【技术实现步骤摘要】
一种基于自适应图学习的公共交通客流预测方法及系统
[0001]本专利技术涉及一种基于自适应图学习的公共交通客流预测方法及系统，属于公共交通管理
技术介绍
[0002]公共交通客流具有较大波动，如果能提前预测客流信息，能为公交车辆调度提供决策依据，有利于提高公共交通运行效率、改善城市交通环境。
[0003]随着深度学习算法的广泛应用，基于图神经网络的时空模型在公共交通客流预测任务中取得了显著的效果，已经成为当前研究热点。然而，实际公共交通路网的拓扑结构错综复杂，节点间的依赖关系难以准确量化，这为构建可靠有效的关系图带来了极大的挑战。在当前阶段，基于图神经网络的时空预测网络模型往往存在两大缺陷：其一，实际路网的结构一般是不确定的，而预定义的关系矩阵依赖于专家经验且不够准确，这会阻碍网络对数据空间特征的提取；其二，对于包含图学习模块的网络模型，端到端的训练无法较好地引导参数的学习方向，这使得生成的图结构意义不明确，对预测性能的提升也十分有限。这是因为，对于除图学习模块外的其它网络模块，其可参数训练依赖于准确的图结...
【技术保护点】
【技术特征摘要】
1.一种基于自适应图学习的公共交通客流预测方法，其特征在于，包括：基于当前关系矩阵，训练预测网络，得到预测网络的最优参数；所述预测网络以公交线路历史客流量为输入，以公交线路未来预测时段的客流量为输出；所述关系矩阵是指描述公交线路之间关系类型的邻接矩阵构成的矩阵，邻接矩阵为关系矩阵的一个子图；基于当前关系矩阵和当前图学习模块学习参数，生成新的邻接矩阵；基于训练后的预测网络最优参数和生成的新的邻接矩阵对公交线路客流量进行预测，并计算新的预测误差；基于新的预测误差，新的邻接矩阵及当前关系矩阵对图学习模块进行训练，得到图学习模块最优学习参数，并以此更新当前图学习模块学习参数；基于新的邻接矩阵，更新当前关系矩阵，再次训练预测网络；以此循环，迭代训练，直至达到结束条件，得到最优的关系矩阵；基于最优的关系矩阵采用训练好的预测网络对公交线路客流量进行预测。2.根据权利要求1所述的一种基于自适应图学习的公共交通客流预测方法，其特征在于，采用公交线路客流量分布的Spearman相关系数表示描述公交线路之间关系类型的邻接矩阵。3.根据权利要求1所述的一种基于自适应图学习的公共交通客流预测方法，其特征在于，所述预测网络采用扩散卷积递归神经网络，基于注意力的时空卷积网络或时态图卷积网络。4.根据权利要求3所述的一种基于自适应图学习的公共交通客流预测方法，其特征在于，所述训练预测网络，包括：基于当前关系矩阵及公交线路历史客流量，采用预测网络对未来预测时段客流量进行预测，得到：其中，为公交线路客流量预测值，P为预测模型，X为输入的公交线路历史客流量，Θ为预测网络参数；基于预测结果计算预测损失：其中，为预测损失，Y为公交线路客流量真实值，|
·
|1为L1损失函数；采用Adam优化算法和预测损失训练预测网络，得到最优的预测网络参数。5.根据权利要求4所述的一种基于自适应图学习的公共交通客流预测方法，其特征在于，所述基于当前关系矩阵和当前图学习模块学习参数，生成新的邻接矩阵，包括：于，所述基于当前关系矩阵和当前图学习模块学习参数，生成新的邻接矩阵，包括：于，所述基于当前关系矩阵和当前图学习模块学习参数，生成新的邻接矩阵，包括：于，所述基于当前关系矩阵和当前图学习模块学习参数，生成新的邻接矩阵，包括：
其中，A
new
为生成的新的邻接矩阵，A为当前关系矩阵，D1，D2为对角矩阵，为对角矩阵D1对角线上的元素，为对角矩阵D2对角线上的元素，Λ∈R
N
为图学习模块学习参数，N为公交线路个数，F0为预定义维度，Diag(Λ)为Λ的对角化矩阵，∈∈(0，1)为超参数，ReLU为线性整流函数，当前关系矩阵表示为：其中，A
k
为第k种关系类型对应的邻接矩阵，每个邻接矩阵为关系矩阵的一个子图，N
r
为子图的数量。6.根据权利要求5所述的一种基于自适应图学习的公共交通客流预测方法，其特征在于，所述基于新的预测误差，新的邻接矩阵及当前关系矩阵对图学习模块进行训练，包括：基于新的预测误差，新的邻接矩阵及当前关系矩阵计算图损失：ΔA＝ReLU[Π(...
【专利技术属性】
技术研发人员：朱凤华，张伟，郑奎，李崇，
申请(专利权)人：中科领航智能科技苏州有限公司，
类型：发明
国别省市：
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。