基于时空图生成对抗损失的轨道交通短时客流预测方法技术

本发明专利技术公开了一种基于时空图生成对抗损失的轨道交通短时客流预测方法。该方法包括：将城市轨道交通网络定义为图；将客流量作为城市轨道交通网络中地铁站的属性特征，其中每个地铁站包含进站客流矩阵和出站客流矩阵作为特征值；通过训练深度学习模型学习映射函数，以利用在历史时刻各地铁站的特征值来预测未来时刻的客流，其中深度学习模型包括生成器网络和判别器网络，该生成器网络以多模式历史客流数据作为输入，用于捕获每个模式中客流的时间和空间相关性，并合并多模式的输出传递至所述判别器网络；所述判别器网络用于区分真实的客流量和生成器网络所预测的客流量。本发明专利技术在时空尺度的约束下提升了预测精度和效率，并降低了内存占用。低了内存占用。低了内存占用。

【技术实现步骤摘要】
基于时空图生成对抗损失的轨道交通短时客流预测方法


[0001]本专利技术涉及交通客流预测
，更具体地，涉及一种基于时空图生成对抗损失的轨道交通短时客流预测方法。

技术介绍

[0002]短期客流预测可以用于更好地管理城市轨道交通系统，并且对于乘客来说，准确预测城市轨道交通各站的进站量可以有效地帮助他们规划出行路线，从而节省出行时间和成本。目前，一些新兴的深度学习模型能够提高短期客流预测精度。然而，城市轨道交通系统中存在许多复杂的时空依赖关系，而现有模型只以真实值和预测值之间的绝对误差作为优化目标，没有考虑预测值的空间和时间约束。此外，现有的一些预测模型尽管引入了复杂的神经网络层来提高准确性，但忽略了它们的训练效率和内存占用，难以很好的应用于现实世界。
[0003]短期客流预测作为一个热门且非常重要的研究课题，已经经历了很长的历史。最传统的模型是基于统计的预测模型，如自回归模型(AR)，移动平均模型(MA)，自回归综合移动平均(ARIMA)等。但是，预测精度有待提高，一般不能满足实时性的要求。对于基于机器学习的模型，如支持向量机，随机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空图生成对抗损失的轨道交通短时客流预测方法，包括以下步骤：将城市轨道交通网络定义为图G＝(V,E,A)，其中V表示地铁站数量，地铁站与地铁站之间有E条边，A表示邻接矩阵，用于指示两个地铁站是否相邻；将客流量作为城市轨道交通网络中地铁站的属性特征，其中每个地铁站包含进站客流矩阵和出站客流矩阵作为特征值；通过训练深度学习模型学习映射函数f，以利用在时间t时所有地铁站的所有特征值来预测t+1时刻的客流量Y
t+1
，表示为：Y
t+1
＝f(X
t
)其中，X
t
表示在时间t时所有地铁站的所有特征值，所述深度学习模型包括生成器网络和判别器网络，该生成器网络以多模式历史客流数据作为输入，用于捕获每个模式中客流的时间和空间相关性，并合并多模式的输出传递至所述判别器网络；所述判别器网络用于区分真实的客流量和生成器网络所预测的客流量；映射函数f基于经训练的生成器网络获取。2.根据权利要求1是所述的方法，其特征在于，所述生成器网络包括门控时间卷积网络、权重共享图卷积神经网络以及全连接层，所述多模式历史客流数据被输入到门控时间卷积网络和权重共享图卷积神经网络的堆叠模块中，以捕获每种模式中客流的时间和空间相关性；所述全连接层用于合并多种模式的输出，并将其作为判别器网络的输入。3.根据权利要求2所述的方法，其特征在于，所述判别器网络包括空间判别器和时间判别器，其中，所述空间判别器由混合跳图乘法组件和全连接层组成，用于增强预测的空间约束；所述时间判别器由门控时间卷积网络和全连接层组成，用于增强预测的时间约束。4.根据权利要求2所述的方法，其特征在于，所述门控时间卷积网络包含第一分支和第二分支，其中第一分支是包含sigmoid门控激活函数的一维卷积神经网络，第而分支是包含双曲正切门控激活函数的一维卷积神经网络，第一分支和第二分支的输出由Hadmard乘积运算合并。5.根据权利要求3所述的方法，其特征在于，在训练所述深度学...

【专利技术属性】
技术研发人员：杨立兴，张金雷，李华，金广垠，李树凯，高自友，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：