一种基于空域因果传递的自行车流量预测方法技术

本发明专利技术属于智能交通技术领域，公开了一种基于空域因果传递的自行车流量预测方法。该方法利用门控循环单元提取时域特征，并且设计了可学习的因果嵌入向量，以此构建区域间的因果传递矩阵，并利用区域间距离和交互量等先验知识，构建相应的图结构作为归纳偏置，进而通过空域因果传递过程，得到时空因果特征；最后通过预测模块输出预测结果。本发明专利技术的预测方法消除了非因果关联区域间的空域虚假相关性，有效地提升了自行车流量预测的准确性。地提升了自行车流量预测的准确性。地提升了自行车流量预测的准确性。

【技术实现步骤摘要】
一种基于空域因果传递的自行车流量预测方法


[0001]本专利技术属于智能交通
，尤其涉及一种基于空域因果传递的自行车流量预测方法。

技术介绍

[0002]共享自行车是城市发展智慧交通的重要组成部分，能够有效地缓解城市交通拥堵和减少能源消耗。而共享自行车的使用情况，即城市道路上的共享自行车流量预测是解决城市公共交通问题研究中的关键环节。有效的共享自行车流量预测可以为共享自行车平台提供路网整体的高维视角，从而科学规划租赁站点的选址和共享自行车数量的分配，减少道路交通拥堵与资源浪费。同时，共享自行车流量状态投射出城市人口流动状况，为城市交通资源调配提供了重要参考数据。
[0003]由于传统方法在自行车流量预测问题上效果较差，更多的研究者使用深度学习的方法进行预测。公告号为CN107045673B的中国专利技术专利公开了一种基于堆模型融合的公共自行车流量变化量预测方法，利用多源数据融合，分类构造多种特征类型，训练了多个基础模型，从不同角度构建了多个模型，而且也保证了基础模型之间存在一定的差异性，最后采用交叉验证的方式构造堆模型。公开号为C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空域因果传递的自行车流量预测方法，其特征在于，建立包括空域因果传递过程的深度学习神经网络，并基于所述深度学习神经网络实现自行车流量预测；所述深度学习神经网络包括多个堆叠的门控循环单元和空域因果传递单元，以及预测单元。2.根据权利要求1所述的自行车流量预测方法，其特征在于，所述自行车流量预测方法包括以下步骤：步骤一、从共享单车平台获取历史共享单车订单信息，依据城市分区将待预测范围分为N个区域，得到各个区域不同时段的历史自行车流量；步骤二、建立包括空域因果传递过程的深度学习神经网络；步骤三、采用步骤一获得的各个区域不同时段的自行车流量对深度学习神经网络进行训练和测试；步骤四、使用训练好的深度学习神经网络，基于待预测观测数据预测未来时段的自行车流量。3.根据权利要求2所述的自行车流量预测方法，其特征在于，所述门控循环单元根据已知混杂因素，引入POI数据集，统计各个区域的各类POI数量，形成POI特征矩阵，其中q表示所使用的POI类别总数，利用K
‑
means聚类算法将N个区域根据POI类别划分为q类，并提取各类区域的时域特征，拼接得到第t个时段内全部区域的时域特征。4.根据权利要求3所述的自行车流量预测方法，其特征在于，所述空域因果传递单元包括因果传递网络，所述因果传递网络基于以下因果传递矩阵构建：其中，为第t个时段...

【专利技术属性】
技术研发人员：邓攀，刘俊廷，裴赟昶，赵宇，汪慕澜，
申请(专利权)人：北京市西城区科学技术和信息化局北京市西城区大数据管理局，
类型：发明
国别省市：