一种考虑突发因素的城市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考虑突发因素的城市轨道交通短时客流预测方法。该方法包括：获取第T

【技术实现步骤摘要】
一种考虑突发因素的城市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，涉及一种考虑突发因素的城市轨道交通短时客流预测方法。

技术介绍

[0002]动态建模复杂的客流时空相关性是实现突发事件期间准确客流预测的关键问题。为实现突发事件期间精确的城市轨道交通短时客流预测，一些学者展开深入研究。
[0003]经分析，目前突发事件期间的客流预测方案存在以下缺陷：1)但现有模型一般基于预定义图展开建模，鲜有提出利用动态图思想捕捉客流的空间依赖性，导致模型预测效果不佳；2)现有大多数的深度学习模型在预测客流时仅考虑历史客流数据，事实上影响客流变化的因素很多，利用相关数据捕捉不同因素对客流的影响有利于提高预测的准确性，值得进一步研究。

技术实现思路

[0004]本专利技术的目的是克服上述现有技术的缺陷，提供一种考虑突发因素的城市轨道交通短时客流预测方法。该方法包括以下步骤：
[0005]获取第T
‑
1时段内的历史客流特征矩阵P
T
‑1，社交媒体矩阵S
T
‑1，突发确诊病例矩阵C
T
‑1以及城市轨道交通多重图网络G
b
；
[0006]利用构建的深度学习模型学习映射函数f并预测下一个时间步t的客流，表示为：
[0007]y
t
＝f(P
T
‑1，S
T
‑1，C
T
‑1，G
b
)<br/>[0008]其中，多重图网络被定义为S＝{s1，s2，...，s
n
}表示站点集合，n是站点数量，e
ij
∈E表示站点的虚拟边，A
b
是权重矩阵，B表示图结构的数量。
[0009]与现有技术相比，本专利技术的优点在于，借助优化的自注意力机制和自适应多图卷积结构，构建一种切实有效的深度学习框架，同时将突发事件期间客流数据、突发确诊病例、相关社交媒体数据量有机融合，以充分研究突发事件对客流变化的影响，捕捉客流动态复杂的时空特征，在满足短时客流预测“实时性”要求的同时，提高了突发事件期间客流的预测精度。
附图说明
[0010]图1是根据本专利技术一个实施例的考虑突发因素的城市轨道交通短时客流预测方法的流程图；
[0011]图2是根据本专利技术一个实施例的ST
‑
former模型的架构图；
[0012]图3是根据本专利技术一个实施例的Scalar Attention Embedding计算过程示意图；
[0013]图4是根据本专利技术一个实施例的客流局部特征图；
[0014]图5是根据本专利技术一个实施例的扩散因果卷积示意图；
[0015]图6是根据本专利技术一个实施例的多源数据融合模块示意图；
[0016]图7是根据本专利技术一个实施例的客流周期性表示示意图；
[0017]图8是根据本专利技术一个实施例的客流数据与突发事件相关数据对比示意图；
[0018]图9是根据本专利技术一个实施例的南宁地铁站点预测效果比较图；
[0019]附图中，Causal
‑
Convolution ProbSparse Attention(CPSA)
‑
基于因果卷积的自注意力机制；Adaptive Multi
‑
Graph Convolution Network(AMGCN)
‑
自适应多图卷积网络；Feature Extract Block
‑
特征提取模块；Temporal Convolution Block
‑
时间卷积模块；Multi
‑
source Data Fusion
‑
多源数据融合模块；Encoder
‑
编码器；Decoder
‑
解码器；Fully
‑
Connection Layer
‑
全连接层；Social Media
‑
社交媒体；Confirmed cases
‑
确诊病例；Passenger Flow Matrix
‑
客流矩阵。
具体实施方式
[0020]参见图1所示，所提供的考虑突发因素的城市轨道交通短时客流预测方法总体上包括：步骤S110，获取第T
‑
1时段内的历史客流特征矩阵，社交媒体矩阵，突发确诊病例矩阵以及城市轨道交通多重图网络；步骤S120，利用构建的深度学习模型学习映射函数，以融合客流数据、社交媒体数据和突发确诊病例数据，预测下一个时间步的客流信息。在下文的描述中，首先定义所要解决的科学问题，进而介绍所提出的深度学习框架ST
‑
former。
[0021]一、问题定义
[0022]本专利技术旨在利用历史AFC(自动售检票系统)数据及其他可靠数据源，借助深度学习模型，预测突发事件期间城市轨道交通全网车站的短时进站流。
[0023]定义一(客流矩阵)：AFC数据主要包括以下信息：乘客ID卡卡号，乘客到达时间，乘客到达站点；乘客离开时间；乘客离开站点。已知车站n在时刻t
‑
1到时刻t的所有乘客出行信息，共包含ts个时间段(时间步)，p
n
(t)表示车站n在第t个时间段内统计的客流量，定义如下的客流矩阵：
[0024][0025]其中，P
T
∈R
N
×
TS
表示在第T个时段城市轨道交通网络各个车站观察到的进站流，N表示城市轨道交通网络站点个数，TS表示第T个时段内包含的时间步。例如，以历史12个时间步的客流数据预测下一时间步的客流Y
t
。
[0026]定义二(社交媒体数据矩阵)：给定突发事件期间相关社交媒体数据和确诊病例数据，s
n
(t)和c
n
(t)可以定义为车站n在第T个时段的统计量(相关社交媒体数据量以及确诊病例数)。需要注意的是，在本文中，假设社交媒体数据和确诊病例数据对每个地铁站点的影响一致，且社交媒体数据和确诊病例数据的观测时段与客流数据的时段保持一致，社交媒体数据矩阵S
T
、突发确诊数据矩阵C
T
与客流特征矩阵PT形状相同。
[0027]定义三(多重图结构)：基于特定的领域知识(拓扑、相似度等)，构造多个图来表示地铁站点间的各种空间关系。这些图被定义为地铁站点间的各种空间关系。这些图被定义为其中S＝{s1，s2，...，s
n
}表示站点集合，n是地铁站点数量，e
ij
∈E表示站点的虚拟边。为表示地铁网络不同空间特征，定义了权重矩阵A
b
，B表示图结构的数量。例如，考虑了三种空间关系，分别为
物理连接性、功能相似本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑突发因素的城市轨道交通短时客流预测方法，包括以下步骤：获取第T
‑
1时段内的历史客流特征矩阵P
T
‑1，社交媒体矩阵S
T
‑1，突发确诊病例矩阵C
T
‑1以及城市轨道交通多重图网络G
b
；利用构建的深度学习模型学习映射函数f并预测下一个时间步t的客流，表示为：y
t
＝f(P
T
‑1，S
T
‑1，C
T
‑1，G
b
)其中，多重图网络被定义为S＝{s1,s2,
…
,s
n
}表示站点集合，n是站点数量，e
ij
∈E表示站点的虚拟边，A
b
是权重矩阵，B表示图结构的数量。2.根据权利要求1所述的方法，其特征在于，所述深度学习模型是基于编码器
‑
解码器的框架，编码器和解码器均由多个相同的子层堆叠，每个子层间采用残差连接，其中：在编码器中，每个子层包含基于因果卷积的自注意力机制模块，自适应多图卷积网络和特征提取模块，该基于因果卷积的自注意力机制模块用于学习所述历史客流矩阵的时间特征，该自适应多图卷积网以自适应方式动态学习所述城市轨道交通多重图网络的空间特征，该特征提取模块用于融合所述时间特征和所述空间特征，获得融合矩阵；在解码器中，每个子层包含带有掩码的基于因果卷积的自注意力机制模块，规范化的自注意力机制模块和时间卷积模块，该带有掩码的基于因果卷积的自注意力机制模块用于对解码器输入序列的时间依赖性进行建模，该规范化的自注意力机制模块用于将编码器的输出与解码器的输入进行融合，该时间卷积模块连接所述规范化的自注意力机制模块，用于捕捉客流动态长时的全局时间依赖性；解码器的输出连接到全连接层，该全连接层用于接收来自多源数据融合模块的输出，以融合所述社交媒体矩阵和所述突发确诊病例矩阵，进而将解码器输出的客流数据特征映射至样本空间以获取预测值。3.根据权利要求2所述的方法，其特征在于，其中，所述深度学习模型采用Scalar Attention Embedding模块执行嵌入操作，包括以下步骤：利用二维卷积核将所述历史客流特征矩阵映射至d
model
维，以获得嵌入特征矩阵其中TS表示在时段t内的时间步，N表示城市轨道交通网络站点数目；沿嵌入特征矩阵的通道轴使用平均池化和最大池化，并将平均池化结果和最大池化结果连接以生成特征图；针对所获得的特征图，使用卷积层生成空间注意力图针对所获得的特征图，使用卷积层生成空间注意力图用以编码特征是否强调或抑制；使用元素相乘法将空间注意力图映射至嵌入特征矩阵中，该过程利用广播机制沿通道轴扩展空间注意力图的维度，整体计算过程表示为：其中，...

【专利技术属性】
技术研发人员：张金雷，杨立兴，章树鑫，徐猛，李克平，李小红，高自友，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：