【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 ...
【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)
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。