基于双流图注意力网络的站点级共享单车流量预测方法技术

本发明专利技术公开了一种基于双流图注意力网络的站点级共享单车流量预测方法，属于交通流量预测领域，其步骤包括：1收集共享单车租赁数据并进行预处理，构建共享单车图结构数据集，并使用滑动窗口方法划分样本集；2搭建双流图注意力网络，网络结构包含全卷积升维模块、图自注意力模块，图交互注意力模块、时空卷积网络模块和全连接预测模块；3训练双流图注意力网络模型，优化模型参数；4利用训练好的双流图注意力网络模型预测未来一段时间内每个站点的共享单车进站与出站数量。本发明专利技术能充分提取共享单车进出站时空特征，并充分考虑了进站车流与出站车流的相互影响，从而能提升共享单车流量预测精度。量预测精度。量预测精度。

【技术实现步骤摘要】
基于双流图注意力网络的站点级共享单车流量预测方法


[0001]本专利技术公开了一种基于双流图注意力网络的站点级共享单车流量预测方法，属于交通流量预测领域。

技术介绍

[0002]共享单车的出现以及普便利了居民日常出行，大幅度改善了人们对于城市交通“最后一里路”的问题，其廉价的租赁服务以及大面积的投放深受消费者们的喜爱。而共享单车的流量预测的任务是利用各个共享单车站点的历史进站与出站单车数量，预测未来一段时间内各个站点的进出站单车数量，这是研究共享单车分布动态演化并对单车进行合理调度管理的关键技术，对于解决当前城市中共享单车分布不均匀的问题至关重要。
[0003]目前，一些机器学习方法，例如随机森林、支持向量机、人工神经网络和XGBoost等，已经广泛应用于共享单车的流量预测。然而这些方法难以处理当前海量的单车骑行数据，并且它们的预测效果非常依赖特征工程，具有严重的主观性。深度学习模型具有优越的表示学习能力和时空特征提取能力，在处理大规模的共享单车数据时可以从中提炼出隐含的深度时空特征，因此达到较好的模型表现。但是，考虑到共享单车在站点间流动的特性，站点的进站单车数量会受到其他站点出站单车数量的影响。现有的深度学习方法大多同时处理共享单车进站与出站数据，忽略了这种站点间进出站数量的交互影响，这会导致共享单车流量预测模型的准确率降低，同时也使得预测模型的运作机理较难解释。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种基于双流图注意力网络的站点级共享单车流量预测方法，该方法并行提取了共享单车的进站特征与出站特征，同时充分考虑了进站与出站共享单车之间的相互影响，从而提升站点级共享单车流量预测效果。
[0005]本专利技术为达到上述专利技术目的，采用以下技术方案：
[0006]本专利技术一种基于双流图注意力网络的站点级共享单车流量预测方法的特点在于，包括以下步骤：
[0007]步骤1，获取所有共享单车站点的进、出站车辆数据并进行预处理：
[0008]步骤1.1，获取共享单车的骑行记录，且每条骑行记录包含：初始站点、终止站点、开始时间、终止时间；
[0009]步骤1.2，根据预测的时间间隔，构建图结构数据集G，其中，第t个时间间隔的图结构数据记为G
(t)
＝(V
(t)
,A
(t)
,S
(t)
)，V
(t)
表示第t个时间间隔的共享单车站点集合，且A
(t)
＝[A
(t,in)
；A
(t,out)
]表示第t个时间间隔内各共享单车站点之间的邻接矩阵，其中，A
(t,in)
和A
(t,out)
分别表示第t个时间间隔的进站邻接矩阵和出站邻接矩阵；S
(t)
表示第t个时间间隔内所有共享单车站点特征，包括：所有共享单车站点的进站车辆数in
(t)
和所有共享单车站点的进站车辆数out
(t)
；
[0010]步骤1.3，设置滑动窗口的宽度为T，并通过滑动窗口对所述图结构数据集G进行划
分，得样本集D＝{(X
(1)
,Y
(1)
),(X
(2)
,Y
(2)
),
…
,(X
(n)
,Y
(n)
),
…
,(X
(N)
,Y
(N)
)}，其中，(X
(n)
,Y
(n)
)表示第n个样本，X
(n)
表示第n个历史数据，且X
(n)
＝{G
(n,1)
,G
(n,2)
,
…
,G
(n,t)
,
…
,G
(n,T)
}，G
(n,t)
＝(V
(t)
,A
(n,t)
,S
(n,t)
)表示历史数据X
(n)
中第t个时间间隔的图结构数据，A
(n,t)
表示历史数据X
(n)
中第t个时间段的邻接矩阵；在第n个历史数据X
(n)
的第t个时间间隔中，若有从站点j出站，从站点i进站的单车骑行记录，则令A
(n,t,in)
中第i行第j列的元素取值为1，令A
(n,t,out)
中第j行第i列的元素取值为1，否则，令和取值为0；且S
(n,t)
＝[in
(n,t)
,out
(n,t)
]表示第n个历史数据X
(n)
中第t个时间段所有共享单车站点的进站与出站特征；其中，in
(n,t)
表示第n个历史数据X
(n)
中第t个时间段所有共享单车站点的进站特征，out
(n,t)
表示第n个历史数据X
(n)
中第t个时间段所有共享单车站点的出站特征，Y
(n)
表示X
(n)
所预测的第n+1个时间间隔内所有共享单车站点的进、出站车辆数；n＝1,2,
…
,N，N为划分出的样本总数；
[0011]步骤2，搭建双流图注意力网络，包含：全卷积升维模块、图自注意力模块，图交互注意力模块、时空卷积网络模块和全连接预测模块；
[0012]步骤2.1，定义迭代次数为z，并初始化z＝1，迭代阈值为Z；初始化所述双流图注意力网络中的参数；
[0013]步骤2.2，将所述样本集D中第n个历史数据X
(n)
输入所述全卷积升维模块中进行处理，得到第z次迭代时第t个时间间隔内升维后的共享单车站点特征
[0014]步骤2.3，所述图自注意力模块分别对升维后的进站特征h
(z,n,t)
与出站特征进行处理，计算第z次迭代时第t个时间间隔内的融合图自注意力的进站特征与出站特征其中，和分别表示第z次迭代时第t个时间间隔内第u个共享单车站点融合图自注意力的进站特征与出站特征；
[0015]步骤2.4，所述图交互注意力模块根据第z次迭代时第t个时间间隔内的融合图自注意力的进站特征h
'(z,n,t)
和出站特征计算得到第z次迭代时第t个时间间隔内融合图交互注意力的进站特征与出站特征其中，和分别表示第z次迭代时第t个时间间隔内第u个共享单车站点融合图交互注意力的进站特征与出站特征；
[0016]步骤2.5，所述时空卷积网络模块将第z次迭代时所有时间间隔的融合图交互注意力的进站特征h”(z,n,t)
与出站特征合并为第z次迭代时的综合特征向量Η
(z,n)
后再进行处理，从而得到第z次迭代时的加权时空特征向量Η”(z,n)
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双流图注意力网络的站点级共享单车流量预测方法，其特征在于，包括以下步骤：步骤1，获取所有共享单车站点的进、出站车辆数据并进行预处理：步骤1.1，获取共享单车的骑行记录，且每条骑行记录包含：初始站点、终止站点、开始时间、终止时间；步骤1.2，根据预测的时间间隔，构建图结构数据集G，其中，第t个时间间隔的图结构数据记为G
(t)
＝(V
(t)
,A
(t)
,S
(t)
)，V
(t)
表示第t个时间间隔的共享单车站点集合，且A
(t)
＝[A
(t,in)
；A
(t,out)
]表示第t个时间间隔内各共享单车站点之间的邻接矩阵，其中，A
(t,in)
和A
(t,out)
分别表示第t个时间间隔的进站邻接矩阵和出站邻接矩阵；S
(t)
表示第t个时间间隔内所有共享单车站点特征，包括：所有共享单车站点的进站车辆数in
(t)
和所有共享单车站点的进站车辆数out
(t)
；步骤1.3，设置滑动窗口的宽度为T，并通过滑动窗口对所述图结构数据集G进行划分，得样本集D＝{(X
(1)
,Y
(1))
,(X
(2)
,Y
(2)
),
…
,(X
(n)
,Y
(n)
),
…
,(X
(N)
,Y
(N)
)}，其中，(X
(n)
,Y
(n)
)表示第n个样本，X
(n)
表示第n个历史数据，且X
(n)
＝{G
(n,1)
,G
(n,2)
,
…
,G
(n,t)
,
…
,G
(n,T)
}，G
(n,t)
＝(V
(t)
,A
(n,t)
,S
(n,t)
)表示历史数据X
(n)
中第t个时间间隔的图结构数据，A
(n,t)
表示历史数据X
(n)
中第t个时间段的邻接矩阵；在第n个历史数据X
(n)
的第t个时间间隔中，若有从站点j出站，从站点i进站的单车骑行记录，则令A
(n,t,in)
中第i行第j列的元素取值为1，令A
(n,t,out)
中第j行第i列的元素取值为1，否则，令和取值为0；且S
(n,t)
＝[in
(n,t)
,out
(n,t)
]表示第n个历史数据X
(n)
中第t个时间段所有共享单车站点的进站与出站特征；其中，in
(n,t)
表示第n个历史数据X
(n)
中第t个时间段所有共享单车站点的进站特征，out
(n,t)
表示第n个历史数据X
(n)
中第t个时间段所有共享单车站点的出站特征，Y
(n)

【专利技术属性】
技术研发人员：姚啸宇，冯家辉，刘和福，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：