一种旅客提前进站时间预测方法、系统及设备和介质技术方案

本申请公开了一种旅客提前进站时间预测方法包括：融合特征构建步骤：基于构建的旅客画像获得旅客个体特征向量，并根据构建的铁路产品画像获得列车特征向量；利用图神经网络实现旅客特征与旅客社交关系按实际交互次数所得权重以及图注意力机制计算的权重比例相互融合后，构建旅客社交关系网络；预测模型构建步骤：将旅客个体特征向量及旅客社交关系网络的特征向量输入图注意力网络层进行训练后，与列车特征向量以及上车站特征向量进行聚合，得到最终的聚合特征向量，以构建旅客提前进站时间预测模型；提前进站时间预测步骤：将旅客提前进站时间的离散化分类标签输入旅客提前进站时间预测模型中，获得不同的旅客的提前进站时段的预测。本申请还公开了一种旅客提前进站时间预测系统。时间预测系统。时间预测系统。

【技术实现步骤摘要】
一种旅客提前进站时间预测方法、系统及设备和介质


[0001]本申请涉及一种时间预测方法，特别涉及旅客提前进站时间预测方法及其系统。

技术介绍

[0002]当前，准确的预测铁路客运站每个时间点的到站人数是动态调整站内基础设施配置以及提前设计站内客流组织方案的有效方式之一。但是，目前了解到的关于铁路旅客提前进站时间的研究成果中，主要通过电信运营商的基站定位的区域客流进行统计，获取每个时间点的铁路站内旅客数量，并以此为训练模型并预测站内旅客人群，但是由于旅客出行特点的不同以及车站的不同，旅客的提前进站时间是不同，该方案忽略了旅客和车站的基本特征，并且增加了铁路的运营成本。自铁路实名制售票以来，已经积累了大量的旅客出行数据，可以360对对旅客进行画像，构建旅客出行特征以及旅客之间的出行关系；另外，自铁路客运电子票全路推广以来，能够准确的获取铁路旅客的进站时间，检票时间等信息，能够准确的获取旅客的历史出行的提前到站时间，对旅客提前进站时间预测模型的构建具有重要的研究及参考意义。
[0003]目前常见的站内人数预测方法主要采用时序模型基于历史站内人数进行预测，但是，忽略了旅客的出行特征以及社交关系网络，旅客从出行需求的产生，路径规划，出行时间以及出行方式的选择并非孤立的进行决策的，除了受自身偏好以及交通环境的影响外，还受其所处的社交环境的影响。无论是城市内短距离出行还是城市间的长距离出行，社交都是出行目的的重要组成部分，运输领域社交关系是旅客出行中人与人连接和交互的纽带，也是社交网络中信息传播的基础。
[0004]因此，亟需提出一种通过分析旅客进站检票记录，发现旅客的提前进站时间主要与旅客的出行特征、上车站，以及所乘坐车次的特征有关系，构建旅客画像，产品画像，分析旅客的出行的关系，将旅客的社交关系融入的旅客的出行特征中，预测旅客未出行行为的提前进站时间，以解决如何精确预测旅客的提前进站时间，实现站内人数的预估，有效识别站内高峰客流方面所面临的现有技术的问题。

技术实现思路

[0005]本申请实施例提供了一种旅客提前进站时间预测方法，以解决如何精确预测旅客的提前进站时间，实现站内人数的预估，有效识别站内高峰客流方面所面临的现有技术的问题。本申请方法将旅客的社交关系融入到旅客提前进站时间的预测中。
[0006]第一方面，本申请实施例提供了一种旅客提前进站时间预测方法包括：
[0007]融合特征构建步骤：基于构建的旅客画像获得旅客个体特征向量，并根据构建的铁路产品画像获得列车特征向量；利用图神经网络实现所述旅客特征与旅客社交关系融合后，构建旅客社交关系网络，所述社交关系包括：购票关系，同行关系及积分受益关系，所述融合为：基于旅客社交关系计算所得的实际权重以及图注意力机制计算所得的预测权重按比例相互融合；
[0008]预测模型构建步骤：将所述旅客个体特征向量及所述融合旅客社交关系网络的特征向量输入多角度特征融合层进行训练后，与列车特征向量以及上车站特征向量进行聚合，得到最终的聚合特征向量，以构建旅客提前进站时间预测模型；
[0009]提前进站时间预测步骤：将旅客提前进站时间的离散化分类标签输入旅客提前进站时间预测模型中，获得不同的旅客的提前进站时段的预测。
[0010]优选的，上述融合特征构建步骤包括：
[0011]旅客画像构建步骤：基于旅客静态数据和动态数据以不同的数据维度对旅客进行刻画，静态数据为人口自然属性，动态数据为旅客出行过程中产生的一系列行为记录；
[0012]产品画像构建步骤：基于铁路客运产品构建产品标签体系，产品标签体系包括：基础属性、交互行为、适配场景及产品价值。
[0013]优选的，上述融合特征构建步骤还包括：
[0014]基于交互行为的社交关系实际权重计算步骤：针对待预测目标旅客及其相邻节点交互行为，分别根据旅客购票关系序列计算旅客购票关系实际权重，根据旅客同行关系序列计算旅客同行关系实际权重，根据旅客积分受益关系序列计算旅客积分受益关系实际权重。
[0015]优选的，上述预测模型构建步骤包括：
[0016]特征向量集生成步骤：分别针对待预测目标旅客及其相邻节点的购票关系图、同行关系图及积分收益关系图，将待预测目标旅客及其相邻节点的特征向量集输入图注意力网络层；
[0017]图注意力系数计算步骤：采用激活函数，输入购票关系图、同行关系图及积分收益关系图的共享参数及目标节点与邻居节点在购票关系图、同行关系图及积分收益关系图中的重要性参数，计算获得任意两个相邻节点之间的图注意力系数；
[0018]目标节点特征计算步骤：基于图注意力系数，计算融合邻居节点特征的待预测目标旅客节点特征；
[0019]线性组合计算步骤：将图注意力系数进行归一化处理后，计算图注意力系数对应特征的线性组合，作为每个节点的最终输出特征向量；
[0020]特征融合步骤：基于任意两个相邻节点之间的图注意力系数，待预测目标旅客融合邻居节点，采用K平均方法分别计算购票关系特征融合向量、出行关系特征融合向量及积分受益关系特征融合向量。
[0021]优选的，上述预测模型构建步骤还包括：
[0022]多角度特征融合步骤：构建特征融合层，基于所述旅客购票关系实际权重以及注意力机制计算的预测权重、旅客同行关系实际权重以及注意力机制计算的预测权重，及旅客积分受益关系实际权重以及注意力机制计算的预测权重对所述购票关系特征融合向量、所述出行关系特征融合向量及积分受益关系特征融合向量与旅客个体特征向量进行多角度特征融合。
[0023]优选的，上述提前进站时间预测步骤包括：
[0024]抽样步骤：针对待预测旅客节点的邻居节点进行抽样，基于相邻节点个数，采用预设抽样规则进行抽样，输出旅客群体类别标签；
[0025]抽样规则为：当相邻节点个数小于等于预定值，将所有节点作为社交关系网络节
点；当相邻节点个数大于预定值，分别针对购票次数，乘车次数进行分类，并且针对每一个分类基于次数排序，按照预定比例进行区间划分，对每一个区间内的邻居节点按照比例进行抽取邻居节点，邻居样本个数为各比例抽取邻居节点的和。
[0026]将旅客群体类别标签输入提前进站时间预测模型，输出为待预测旅客的提前进站时段。
[0027]优选的，上述旅客购票关系实际权重计算公式为：
[0028][0029]其中，b
k
为购票张数，gt
k
为购票时间，atp
j
[k]为单位公里票价，w
g
[k]为旅客i为旅客j第k次购票的权重，ct为当前日期，ft为样本数据最早日期，购票关系权重具有时间敏感性，随着时间窗口的增加衰减；
[0030]旅客同行关系实际权重计算公式为：
[0031][0032]其中，c
k
为同行人数，t
k
为乘车时间，w
c
[k]为旅客i为旅客j第k次同行的权重；
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旅客提前进站时间预测方法，其特征在于，所述方法包括：融合特征构建步骤：基于构建的旅客画像获得旅客个体特征向量，并根据构建的铁路产品画像获得列车特征向量；利用图神经网络实现所述旅客特征与旅客社交关系融合后，构建旅客社交关系网络特征向量，所述社交关系包括：购票关系，同行关系及积分受益关系，所述融合为：基于旅客社交关系计算所得的实际权重以及图注意力机制计算所得的预测权重按比例相互融合；预测模型构建步骤：将所述旅客个体特征向量及所述旅客社交关系网络特征向量输入多角度特征融合层进行训练后，与所述列车特征向量以及上车站特征向量进行聚合，得到最终的聚合特征向量，以构建旅客提前进站时间预测模型；提前进站时间预测步骤：将旅客提前进站时间的离散化分类标签输入所述旅客提前进站时间预测模型中，获得不同的旅客的提前进站时段的预测。2.根据权利要求1所述旅客提前进站时间预测方法，其特征在于，所述融合特征构建步骤包括：旅客画像构建步骤：基于旅客静态数据和动态数据以不同的数据维度对旅客进行刻画，所述静态数据为人口自然属性，所述动态数据为旅客出行过程中产生的一系列行为记录；产品画像构建步骤：基于铁路客运产品构建产品标签体系，所述产品标签体系包括：基础属性、交互行为、适配场景及产品价值。3.根据权利要求2所述旅客提前进站时间预测方法，其特征在于，所述融合特征构建步骤还包括：基于交互行为的社交关系实际权重计算步骤：针对待预测目标旅客及其相邻节点交互行为，分别根据旅客购票关系序列计算旅客购票关系实际权重，根据旅客同行关系序列计算旅客同行关系实际权重，根据旅客积分受益关系序列计算旅客积分受益关系实际权重。4.根据权利要求3所述旅客提前进站时间预测方法，其特征在于，所述预测模型构建步骤包括：特征向量集生成步骤：分别针对待预测目标旅客及其相邻节点的购票关系图、同行关系图及积分收益关系图，将待预测目标旅客及其相邻节点的特征向量集输入图注意力网络层；图注意力系数计算步骤：采用激活函数，输入购票关系图、同行关系图及积分收益关系图的共享参数及目标节点与邻居节点在购票关系图、同行关系图及积分收益关系图中的重要性参数，计算获得所述任意两个相邻节点之间的图注意力系数；目标节点特征计算步骤：基于所述图注意力系数以及基于交互行为的社交关系实际权重，计算融合所述邻居节点特征的待预测目标旅客节点特征；线性组合计算步骤：将所述图注意力系数进行归一化处理后，计算所述图注意力系数对应特征的线性组合，作为每个节点的最终输出特征向量；特征融合步骤：基于所述任意两个相邻节点之间的图注意力系数，所述待预测目标旅客融合所述邻居节点，采用K平均方法分别计算购票关系特征融合向量、出行关系特征融合向量及积分受益关系特征融合向量。5.根据权利要求4所述旅客提前进站时间预测方法，其特征在于，所述预测模型构建步
骤还包括：多角度特征融合步骤：构建特征融合层，基于所述旅客购票关系实际权重以及注意力机制计算的预测权重、旅客同行关系实际权重以及注意力机制计算的预测权重，及旅客积分受益关系实际权重以及注意力机制计算的预测权重对...

【专利技术属性】
技术研发人员：郝晓培，单杏花，王洪业，游雪松，张军锋，阎志远，朱颖婷，孟歌，吕晓艳，武晋飞，易先炀，李仕旺，张立涛，李永，周姗琪，孔德越，张圣，李祯怡，毛子今，谭思伦，
申请(专利权)人：中国国家铁路集团有限公司中国铁道科学研究院集团有限公司，
类型：发明
国别省市：