[0044] 一种城市轨道交通短时客流容错预测系统，其创新在于：所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块2、筛选模块3和容错处理模块
4；所述3个神经网络模块的目标函数各不相同；所述3个神经网络模块分别记为预测模块1-
1、监督模块Ⅰ1-2和监督模块II1-3；所述预测模块1-1的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述监督模块Ⅰ1-2的输出端分别与预测故障检测模
块2的输入端和筛选模块3的输入端连接；所述监督模块II1-3的输出端分别与预测故障检
测模块2的输入端和筛选模块3的输入端连接；所述预测故障检测模块2的输出端与筛选模
块3的控制部连接；所述筛选模块3有三个输出端，所述容错处理模块4有三个输入端，筛选模块3的三个输出端与容错处理模块4的三个输入端一一对应地连接；由筛选模块3的三个
输出端和容错处理模块4的三个输入端所形成的三条传输通道分别记为通道一、通道二和
通道三；
[0045] 所述预测模块1-1能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；
[0046] 所述监督模块Ⅰ1-2能根据外部输入的输入向量，输出相应的输出向量II，输出向量II记为y2；
[0047] 所述监督模块II1-3能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；
[0048] 所述输入向量由客流量数据经归一化处理后得到；
[0049] y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块2能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较：若e1和e2均大于误差阈值σ，则预测故障检测模块2输出控制信号一，否则，预测故障检测模块2输出控制信号二；
[0050] 所述筛选模块3能根据预测故障检测模块2输出的信号，选择性地将y1、y2和y3输出至容错处理模块4：若预测故障检测模块2输出的是控制信号一，则筛选模块3通过通道二将y2输出至容错处理模块4，同时，筛选模块3通过通道三将y3输出至容错处理模块4；若预测故障检测模块2输出的是控制信号二，则筛选模块3通过通道一将y1输出至容错处理模块4；
[0051] 所述容错处理模块4能根据筛选模块3的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块3通过通道一向容错处理模块4输出y1，则容错处理模块4对y1进行反归一化处理，得到客流量预测数据；若筛选模块3分别通过通道二和通道三向容错处理模块4输出y2和y3，则容错处理模块4对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据。
[0052] 进一步地，所述加权处理值y由下式得到：
[0053] y＝w1y2+w2y3
[0054] 其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；w1和w2均为预设值。
[0055] 进一步地，所述e1由下式得到：
[0056]
[0057] 所述e2由下式得到：
[0058]
[0059] 进一步地，所述监督模块Ⅰ1-2采用小波神经网络搭建，所述监督模块II1-3采用径向基神经网络搭建。
[0060] 进一步地，搭建所述监督模块Ⅰ1-2时，采用目标函数J1(n)对监督模块Ⅰ1-2进行协同训练：
[0061]
[0062] 搭建所述监督模块II1-3时，采用目标函数J2(n)对监督模块II1-3进行协同训练：
[0063]
[0064] 其中，N为样本个数，n为样本编号，1≤n≤N；f1(n)为输出向量II，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ1-2所对应的权重因子，λ2为监督模块II1-3所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。
[0065] 一种城市轨道交通短时客流容错预测方法，所涉及的硬件包括城市轨道交通短时客流容错预测系统；所述城市轨道交通短时客流容错预测系统包括3个神经网络模块、预测故障检测模块2、筛选模块3和容错处理模块4；所述3个神经网络模块的目标函数各不相同；
所述3个神经网络模块分别记为预测模块1-1、监督模块Ⅰ1-2和监督模块II1-3；所述预测模块1-1的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述监督
模块Ⅰ1-2的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所述监督模块II1-3的输出端分别与预测故障检测模块2的输入端和筛选模块3的输入端连接；所
述预测故障检测模块2的输出端与筛选模块3的控制部连接；所述筛选模块3有三个输出端，所述容错处理模块4有三个输入端，筛选模块3的三个输出端与容错处理模块4的三个输入
端一一对应地连接；由筛选模块3的三个输出端和容错处理模块4的三个输入端所形成的三
条传输通道分别记为通道一、通道二和通道三；
[0066] 所述预测模块1-1能根据外部输入的输入向量，输出相应的输出向量Ⅰ，输出向量Ⅰ记为y1；
[0067] 所述监督模块Ⅰ1-2能根据外部输入的输入向量，输出相应的输出向量II，输出向量II记为y2；
[0068] 所述监督模块II1-3能根据外部输入的输入向量，输出相应的输出向量Ⅲ，输出向量Ⅲ记为y3；
[0069] 所述输入向量由客流量数据经归一化处理后得到；
[0070] y1和y2的相对误差记为e1，y1和y3的相对误差记为e2；所述预测故障检测模块2能根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块2输出控制信号一，否则，预测故障检测模块2输出控制信号二；
[0071] 所述筛选模块3能根据预测故障检测模块2输出的信号，选择性地将y1、y2和y3输出至容错处理模块4：若预测故障检测模块2输出的是控制信号一，则筛选模块3通过通道二将y2输出至容错处理模块4，同时，筛选模块3通过通道三将y3输出至容错处理模块4；若预测故障检测模块2输出的是控制信号二，则筛选模块3通过通道一将y1输出至容错处理模块4；
[0072] 所述容错处理模块4能根据筛选模块3的输出信号生成客流量预测数据并将客流量预测数据向外输出：若筛选模块3通过通道一向容错处理模块4输出y1，则容错处理模块4对y1进行反归一化处理，得到客流量预测数据；若筛选模块3分别通过通道二和通道三向容错处理模块4输出y2和y3，则容错处理模块4对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；
[0073] 其创新在于：所述方法包括：
[0074] 所述神经网络模块的输入层神经元数量为5个，神经网络模块的输出层神经元为1个；设定统计周期和循环周期；所述循环周期的时长为7天，所述统计周期的时长远小于循环周期的时长；按统计周期将单个循环周期划分为多个时段；将多个循环周期顺次编号，将单个循环周期所辖的多个时段顺次编号；对各个时段的客流量数据ri,j进行统计，i为循环周期的序号，j为时段的序号，ri,j表示第i个循环周期中第j个时段的客流量数据；积累了大量的客流量数据后，对客流量数据进行归一化处理，ri,j的归一化结果记为Ri,j；将Ri-1,j-1(即前一循环周期中的第j-1时段)、Ri-1,j(即前一循环周期中的第j时段)、Ri-1,j+1(即前一循环周期中的第j+1时段)、Ri,j-1(即本循环周期中的第j-1时段)、Ri,j-2(即本循环周期中的第j-2时段)和Ri,j作为一个样本，其中，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2即为输入向量，Ri-1,j-1、Ri-1,j、Ri-1,j+1、Ri,j-1和Ri,j-2与5个输入层神经元一一对应，Ri,j为训练时的输出向量，Ri,j与输出层神经元对应；多个样本即形成样本库，用样本库分别对3个神经网络模块进行训练；神经网络模块训练好后，搭建出城市轨道交通短时客流容错预测系统，并将城市轨道交通短时客流容错预测系统投入运营；
[0075] 运营过程中，按如下方式对客流量进行预测：
[0076] 1)将相应的输入向量(输入向量为五个归一化结果，若需要预测的时段的序号为k，则这五个归一化结果所对应的客流量数据所对应的时段分别为：前一循环周期中的第k-
1时段、前一循环周期中的第k时段、前一循环周期中的第k+1时段、本循环周期中的第k-1时段、本循环周期中的第k-2时段)分别输入3个神经网络模块中(每个神经网络模块均需输入
前述的五个归一化结果)，3个神经网络模块即可得到相应的y1、y2和y3；将y1、y2和y3输出至预测故障检测模块2，同时，将y1、y2和y3输出至筛选模块3；
[0077] 2)所述预测故障检测模块2根据y1、y2和y3计算出e1和e2，然后将e1和e2与一误差阈值σ进行比较，若e1和e2均大于误差阈值σ，则预测故障检测模块2向筛选模块3输出控制信号一并进入步骤3A)，否则，预测故障检测模块2向筛选模块3输出控制信号二并进入步骤3B)；
[0078] 3A)筛选模块3通过通道二将y2输出至容错处理模块4，同时，筛选模块3通过通道三将y3输出至容错处理模块4；进入步骤4A)
[0079] 3B)筛选模块3通过通道一将y1输出至容错处理模块4；进入步骤4B)；
[0080] 4A)容错处理模块4对y2和y3进行加权处理，得到加权处理值y，然后对加权处理值y进行反归一化处理，得到客流量预测数据；
[0081] 4B)容错处理模块4对y1进行反归一化处理，得到客流量预测数据。
[0082] 得到客流量预测数据后，管理人员即可根据客流量预测数据对未来时段的运营风险进行评估，以确定是否需要启动相应的应急处理机制。
[0083] 进一步地，所述加权处理值y由下式得到：
[0084] y＝w1y2+w2y3
[0085] 其中，w1为对应y2的权重系数，w2为对应y3的权重系数，0＜w1＜1，0＜w2＜1，且w1+w2＝1；w1和w2均为预设值。
[0086] 进一步地，所述e1由下式得到：
[0087]
[0088] 所述e2由下式得到：
[0089]
[0090] 进一步地，所述监督模块Ⅰ1-2采用小波神经网络搭建，所述监督模块II1-3采用径向基神经网络搭建。
[0091] 进一步地，搭建所述监督模块Ⅰ1-2时，采用目标函数J1(n)对监督模块Ⅰ1-2进行协同训练：
[0092]
[0093] 搭建所述监督模块II(1-3)时，采用目标函数J2(n)对监督模块II(1-3)进行协同训练：
[0094]
[0095] 其中，N为样本个数，n为样本编号，1≤n≤N；f1(n)为输出向量II，f2(n)为输出向量Ⅲ，d(n)为期望输出向量，λ1为监督模块Ⅰ所对应的权重因子，λ2为监督模块II所对应的权重因子，0＜λ1＜1，0＜λ2＜1，且λ1+λ2＝1，λ1和λ2均为预设值。
