一种地铁站人流量峰值的预测方法、装置和计算机设备制造方法及图纸

本申请涉及一种地铁站人流量峰值的预测方法、装置和计算机设备。所述方法包括：根据历史数据获得人流密集地铁站及其人流量峰值时段，构建训练样本集，将其输入基于图卷积的时空特征提取网络、峰值判别网络和峰值预测网络的预测模型，提取人流密集地铁站的人流量时空特征，输出峰值判别和峰值预测结果，根据预先设置的基于调整类别权重的损失函数训练预测模型。将地铁站的实时人流量数据输入训练好的预测模型，得到实时峰值判别和预测结果。上述方法在分类与回归框架上基于图卷积网络判别和预测地铁站人流量峰值，以基于调整类别权重的损失函数为目标函数，避免了峰值预测偏低的问题，提高了地铁站人流量预测的准确度。

【技术实现步骤摘要】
一种地铁站人流量峰值的预测方法、装置和计算机设备
本申请涉及于数据挖掘
，特别是涉及一种地铁站人流量峰值的预测方法、装置和计算机设备。
技术介绍
城市作为区域经济、政治和文化的中心，城市居民的日常出行需求呈多样化高频次的特点。但公共交通拥挤、公共场所人群密集、道路交通拥堵等低出行舒适度的问题也日益突出。对人流密集区域或交通站点人流量变化进行预测有利于人流密集管控、道路交通疏导等措施的展开。人流量变化预测的实现通常是根据历史观测数据构建人流量预测模型，使用该模型预测未来一段时间内城市中某区域或交通站点的人群到达和离开的数量。人流量变化预测属于时间序列预测的一种，根据其预测算法的不同可分为基于传统机器学习方法和深度学习方法两大类。基于传统机器学习的人流量变化预测方法构建的大多数是单目标变量、浅层的人流量变化预测模型。近年来，多数人流量预测模型采用了深度学习方法，利用全连接层、经典卷积网络层或图卷积网络层对人流量时间序列进行空间维度的关联关系建模，取得了比基于传统机器学习方法更好的预测性能。但是目前的人流量变化预测方法往往在人流本文档来自技高网...

【技术保护点】
1.一种地铁站人流量峰值的预测方法，所述方法包括：/n从预设的数据源获取地铁站的历史人流量数据，根据所述历史人流量数据将对应地铁站标记为人流密集地铁站，并获得所述人流密集地铁站的人流量峰值时段，根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集；/n将所述训练样本集中的所述人流密集地铁站和对应的所述人流峰值时段输入预先设置的预测模型，所述预测模型包括：基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络；/n由所述时空特征网络提取所述人流密集地铁站的人流量时空特征，由所述峰值判别网络和所述峰值预测网络输出峰值判别结果和峰值预测结果，根据所述人流量时空特征、所述峰值...

【技术特征摘要】
1.一种地铁站人流量峰值的预测方法，所述方法包括：
从预设的数据源获取地铁站的历史人流量数据，根据所述历史人流量数据将对应地铁站标记为人流密集地铁站，并获得所述人流密集地铁站的人流量峰值时段，根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集；
将所述训练样本集中的所述人流密集地铁站和对应的所述人流峰值时段输入预先设置的预测模型，所述预测模型包括：基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络；
由所述时空特征网络提取所述人流密集地铁站的人流量时空特征，由所述峰值判别网络和所述峰值预测网络输出峰值判别结果和峰值预测结果，根据所述人流量时空特征、所述峰值判别结果、所述峰值预测结果以及预先设置的基于调整类别权重的损失函数，训练所述预测模型，得到训练好的预测模型；
获取地铁站的实时人流量数据，将所述实时人流量数据输入训练好的预测模型，得到所述实时人流量数据的峰值判别结果和峰值预测结果。


2.根据权利要求1所述的预测方法，其特征在于，所述基于调整类别权重的损失函数的构建方式包括：
根据所述峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差，构建峰值判别损失函数和峰值预测损失函数。


3.根据权利要求1所述的预测方法，其特征在于，所述从预设的数据源获取地铁站的历史人流量数据，根据所述历史人流量数据将对应地铁站标记为人流密集地铁站，并获得所述人流密集地铁站的人流量峰值时段，根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集的步骤包括：
从预设的数据源获取地铁站的历史人流量数据；
根据所述历史人流量数据和预设的人流密集站点阈值，将对应地铁站标记为人流密集地铁站；
根据预设的观察时间窗口和预设的人流密集时段阈值，从所述历史人流量数据中得到所述人流密集地铁站的人流量峰值时段；
根据所述人流密集地铁站和对应的所述人流峰值时段构建训练样本集。


4.根据权利要求1所述的预测方法，其特征在于，构建所述预先设置的预测模型的步骤包括：
定义各层图卷积的线性变换可学习参数矩阵，用于对所述人流密集地铁站的特征向量进行行线性变换；
定义邻接可学习参数矩阵，用于对所述人流密集地铁站的特征向量进行相互交换；
基于图卷积网络定义人流量时空特征提取网络，基于分类与回归框架将所述人流量时空特征提取网络分别接入基于全连接网络层的峰值判别网络和峰值预测网络。


5.根据权利要求1至4中任意一项所述的预测方法，其特征在于，由所述时空特征网络提取所述人流密集地铁站的人流量时空特征，由所述峰值判别网络和所述峰值预测网络输出峰值判别结果和峰值预测结果，根据所述人流量时空特征、所述峰值判别结果、所述峰...

【专利技术属性】
技术研发人员：陈浩，周毅荣，李军，吴烨，杜春，彭双，伍江江，熊伟，陈荦，景宁，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南;43