【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
)< ...
【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:
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。