(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 202211278952.0 (22)申请日 2022.10.19 (71)申请人 南瑞轨道交通 技术有限公司 地址 210031 江苏省南京市江北新区高新 路20号 (72)发明人 徐宏伟　梁奕　费洋　丁志燕　 刘鹏宇　陆艮峰　林晓　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 赵彦 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于CEEMDAN-LSTM的地铁客流预测方 法及系统 (57)摘要 本发明公开了一种基于CEEMDAN ‑LSTM的地 铁客流预测方法及系统， 根据采集到的历史数 据， 通过CEEMDAN算法将可分解数据集 分解成K个 IMF分量数据集， 每个IM F分量数据集与关联数据 融合成可训练数据集， 通过可训练数据集训练构 建的LSTM神经网络模型得到K个IMF分量的LSTM 训练模型； 通过Tensorflow  serving将K个IMF分 量的LSTM训练模型进行部署， 通过将待预测的实 时数据输入至LS TM完整模型得到 预测结果。 本发 明采用CEEMDAN对关注数据进行分解提取更多数 据特征， 融合其它空间特征数据， 从时空多维度、 全方位对预测模型构建、 优化、 更新， 提高了 预测 精度。 权利要求书4页 说明书11页 附图4页 CN 115358491 A 2022.11.18 CN 115358491 A 1.一种基于 CEEMDAN‑LSTM的地铁客 流预测方法， 其特 征在于， 包括以下步骤： （1） 根据进站客流、 出站客流、 站厅温度、 站厅湿度、 站台温度、 站台湿度、 室外温度、 室 外湿度、 站厅CO2浓度以及站台CO2浓度的历史数据， 构建原始时间序列； 对原始时间序列进 行相关性分析， 得到进站客 流时间序列的相关特 征序列； （2） 将所述进站客流时间序列作为可分解数据集， 同时间的相关特征序列作为关联数 据集， 通过CEEMDAN算法将所述可分解数据集分解成K个IMF分量数据集， 每个IMF分量数据 集与所述关联 数据集融合成K个可训练数据集； （3） 通过所述可训练数据 集训练LSTM神经网络模型， 得到K个IMF分量对应的K个LSTM训 练模型； （4） 对采集得到的待预测数据进行处理， 得到K个待预测的序列， 分别输入至K个IMF分 量对应的LSTM模 型， 然后将K个模型的预测结果合并得到最 终预测结果； 所述对采集得到的 待预测数据进行处理包括： 待预测进站客流数据通过CEEMDAN算法分解获得K个IMF分量， K 个IMF分量分别与同一时间相关特 征序列融合得到K个待预测的序列。 2.根据权利 要求1所述的基于CEEMDAN ‑LSTM的地铁客流预测方法， 其特征在于， 所述的 构建原始时间序列为： 其中 为构建的原始时间序列， Ip为进站客流， Op为出站客流， Th为站厅温度， Hh为站厅 湿度，Tp为站台温度， Hp为站台湿度， Ch为站厅CO2浓度，Cp为站台CO2浓度，To为室外温度， Ho为 室外湿度； 在对原始时间序列进行相关性分析之前， 还包括数据预处理， 所述数据预处理是对所 述原始时间序列进行序列有效性检验、 平稳性检测、 异常值检测及填充。 3.根据权利 要求2所述的基于CEEMDAN ‑LSTM的地铁客流预测方法， 其特征在于， 所述的 序列有效性检验， 包括数据类型检验、 时间顺序检验、 重复性检验和时间频率检验， 通过检 测修正或删除无效数据； 所述的平稳性检验， 是通过ADF检验算法， 检测时间序列是否存在单位根； 如果不存在 单位根， 则序列稳定； 否则， 序列不稳定， 对于不稳定的序列通过对数据取对数或差 分运算； 通过检验删去无法修 正的不稳定的序列； 所述的异常值检测及填充， 包括： 空值检测、 箱线图异常点检测、 孤立森林异常点检测、 ARIMA自回归差分移动平均异常检测； 所有检测出的异常点采用抽取的相同时间段正常数 据随机填充； 所述相关性分析， 是通过计算各数据类型与进站客流的相关性， 去 除相关性小及负相 关的数据类型。 4.根据权利要求3所述的基于CEEMDAN ‑LSTM的地铁客流预测方法， 其特征在于， 所述 ADF检验算法包括以下内容： 无漂移项自回归过程： 带漂移项自回归过程：权　利　要　求　书 1/4 页 2 CN 115358491 A 2带漂移项和趋势项自回归过程： 其中， 为 时刻的进站客流， 为常量系数， 为 时刻的进站客流， 为选择时 间点之前的 个时间点， 为前后两个时刻进站客流偏差系数， 为 与 的差 分， 为常数项， 为时间趋势项， 为随机扰动项。 5.根据权利 要求1所述的基于CEEMDAN ‑LSTM的地铁客流预测方法， 其特征在于， 所述的 通过CEEMDAN算法将所述可分解数据集分解成K个IMF分量数据集， 包括： （21） 将高斯白噪声加入到待分解信号， 并进行E MD分解， 得到一阶本征模态分量： 式中， 代表EMD分解， 为随时间变 化的进站客流， 为自然数， 为满足标准 正态分布的高斯白噪声信号， ， 为模态分量个数， 为白噪声的标准差； 为一阶本征模态分量， 为原始序列加入白噪声后上 下包络的平均值； （22） 对产生的 个模态分量进行总体平均得到 CEEMDAN分解的第一个本征模态分量： 式中， 为CEEMDAN分解得到的第一个本征模态分量； （23） 计算去除第一个本征模态分量后的残差： 式中， 为第一个残差； （24） 在 中加入正负成对高斯白噪声， 并进行EMD分解， 得到CEEMDAN分解的第二个 本征模态分量： 式中， 为经过两次EMD分解的模态分量； （25） 计算去除第二个本征模态分量后的残差： （26） 重复上述步骤 （24）~（25） ， 直到获得的残差信号为单调函数， 不能继续分解， 算法权　利　要　求　书 2/4 页 3 CN 115358491 A 3