【技术实现步骤摘要】
基于图卷积神经网络的轨道交通短时客流预测方法和系统
本专利技术涉及轨道交通客流分析
，更具体地，涉及基于图卷积神经网络的轨道交通短时客流预测方法和系统。
技术介绍
随着城市轨道交通网络化的快速发展，乘客对城市轨道交通的运营管理和服务水平提出了更高的要求。要切实提高轨道交通运营管理的现代化智能化水平，准确把握全网客流发生前后的时空分布状态至关重要，因此全网水平的短时客流预测也成为智能交通系统的关键性基础工作。纵观短时客流预测的发展历程，大致可分为三个阶段。第一个阶段是传统的基于数理统计的模型，第二个阶段是基于机器学习的模型，第三个阶段是基于深度学习的模型。具体地，短时客流预测发展的第一个阶段是传统的基于数理统计的模型，例如历史平均模型HA、最小二乘法、时间序列模型、逻辑回归等。该阶段由于城市轨道交通并未迅速发展起来，所做的短时客流预测大多是针对道路交通的，因此，在城市轨道交通领域基本没有应用，而在道路交通领域，由于这些模型固有的一些弊端，例如“实时性”差，预测精度低，即不能满足短时客流预测的实时性要求和预...
【技术保护点】
1.一种基于图卷积神经网络的轨道交通短时客流预测方法，包括以下步骤：/n以图结构G＝(V,E,A)表征城市轨道交通网络，并以t时刻的特征矩阵F＝(X
【技术特征摘要】
1.一种基于图卷积神经网络的轨道交通短时客流预测方法，包括以下步骤：
以图结构G＝(V,E,A)表征城市轨道交通网络，并以t时刻的特征矩阵F＝(Xt,Xt-1,Xt-2,…Xt-m+1)表示t时刻之前m个时间间隔的历史客流情况，其中V表示地铁车站的数目，车站与车站之间有E条边，A∈Rn×n是表征车站之间是否相邻的邻接矩阵，F的维度为n×m，n为车站数目；
构建深度学习模型，学习t时刻的特征矩阵F和邻接矩阵A与预测的t+1时刻各车站客流情况之间的映射关系，表示为：
Xt+1＝f(A；Xt,Xt-1,Xt-2,…Xt-m+1)。
2.根据权利要求1所述的方法，其中，所述深度学习模型包括依次连接的图卷积神经网络、三维卷积神经网络和全连接神经网络，所述图卷积神经网络用于捕捉城市轨道交通网络的拓扑结构信息以及进出站客流的时空特征信息，所述三维卷积神经网络用于将所述图卷积神经网络提取到的进站流和出站流信息进行深度融合，所述全连接神经网络用于降维并捕捉高维特征与客流预测结果之间的非线性关系。
3.根据权利要求2所述的方法，其中，所述图卷积神经网络包括分别处理进站流图和出站流图的第一图卷积神经网络层和第二图卷积神经网络层。
4.根据权利要求3所述的方法，其中，所述进站流图和所述出站流图分别包括邻近客流模式，日客流模式和周客流模式，所述邻近客流模式表示预测时段邻近的前多个时段的客流，所述日客流模式表示前一天同时段的客流，所述周客流模式表示上一周同时段的客流。
5.根据权利要求4所述的方法，其中，对于所述邻近客流模式、日客...
【专利技术属性】
技术研发人员：陈峰，张金雷，李小红，朱亚迪，胡舟，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。