数需 要分析人员手动调整、 运行、 比较结果， 非常的不方便且浪费时间， 且对趋势项不强的数据 不敏感， 预测准确率低。 发明内容 [0005]针对现有技术的缺陷， 本发明的目的在于提供一种基于Prophet ‑PSO模型的客流 预测系统， 旨在解决现有预测方法训练耗时、 预测准确率低的问题。 [0006]为实现上述目的， 本 发明提供了一种基于Prop het‑PSO模型的客流预测系统， 该系 统包括： [0007]客流统计装置， 用于接收目标站点、 预测的时间粒度和历史时期的指定， 统计目标 站点在指 定历史时期内每个时间粒度的历史客流数据， 并将统计到的历史客流数据发送至 训练模块； [0008]训练模块， 用于采用历史客流数据训练客流预测模型， 所述客流预测模型包括 Prophet模型和PSO算法， 所述PSO算法为使用动态惯性权重的PSO算法， 用于对Prophet模型 的控制拟合程度的参数组合(Changepoint_prior_scale， Seasonality_prior_scale， Holidays_p rior_scale)进行寻优， 所述Prophet模型用于采用最优的参数组合对未来的客 流进行预测； [0009]客流预测模块， 用于接收目标站点 的目标时间， 输入至训练好 的Prophet模型， 得 到目标站点目标时间的预测客 流。 [0010]优选地， 所述动态 惯性权重通过线性 递减权值策略获取。说　明　书 1/4 页 3 CN 115471013 A 3