一种交通出行量数据处理方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种交通出行量数据处理方法、装置、设备及存储介质，所述方法包括：获取城域网内各个历史时间段对应的第一交通出行量数据；根据所述第一交通出行量数据以及时间移位图卷积模型，确定特征矩阵，其中，所述时间移位图卷积模型用于捕获时空相关性；根据所述特征矩阵以及第一时间循环神经网络，确定目标隐藏状态；根据所述目标隐藏状态以及全连接层，确定预测时间段的交通出行量。能够根据第一交通出行量数据，准确确定预测时间段的交通出行量。出行量。出行量。

【技术实现步骤摘要】
一种交通出行量数据处理方法、装置、设备及存储介质


[0001]本专利技术涉及交通出行量数据处理
，尤其涉及一种交通出行量数据处理方法、装置、设备及存储介质。

技术介绍

[0002]客流预测在交通运输中扮演着关键角色，有助于监测系统的性能并优化运营策略以提高服务质量。预测短期乘客需求和交通出行量客流是重要的信息，前者指的是特定时间内进出车站的乘客总数或在出租车服务中上下车地点和时间内的请求数量，后者指的是在一段时间内在始发地和目的地地点之间旅行的乘客总数。
[0003]过去的研究中已经提出了许多使用统计模型的方法来进行短期乘客需求预测，例如时间序列预测方法、ARIMA模型及其变体和基于卡尔曼滤波器的方法。然而，统计模型的一个主要缺陷是假设乘客需求动态是静态和线性的，忽略了其时间序列的动态和非线性特征。
[0004]因此，如何提供一种交通出行量数据处理方法，实现轨道交通客流量的精确预测，成为了目前亟待解决的技术问题。

技术实现思路

[0005]本专利技术实施例提供一种交通出行量数据处理方法、装置、计算机设备及存储介质，能够提高交通出行量数据处理的准确性。
[0006]为了解决上述技术问题，本申请实施例提供一种交通出行量数据处理方法，包括以下步骤：获取城域网内各个历史时间段对应的第一交通出行量数据；根据所述第一交通出行量数据以及时间移位图卷积模型，确定特征矩阵，其中，所述时间移位图卷积模型用于捕获时空相关性；根据所述特征矩阵以及第一时间循环神经网络，确定目标隐藏状态；根据所述目标隐藏状态以及全连接层，确定预测时间段的交通出行量。
[0007]进一步地，所述第一交通出行量数据包括预设数量的历史流量数据，所述历史时间段对应的预设数量的历史流量数据，所述根据所述第一交通出行量数据以及时间移位图卷积模型，确定特征矩阵包括：对于每个所述第一交通出行量数据，将历史流量数据以及所述历史流量数据对应的时间移位相关矩阵，输入至时间移位图卷积模型，获得输出结果；将各个输出结果进行融合运算以及激活函数处理，获得特征矩阵。
[0008]进一步地，所述时间移位相关矩阵由下式表示： ，其中，为时间移位相关矩阵，城域网被定
义为具有N个节点的图，表示N个不同起止点间的交通出行量，引入两个相等长度的时间序列观测和，代表对一个起止点间的交通出行量的历史交通出行量需求，代表对另一个起止点间的交通出行量的历史交通出行量需求，cov是两个向量之间的协方差，var是向量的方差，s代表时间间隔，是滞后s时间间隔的时间序列，用表示；所述时间移位图卷积模型由下式表示：，其中，为在历史时间段t
‑
s，第一交通出行量数据中第个历史流量数据，为特征矩阵，，是单位矩阵，是的度矩阵，是时间移位图卷积模型中训练的层特定权重矩阵，是激活函数。
[0009]进一步地，所述根据所述特征矩阵以及第一时间循环神经网络，确定目标隐藏状态包括：所述第一交通出行量数据包括预设数量的历史流量数据，根据历史流量数据的时间顺序，在各个历史流量数据中确定时间最晚的目标历史流量数据；将所述特征矩阵与所述目标流量数据进行连接处理，以获得连接结果，并根据所述连接结果以及所述第一时间循环神经网络，确定目标隐藏状态。
[0010]进一步地，所述根据所述连接结果以及所述第一时间循环神经网络，确定目标隐藏状态包括：根据所述时间顺序，在未经过第一时间循环神经网络处理的连接结果中，将时间最早的连接结果输入至第一时间循环神经网络中，以获取隐藏状态以及单元状态；确定是否存在未经过第一时间循环神经网络处理的连接结果，若存在，则根据所述隐藏状态以及单元状态，更新所述第一时间循环神经网络；将更新后的第一时间循环神经网络作为第一时间循环神经网络，并返回执行步骤在未经过第一时间循环神经网络处理的连接结果中将时间最早的连接结果输入至第一时间循环神经网络；若不存在未经过第一时间循环神经网络处理的连接结果，则将所述隐藏状态作为目标隐藏状态。
[0011]进一步地，所述根据所述目标隐藏状态以及全连接层，确定预测时间段的交通出行量包括：获取历史日期对应的第二交通出行量数据、历史周期对应的第三交通出行量数据以及当前时间段部分观测到的交通出行量以及完全观测到的进站需求；根据所述目标隐藏状态、所述第二交通出行量数据和第二时间循环神经网络，计算所述历史日期对应的第一上下文向量；根据所述目标隐藏状态、所述第三交通出行量数据和第三时间循环神经网络，计算所述历史周期对应的第二上下文向量；
根据当前时间段部分观测到的交通出行量，对当前时间段的交通出行量进行估计，以获得第一估计值，并根据当前时间段部分观测到的交通出行量以及完全观测到的进站需求的平均比率，对当前时间段的交通出行量进行估计，以获得第二估计值；根据所述目标隐藏状态、所述第一上下文向量、所述第二上下文向量、所述第一估计值、所述第二估计值以及所述全连接层，确定预测时间段的交通出行量。
[0012]进一步地，所述根据所述目标隐藏状态、所述第二交通出行量数据和第二时间循环神经网络，计算所述历史日期对应的第一上下文向量包括：根据第二交通出行量数据的时间顺序，在未经过第二时间循环神经网络处理的第二交通出行量数据中将时间最早的第二交通出行量数据输入至第二时间循环神经网络，获取隐藏状态以及单元状态，并将所述隐藏状态添加至隐藏状态集；确定是否存在未经过第二时间循环神经网络处理的第二交通出行量数据，若存在，则根据所述隐藏状态以及单元状态，更新所述第二时间循环神经网络；将更新后的第二时间循环神经网络作为第二时间循环神经网络，并返回执行步骤在未经过第二时间循环神经网络处理的第二交通出行量数据中将时间最早的第二交通出行量数据输入至第二时间循环神经网络；若不存在，则根据所述目标隐藏状态、所述隐藏状态集以及注意力机制，确定所述历史日期对应的第一上下文向量。
[0013]为了解决上述技术问题，本申请实施例还提供一种交通出行量数据处理装置，包括：获取模块，用于获取城域网内各个历史时间段对应的第一交通出行量数据；第一确定模块，用于根据所述第一交通出行量数据以及时间移位图卷积模型，确定特征矩阵，其中，所述时间移位图卷积模型用于捕获时空相关性；第二确定模块，用于根据所述特征矩阵以及第一时间循环神经网络，确定目标隐藏状态；第三确定模块，用于根据所述目标隐藏状态以及全连接层，确定当前时间段的交通出行量。
[0014]为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0015]为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0016]本专利技术实施例提供的交通出行量数据处理方法、装置、计算机设备及存储介质，通过获取城域网内各个历史时间段对应的第一交通出行量数据，然后根据所述第一交通出行量数据以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通出行量数据处理方法，其特征在于，所述交通出行量数据处理方法包括：获取城域网内各个历史时间段对应的第一交通出行量数据；根据所述第一交通出行量数据以及时间移位图卷积模型，确定特征矩阵，其中，所述时间移位图卷积模型用于捕获时空相关性；根据所述特征矩阵以及第一时间循环神经网络，确定目标隐藏状态；根据所述目标隐藏状态以及全连接层，确定预测时间段的交通出行量;所述根据所述目标隐藏状态以及全连接层，确定预测时间段的交通出行量包括：获取历史日期对应的第二交通出行量数据、历史周期对应的第三交通出行量数据以及当前时间段部分观测到的交通出行量以及完全观测到的进站需求；根据所述目标隐藏状态、所述第二交通出行量数据和第二时间循环神经网络，计算所述历史日期对应的第一上下文向量；根据所述目标隐藏状态、所述第三交通出行量数据和第三时间循环神经网络，计算所述历史周期对应的第二上下文向量；根据当前时间段部分观测到的交通出行量，对当前时间段的交通出行量进行估计，以获得第一估计值，并根据当前时间段部分观测到的交通出行量以及完全观测到的进站需求的平均比率，对当前时间段的交通出行量进行估计，以获得第二估计值；根据所述目标隐藏状态、所述第一上下文向量、所述第二上下文向量、所述第一估计值、所述第二估计值以及所述全连接层，确定预测时间段的交通出行量。2.如权利要求1所述的交通出行量数据处理方法，其特征在于，所述第一交通出行量数据包括预设数量的历史流量数据，所述历史时间段对应的预设数量的历史流量数据，所述根据所述第一交通出行量数据以及时间移位图卷积模型，确定特征矩阵包括：对于每个所述第一交通出行量数据，将历史流量数据以及所述历史流量数据对应的时间移位相关矩阵，输入至时间移位图卷积模型，获得输出结果；将各个输出结果进行融合运算以及激活函数处理，获得特征矩阵。3.如权利要求2所述的交通出行量数据处理方法，其特征在于，所述时间移位相关矩阵由下式表示： ，其中，为时间移位相关矩阵，城域网被定义为具有N个节点的图，表示N个不同起止点间的交通出行量，引入两个相等长度的时间序列观测和，代表对一个起止点间的交通出行量的历史交通出行量需求，代表对另一个起止点间的交通出行量的历史交通出行量需求，cov是两个向量之间的协方差，var是向量的方差，s代表时间间隔，是滞后s时间间隔的时间序列，用表示；所述时间移位图卷积模型由下式表示：，其中，为在历史时间段t
‑
s，第一交
通出行量数据中第个历史流量数据，为特征矩阵，，是单位矩阵，是的度矩阵，W是时间移位图卷积模型中训练的层特定权重矩阵，是激活函数。4.如权利要求1所述的交通出行量数据处理方法，其特征在于，所述根据所述特征矩阵以及第一时间循环神经网络，确定目标隐藏状态包括：所述第一交通出行量数据包括预设数量的历史流量数据，根据历史流量数据的时间顺序，在各个历史流量数据中确定时间最晚的目标历史流量数据；将所述特征矩阵与所述目标流量数据进行连接处理，以获得连接结果，并根据所述连接结果以及所述第一时间循环神经网络，确定目标隐藏状态。5.如权利要求4所述的交通出行量数据处理方法，其特征在于，所述根据所述连接结果以及所述第一...

【专利技术属性】
技术研发人员：周新民，胡怀钰，袁涛，崔烨，贾啸宇，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：