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CN115204477A的中国专利技术专利公开了一种上下文感知图递归网络的自行车流量预测方法，该方法使用模式约束聚类方法将独立的停靠站聚类成组，每个停靠站组是一个功能区域，统计每个区域停靠站的自行车进出流量，并获取天气数据作为外部信息；采用上下文感知图递归网络构建基于区域的自行车流量预测模型，包括由上下文感知图递归单元组成的编码器和解码器，每个单元通过将上下文嵌入层和自适应图生成器集成到门控递归单元GRU中，并将GRU中的线性变换层替换为自适应图卷积形成；将训练好的预测模型部署在共享单车管理系统上。
[0004]上述方法缺乏对各区域间潜在因果关系的挖掘。在图卷积的消息传递过程中，会在非因果关联区域间引入空域虚假相关性的影响，从而大大降低了模型预测的准确性。

技术实现思路

[0005]基于现有技术中的不足，本专利技术提出了从因果视角下提升预测的准确性。由于自行车流量具有复杂、高维的特点，将因果理论应用于预测任务。本专利技术提出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，以此构建节点间的因果传递矩阵，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。
[0006]本专利技术的技术方案具体如下：一种基于空域因果传递的自行车流量预测方法，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。
[0007]优选的，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。
[0008]优选的，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。
[0009]优选的，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个时段内所有区域的原因嵌入矩阵，为第t个时段内所有区域的结果嵌入矩阵，为第t个时段内的区域嵌入向量维度；第t个时段内的因果传递过程如下：其中，为可学习的权重矩阵；第t个时段内的时空因果特征提取如下：其中，，为基于先验知识构建的距离图所对应的邻接矩阵，表示各区域间的距离关系，其中第i行，第j列的元素为区域i与区域j的距离，为基于先验知识构建的交互图所对应的邻接矩阵，表示各区域间的交互关系，其中第i行，第j列的元素为区域i到区域j的自行车流量与区域i内自行车流量的比值，，，且，是图卷积网络权重。
[0010]优选的，所述因果传递矩阵具有向无环限制如下：
其中I为单位矩阵，表示矩阵的迹。
[0011]优选的，所述自行车订单信息包括：单车编号、出发经度、出发纬度、到达经度、到达纬度、出发时间、到达时间和行程时间。
[0012]优选的，所述预测单元利用堆叠的全连接层和Relu激活函数生成预测结果，如下式：其中，表示预测结果，为第Q个时段内提取的时空因果特征，为可学习的参数矩阵。
[0013]优选的，所述深度学习神经网络训练使用多目标损失函数，如下式：其中，为控制平衡的超参数，表示总损失函数，表示预测损失。
[0014]相比于现有技术，本专利技术的有益效果在于：本专利技术中所提出的基于空域因果传递的自行车流量预测方法，基于城市区域内的历史自行车流量数据，利用单独的门控循环单元提取时域特征，并建立可学习的空间因果传递矩阵，同时利用区域间距离和交互量先验知识，构建相应的图结构作为归纳偏置，将时域特征转化为时空因果特征，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。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。
[0016]图1是本专利技术基于空域因果传递的自行车流量预测方法流程图。
[0017]图2是本专利技术实施例1中的预测结果图。
具体实施方式
[0018]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本专利技术的实施例及实施例中的特征可以相互组合。
[0019]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。
[0020]本专利技术提供了一种基于空域因果传递的自行车流量预测方法，如图1所示，具体包括以步骤：步骤1：通过共享单车平台获取一定时段内的共享单车订单信息，订单信息包括以下八种数据：单车编号、出发经度、出发纬度、到达经度、到达纬度、出发时间、到达时间、行程时间。接着对订单信息进行标准化处理，可依据所在城市分区划分为N个区域，去除骑行时间以及骑行距离异常的订单数据，统计各区域内Q个不同时段的自行车流量。
[0021]步骤2：建立包括空域因果传递本文档来自技高网...

【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：