一种考虑局部时空转移模式的轨道客流预测方法及系统技术方案

本发明专利技术涉及一种考虑局部时空转移模式的轨道客流预测方法及系统，属于轨道交通客流预测技术领域。本方法采用多尺度时空融合图卷积网络(Multi

【技术实现步骤摘要】
一种考虑局部时空转移模式的轨道客流预测方法及系统


[0001]本专利技术属于轨道交通客流预测
，涉及一种考虑局部时空转移模式的轨道客流预测方法及系统。

技术介绍

[0002]精准的客流预测是城市轨道交通系统高效运行的基础问题之一。然而受到交通数据中复杂的时空相关性和高度非线性的影响，精准的客流预测仍然是一件充满挑战性的任务。
[0003]全线网交通流多步预测任务有两大核心，即对时间相关性的建模与空间相关性的建模。现有的方法大多都是使用单独的模块分别对时间特征和空间特征进行建模，这类方法只能对当前时刻的空间特征进行建模，再对时间特征进行建模，无法同步捕获时空相关性。一些工作使用预定义的时空融合图结构来对时空相关性进行联合建模，但这种方法需要预先获取额外的先验信息来生成融合图，容易引入先验偏差，而且无法捕获轨道客流数据中潜在的时空转移特征。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种考虑局部时空转移模式的轨道客流预测方法及系统，采用多尺度时空融合图卷积网络(Multi
‑
Scaled Local Spatial
‑
Temporal Fusion Graph Neural Networks，简称MSL
‑
STF)模型，该模型通过局部时空融合图卷积模块，实现了对局部的时间相关性和空间相关性的同步建模，并结合残差连接和门控机制来对全局时间相关性建模。
[0005]为达到上述目的，本专利技术提供如下技术方案：
>[0006]定义1：轨道线网
[0007]整个城市轨道交通线网被定义为一张图其中每一个地铁站点被定义为图中的一个节点，站点之间的轨道连接线路被定义为边。是图中所有节点的集合表示，其中ε表示图中所有连接边的集合。A∈R
N
×
N
是图的邻接矩阵表示。
[0008]定义2：交通流数据
[0009]原始的轨道客流数据是通过智能卡自动售检票系统(Automatic Fare Collection System，简称AFC系统)收集的轨道进出站刷卡数据，其中包括了进出站的站点位置、进出时间、刷卡ID等信息，本专利技术中使用的数据集分别来自开源数据集与实验室私有数据集，最终处理后得到所有轨道站点的进站与出站客流数据。所有的交通客流数据可以表示为X＝{X1,X2...X
t
}∈P
T
×
N
×
d
，其中T表示所有的时间片的个数，即时间序列的总长度。则X
t
＝{X
t,1
,X
t,2
...X
t,N
}∈R
N
×
d
表示所有站点在时间步t的历史观测数据，每个时间步数据X
t
可以被视为一种图信号数据。对于轨道站点i在第t个时间间隔的客流量可以表示为X
t,i
∈R
d
。d表示客流数据的维度，即进站客流与出站客流。
[0010]定义3：轨道客流预测
[0011]轨道客流预测任务可以被理解为一种图信号时序预测问题。在本专利技术中，该问题被定义为通过学习找到一个映射函数f，其可以根据输入的前p个历史时间片图信号数据来预测未来的q个时间片的图信号数据。公式化表述如下：
[0012][0013]定义4：局部时空转移模式
[0014]如图1(a)是一种单独对时空数据的空间相关性建模的直观表现，体现了已有方法在对空间相关性建模时的信息聚合方式。同样的，图1(b)是一种单独对时空数据的时间相关性进行建模时，节点之间信息的聚合方式。此类方法在已有的交通预测场景中表现出了良好的效果，表明了对时空相关性进行建模的有效性。但在时空相关性中除了两个单独的时间和空间相关性之外，还存在着潜在的时空转移模式。在对轨道交通进出站客流预测的场景下，乘客的所有出行其实都是一次轨道站点之间的转移，即所有的进出站客流在实质上都是对乘客一次出行行程的记录，即是对一种时空转移模式的记录。假如一个人从站点进入，去往站点那么在数据上，当前时间片站点的进站客流与若干个时间片后的站点的出站客流之间就存在着一种潜在的关联关系，转移关系如图1(c)所示。常规时空建模方法很难有效捕获这种局部时空转移模式。
[0015]定义5：时空融合图卷积核
[0016]卷积运算是对信息的聚合操作，与之类似，本专利技术的时空融合图卷积操作，是通过对短时间域(1个小时内)内的空间节点的信息聚合，来显示建模轨道客流数据中存在的时空转移模式。经典的图卷积运算一般采用多个一阶切比雪夫多项式近似拉普拉斯矩阵的局部图卷积堆叠，但在本专利技术中，使用更为简单的矩阵乘法来替代传统的图卷积运算过程。而这个建模时空聚合信息的权重矩阵被称为时空融合图卷积核。
[0017]本专利技术提供的技术方案为：
[0018]一种考虑局部时空转移模式的轨道客流预测方法，该方法采用多尺度时空融合图卷积网络(Multi
‑
Scaled Local Spatial
‑
Temporal Fusion Graph Neural Networks，MSL
‑
STF)模型，通过时空融合图卷积对跨时间域的远距离空间特征进行直接聚合，以学习跨时间域的潜在空间转移关系，并通过多尺度时空特征融合增强特征捕获能力，具体包括以下步骤：
[0019]S1、将输入经过一个线性层特征升维，再将提取到的时间特征通过加和的方式进行嵌入到输入里面，作为每层模型的真正输入；
[0020]S2、提出局部时空融合模块Local
‑
STF，它可以自适应地对局部时间相关性与空间相关性进行同步地建模；同时，Local
‑
STF模块包含了多个不同卷积核组成的卷积和时空图卷积模块，分别捕获不同时间尺度的时空相关性，并将捕获的特征进行拼接，以增强对多时间尺度下的时空转移模式建模能力；
[0021]S3、使用门控时间卷积模块(Gated Time Convolution Neural Network，Gated TCN)来建模长时间尺度上的时间相关性；
[0022]S4、将每层的输入与经过时空特征提取模块后的输出进行残差连接，并归一化；将每层的输出通过跳跃连接进行加和，作为预测层的输入；预测层由两个线性层和激活函数构成；
[0023]S5、进行数据验证与评估，进行轨道客流预测。
[0024]进一步，在本方法中，所述多尺度时空融合图卷积网络模型包括：时间特征嵌入模块、局部时空融合模块、门控线性单元、预测层。
[0025]进一步，所述时间特征嵌入模块，使用独热编码来构造时间特征嵌入矩阵，再将时间特征嵌入矩阵进行维度扩张(扩张为所有节点)，得到时间特征嵌入张量；最后，把这些时间特征拼接到输入数据中，让模型自动去进行特征提取和使用。
[0026]进一步，所述局部时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑局部时空转移模式的轨道客流预测方法，其特征在于：该方法采用多尺度时空融合图卷积网络(Multi
‑
Scaled Local Spatial
‑
Temporal Fusion Graph Neural Networks，MSL
‑
STF)模型，通过时空融合图卷积对跨时间域的远距离空间特征进行直接聚合，以学习跨时间域的潜在空间转移关系，并通过多尺度时空特征融合增强特征捕获能力，具体包括以下步骤：S1、将输入经过一个线性层特征升维，再将提取到的时间特征通过加和的方式进行嵌入到输入里面，作为每层模型的真正输入；S2、提出局部时空融合模块Local
‑
STF，它可以自适应地对局部时间相关性与空间相关性进行同步地建模；同时，Local
‑
STF模块包含了多个不同卷积核组成的卷积和时空图卷积模块，分别捕获不同时间尺度的时空相关性，并将捕获的特征进行拼接，以增强对多时间尺度下的时空转移模式建模能力；S3、使用门控时间卷积模块(Gated Time ConvolutionNeural Network，Gated TCN)来建模长时间尺度上的时间相关性；S4、将每层的输入与经过时空特征提取模块后的输出进行残差连接，并归一化；将每层的输出通过跳跃连接进行加和，作为预测层的输入；预测层由两个线性层和激活函数构成；S5、进行数据验证与评估，进行轨道客流预测。2.根据权利要求1所述的一种考虑局部时空转移模式的轨道客流...

【专利技术属性】
技术研发人员：郑林江，李鹏，刘卫宁，
申请(专利权)人：重庆大学，
类型：发明
国别省市：