1.一種基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，其特征在于，該系統(tǒng)包括：
客流分析模塊，對獲取到的客流數據，分別按天、按小時、按分鐘分析客流分布情況，獲得客流時間分布規(guī)律；對獲取到的客流數據，以上下車餅圖的形式分析客流在各站點的分布比例，根據比例的分布，獲得客流空間分布規(guī)律；
客流數據分類模塊，將獲取的歷史客流數據，以日期類型和天氣類型為篩選條件，過濾獲得上、下車客流數據，計算滿載率，并保存為特征客流模板；
客流預測模塊，基于特征客流模板，進行客流預測，預測與模板的工作日類型、天氣類型相似的未來某一天的客流預測數據模板；
單程時間的過濾分類模塊，將獲取的歷史單程時間數據，以日期類型和天氣類型為篩選條件，過濾獲得線路的單程時間數據，并保存為單程時間分類模板；
單程時間預測模塊，基于單程時間分類模板，進行單程時間預測，預測與模板的工作日類型、天氣類型相似的未來某一天的單程時間預測數據模板；
仿真分析模塊，先根據歷史數據進行客流預測、單程時間預測，再以預測的客流數據及單程時間數據為基礎，根據輸入的最大發(fā)車間隔及期望滿載率，采用模擬發(fā)車的方式計算出最優(yōu)發(fā)車間隔，獲得發(fā)車時刻表。
2.根據權利要求1所述的基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，其特征在于，所述客流預測，用以預測每日客流數據；
采用根據要預測的客流日期的類型，選擇一定時期內的歷史客流數據，先對客流數據用聚類的分析，再結合要預測的客流日期的天氣狀況，選擇符合篩選條件的歷史數據，采用深度神經元網絡算法，獲得預測的客流力度為每10分鐘每個站點上下車人數情況；或者直接采用客流預測數據模板；
其中，客流預測數據模板的獲得：根據特征客流模板同期數據，采用深度神經元網絡模型預測一個10分鐘為力度的總值X，再與歷史同期10分鐘的客流總和相比較，差距最小的那一天的客流詳情作為客流預測數據模板的預測客流。
3.根據權利要求2所述的基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，其特征在于：所述單程時間預測，用以預測線路運行的單程時間；
采用根據要預測的客流日期的類型，選擇一定時期內的歷史客流數據，先對客流數據用聚類的分析，再結合要預測的客流日期的天氣狀況，選擇符合篩選條件的歷史數據，采用深度神經元網絡算法，獲得要預測的客流日期的單程時間數據；或者直接采用單程時間預測數據模板。
4.根據權利要求3所述的基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，其特征在于，最優(yōu)發(fā)車間隔的計算包括：
①預測客流預處理，把每個站點每10分鐘的客流打散分布到每一分鐘，如有整除后的客流余數，則隨機不重復分布到這10分鐘的10個點上；
②上車客流與下車客流的預處理，包括把一個車次單向上車與下車客流數預處理為相同；把一個車次整個趟次的上車與下車客流預處理為相同；把整條線路全天上車與下車客流預處理為相同；
③模擬發(fā)車：模擬試發(fā)首班車發(fā)車后，根據預測的單程時間的特性，計算出該車次到達每一站的具體時間，存儲最后一個車次到達各個站點的時間；再以最大發(fā)車間隔，模擬試發(fā)第二個班次，再計算出該車次到達每一站的具體時間，前一車次與本車次的到達時間差為某一站點的聚集客流的時間段，從預測客流中取出該時間段對應上車與下車的客流數，計算出該車次到達每一站的滿載率，如果到達某站的滿載率小于或等于期望的滿載率，則本次發(fā)車間隔為最優(yōu)發(fā)車間隔，如果到達某站時滿載率超過期望的滿載率，則減小發(fā)車間隔再次模擬發(fā)車，直至滿載率小于或等于期望滿載率或等于最小發(fā)車間隔；依次類推，直至模擬發(fā)車到線路末班時間結束，獲得發(fā)車時刻表。
5.根據權利要求4所述的基于客流仿真分析的發(fā)車時刻表生成系統(tǒng)，其特征在于，在時刻表生成之后，從首班車發(fā)車時刻遍歷到末班車發(fā)車時刻，在某一時刻，遍歷所有的車次，如果該時刻是在該車次的開始時間與結束時間之間，計數加1，遍歷完所有車次之后，計數總和為該時刻的在線車輛數，取從首班車發(fā)車時刻到末班車發(fā)車時刻的全部遍歷時刻點對應的在線車輛數的最大值為最小配車數。