一种基于图卷积网络的航站楼客流量时空分布预测方法技术

一种基于图卷积网络的航站楼客流量时空分布预测方法。其包括构造各个时间切片内的客流量时间分布矩阵；构造区域邻接矩阵；获得空间特征矩阵；提取航站楼内待预测时刻未来T

【技术实现步骤摘要】
一种基于图卷积网络的航站楼客流量时空分布预测方法


[0001]本专利技术属于民用航空
，特别是涉及一种基于图卷积网络的航站楼客流量时空分布预测方法。

技术介绍

[0002]预测航站楼内客流量的时空分布，是航站楼管理的基础任务，在提升服务效率和资源配置效率中具有极其重要的作用。
[0003]对于航站楼内客流量的预测，实质上属于时空序列预测问题，即基于历史时期内的客流时空分布数据，对当前以及未来一段时间内的客流量进行预测。目前，预测航站楼内客流量的研究较少，主要有：构建ARMA模型(自回归滑动平均模型)、K近邻算法、BP神经网络法等。传统的航站楼内客流量预测大多只是基于整体或单一区域的客流量序列进行预测，只利用了整体或单一区域的时间信息，未利用空间信息，这样预测的结果很容易由于其他区域的客流量变化造成预测准确性的下降。
[0004]在对公路、地铁站等场景的交通流预测研究中，卷积神经网络被用于提取交通流的空间特征，但卷积神经网络是将待预测区域划分为尺寸相同的网格，统计各个网格中的流量，不符合交通流量数据的真实空间特征。

技术实现思路

[0005]为了解决上述问题，本专利技术的目的在于提供一种基于图卷积网络的航站楼客流量时空分布预测方法。
[0006]为了达到上述目的，本专利技术提供的基于图卷积网络的航站楼客流量时空分布预测方法包括按顺序进行的下列步骤：
[0007]1)对航站楼内监控摄像头采集的视频图像进行整合，得到航站楼内各个空间区域客流量的时间序列，构造各个时间切片内的客流量空间分布向量H；
[0008]2)利用图论方法，结合航站楼内各个空间区域与设施分布特点，将上述步骤1)获得的空间区域信息简化为图结构数据，并构造区域邻接矩阵A；
[0009]3)基于上述步骤1)获得的客流量空间分布向量H和步骤2)获得的区域邻接矩阵A，通过图卷积网络在图结构数据上进行图卷积操作，获得空间特征向量；
[0010]4)将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中，提取出航站楼内待预测时刻未来T
′
个时刻的客流量特征矩阵Y1；
[0011]5)由航班计划及航班历史数据，得到待预测时刻未来两小时内起飞航班使用的登机口W及该航班前一天使用的登机口V，构造表示登机口变化的邻接矩阵k,将前一天对应于待预测时刻的未来T
′
个时刻的客流量特征矩阵输入图卷积网络进行图卷积操作，获得由登机口变化引起的客流量特征矩阵Y2；
[0012]6)对上述步骤4)获得的航站楼内待预测时刻未来T
′
个时刻的客流量特征矩阵Y1和步骤5)获得的由登机口变化引起的客流量特征矩阵Y2进行线性整合，得到待预测航站楼
内空间区域的最终预测的客流量特征矩阵。
[0013]在步骤1)中，所述的对航站楼内监控摄像头采集的视频图像进行整合，得到航站楼内各个空间区域客流量的时间序列，构造各个时间切片内的客流量空间分布向量H的方法是：
[0014]选取航站楼内能够覆盖关键换乘、排队区域的监控摄像头，按固定间隔对这些监控摄像头采集的视频图像进行截图，每个截图作为一个时间切片，然后从每个时间切片中得到该时刻、该监控摄像头覆盖空间区域内的客流量，并对监控摄像头进行编号、排序，构造每一个时间切片内的客流量空间分布向量H，其分量分别为各个空间区域在每一个时间切片内的客流量。
[0015]在步骤2)中，所述的利用图论方法，结合航站楼内各个空间区域与设施分布特点，将上述步骤1)获得的空间区域信息简化为图结构数据，并构造区域邻接矩阵A的方法是：
[0016]根据航站楼GIS地图，将步骤1)中的空间区域简化为节点，相邻的空间区域使用无向边相连，生成由节点和无向边组成的邻接拓扑图，所述邻接拓扑图中的节点为各个空间区域，无向边则代表各个空间区域之间的连接关系；根据步骤1)中监控摄像头对应的空间区域，对邻接拓扑图中的节点进行编号，创建两个维度都是节点编号的一个二维矩阵，若编号为i,j的两个空间区域相连，则在上述二维矩阵中，(i,j)元素对应的数值为1；若编号为i,j的两个空间区域不相连，则在上述二维矩阵中，(i,j)元素对应的数值为0，将标注了各个元素对应的数值后的二维矩阵作为区域邻接矩阵A。
[0017]在步骤3)中，所述的基于上述步骤1)获得的客流量空间分布向量H和步骤2)获得的区域邻接矩阵A，通过图卷积网络在图结构数据上进行图卷积操作，获得空间特征向量的方法是：
[0018]将步骤2)中获得的图结构数据表示为G＝(V,E)，其中，为节点，E为一组无向边，区域邻接矩阵A∈R
N
×
N
，设度矩阵D可表示为那么图卷积的计算公式为：
[0019][0020]式中，为具有自连接的区域邻接矩阵，其中为单位矩阵；H
(l)
∈R
N
×
D
为第l层网络的激活值，H
(0)
为初始客流量时间分布向量；W
(l)
为第l层网络的权重矩阵；每次输入图卷积网络的数据为从待预测时刻开始过去T个时刻的数据；最后经全连接层进行整合而得到空间特征向量。
[0021]在步骤4)中，所述的将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中，提取出航站楼内待预测时刻未来T
′
个时刻的客流量特征矩阵Y1的方法是：
[0022]4.1.将第t个时刻的空间特征向量与上一个时刻门控循环单元的的状态分别经过线性变换后相加，经Sigmoid激活函数处理，得到值域为(0，1)的更新门z
t
的值：
[0023]z
t
＝σ(W
(z)
x
t
+U
(z)
h
t-1
)
ꢀꢀꢀ
(2)
[0024]式中，σ为Sigmoid激活函数，x
t
为第t个时刻的空间特征向量，W
(z)
为第t个时刻的空间特征向量x
t
的权重系数，h
t-1
为第t-1个时刻门控循环单元的状态，U
(z)
为第t-1个时刻
门控循环单元的状态h
t-1
的权重系数；
[0025]4.2.同样地，使用另一组第t个时刻的空间特征向量x
t
的权重系数W
(z)
和第t-1个时刻门控循环单元的状态h
t-1
的权重系数U
(z)
，得到值域为(0，1)的重置门r
t
的值：
[0026]r
t
＝σ(W
(r)
x
t
+U
(r)
h
t-1
)
ꢀꢀꢀ
(3)
[0027]4.3.使用重置门r
t
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积网络的航站楼客流量时空分布预测方法，其特征在于：所述的基于图卷积网络的航站楼客流量时空分布预测方法包括按顺序进行的下列步骤：1)对航站楼内监控摄像头采集的视频图像进行整合，得到航站楼内各个空间区域客流量的时间序列，构造各个时间切片内的客流量空间分布向量H；2)利用图论方法，结合航站楼内各个空间区域与设施分布特点，将上述步骤1)获得的空间区域信息简化为图结构数据，并构造区域邻接矩阵A；3)基于上述步骤1)获得的客流量空间分布向量H和步骤2)获得的区域邻接矩阵A，通过图卷积网络在图结构数据上进行图卷积操作，获得空间特征向量；4)将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中，提取出航站楼内待预测时刻未来T
′
个时刻的客流量特征矩阵Y1；5)由航班计划及航班历史数据，得到待预测时刻未来两小时内起飞航班使用的登机口W及该航班前一天使用的登机口V，构造表示登机口变化的邻接矩阵k,将前一天对应于待预测时刻的未来T
′
个时刻的客流量特征矩阵输入图卷积网络进行图卷积操作，获得由登机口变化引起的客流量特征矩阵Y2；6)对上述步骤4)获得的航站楼内待预测时刻未来T
′
个时刻的客流量特征矩阵Y1和步骤5)获得的由登机口变化引起的客流量特征矩阵Y2进行线性整合，得到待预测航站楼内空间区域的最终预测的客流量特征矩阵。2.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法，其特征在于：在步骤1)中，所述的对航站楼内监控摄像头采集的视频图像进行整合，得到航站楼内各个空间区域客流量的时间序列，构造各个时间切片内的客流量空间分布向量H的方法是：选取航站楼内能够覆盖关键换乘、排队区域的监控摄像头，按固定间隔对这些监控摄像头采集的视频图像进行截图，每个截图作为一个时间切片，然后从每个时间切片中得到该时刻、该监控摄像头覆盖空间区域内的客流量，并对监控摄像头进行编号、排序，构造每一个时间切片内的客流量空间分布向量H，其分量分别为各个空间区域在每一个时间切片内的客流量。3.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法，其特征在于：在步骤2)中，所述的利用图论方法，结合航站楼内各个空间区域与设施分布特点，将上述步骤1)获得的空间区域信息简化为图结构数据，并构造区域邻接矩阵A的方法是：根据航站楼GIS地图，将步骤1)中的空间区域简化为节点，相邻的空间区域使用无向边相连，生成由节点和无向边组成的邻接拓扑图，所述邻接拓扑图中的节点为各个空间区域，无向边则代表各个空间区域之间的连接关系；根据步骤1)中监控摄像头对应的空间区域，对邻接拓扑图中的节点进行编号，创建两个维度都是节点编号的一个二维矩阵，若编号为i,j的两个空间区域相连，则在上述二维矩阵中，(i,j)元素对应的数值为1；若编号为i,j的两个空间区域不相连，则在上述二维矩阵中，(i,j)元素对应的数值为0，将标注了各个元素对应的数值后的二维矩阵作为区域邻接矩阵A。4.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法，其特征在于：在步骤3)中，所述的基于上述步骤1)获得的客流量空间分布向量H和步骤2)获得的区域邻接矩阵A，通过图卷积网络在图结构数据上进行图卷积操作，获得空间特征向量的方法是：
将步骤2)中获得的图结构数据表示为G＝(V,E)，其中，为节点，E为一组无向边，区域邻接矩阵A∈R
N
×
N
，设度矩阵D可表示为那么图卷积的计算公式为：式中，为具有自连接的区域邻接矩阵，其中为单位矩阵；H
(l)
∈R
N
×
D
为第l层网络的激活值，H
(0)
为初始客流量时间分布向量；W
(l)
为第l层网络的权重矩阵；每次输入图卷积网络的数据为从待预测时刻开始过去T个时刻的数据；最后经全连接层进行整合而得到空间特征向量。5.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法，其特征在于：在步骤4)中，所述的将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中，提取出航站楼内待预测时刻未来T
′
个时刻的客流量特征矩阵Y1的方法是：4.1.将第t个时刻的空间特征向量与上一个时刻门控循环单元的的状态分别经过线性变换后相加，经Sigmoid激活函数处理，得到值域为(0,1)的更新门z
t
的值：z
t
＝σ(W
(z)
x
t
+U
(z)
h
t-1
)
ꢀꢀ
(2)式中，σ为Sigmoid激活函数，x
t
为第t个时刻的空间特征向量，W
(z)
为第t个时刻的空间特征向量x
t
的权重系数，h
t-1
为第t-1个时刻门控循环单元的状态，U
(z)
为第t-1个时刻门控循环单元的状态h
...

【专利技术属性】
技术研发人员：张红颖，贾驰，李彪，邢志伟，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：