一种基于张量-矩阵耦合的地铁客流量预测方法技术

本发明专利技术公开了一种基于张量

【技术实现步骤摘要】
一种基于张量
‑
矩阵耦合的地铁客流量预测方法


[0001]本专利技术属于交通预测领域，具体涉及一种基于张量
‑
矩阵耦合的地铁客流量预测方法
。

技术介绍

[0002]随着城市的快速建设与发展，城市交通出行受到越来越多的关注
。
地铁是城市轨道交通的重要组成部分，也是一种绿色出行工具
。
从地铁
IC
卡数据中可以提取
OD
对（
origin
‑
destination pairs
）数据，
OD
对数据即地铁任意两个站点之间的客流量，这为地铁双向客流量预测提供了数据基础
。
[0003]地铁任意两个站点之间的客流量同步预测是一项具有挑战性的工作，现有的研究主要应用矩阵分解和神经网络模型相结合的方法基于客流量矩阵进行预测
。
时间序列数据之间的线性关系可以采用基于矩阵分解的高阶加权动态模态分解等方法挖掘；地铁客流量矩阵数据之间的时空相关性可以采用将地铁系统建模成有向图合并到图卷积门控循环单元（
GCGRU
）中等方法挖掘
。
[0004]但是现有的地铁客流量预测方法存在以下问题：地铁流量数据之间的时空特征及其关联性挖掘并不充分；天气特征
、
城市功能区分布等对地铁客流量有显著影响的多源影响因素信息利用不足；基于神经网络的组合预测模型计算复杂度高
。

技术实现思路

>[0005]为了解决当前预测方法存在对地铁流量数据之间的时空特征挖掘不充分
、
多源影响因素信息利用不足以及模型计算复杂度高的问题，本专利技术提出了一种基于张量
‑
矩阵耦合的地铁客流量预测方法，通过引入时间维度将地铁客流量矩阵数据扩展成三阶地铁客流量张量，将天气特征矩阵和兴趣点矩阵作为辅助信息，降低了预测模型的计算复杂度，提高了地铁客流量预测结果的准确性
。
[0006]本专利技术的技术方案如下：一种基于张量
‑
矩阵耦合的地铁客流量预测方法，包括如下步骤：步骤
1、
获取地铁客流量数据
、
兴趣点数据
、
天气状况数据；步骤
2、
构建基于张量
‑
矩阵耦合分解的地铁客流量预测模型；步骤
3、
采用交替方向乘子法求解最优化模型，获得未来某个时间间隔内的地铁客流量预测值
。
[0007]进一步地，所述步骤1中，根据地铁刷卡数据中包含的乘客票卡号
、
交易时间
、
交易站点
、
交易类型信息提取不同地铁站点之间的客流量数据，将获取的地铁客流量数据定义为地铁客流量矩阵序列，其中是时间间隔，为地铁站的数量；中的元素表示第个时间间隔从第个地铁站到第个地铁站的客流量；将地铁客流量矩阵的对角线元素设为0；使用网络爬虫技术从高德地图
APP
中抓取地铁站点一公里范围内的不同兴趣点的
数据，将获取的兴趣点数据定义为兴趣点矩阵，其中为兴趣点的种类个数；中的元素表示第个地铁站周围第种兴趣点的个数；兴趣点包含学校
、
医院
、
商场
、
办公楼
、
住宅区；使用网络爬虫技术抓取天气网站上的天气状况数据，将天气状况数据定义为天气特征矩阵，其中为时间维度，为天气状况种类的个数；为一个二元指示矩阵，其中元素如下式所示：
(1)
；其中，表示第个时间间隔的第种天气情况
。
[0008]进一步地，所述步骤1中，将地铁客流量矩阵序列引入时间维度并扩展为三阶地铁客流量张量，其中，为天数
。
[0009]进一步地，所述步骤2构建基于张量
‑
矩阵耦合分解的地铁客流量预测模型的具体过程为：步骤
2.1、
将三阶地铁客流量张量使用张量分解算法分解为三个秩一张量和的形式，表示为，其中
、、
均为的因子矩阵，是张量分解算法分解的秩，表示外积运算；将张量沿第一模展开的矩阵为，此时张量分解算法分解的表达式简化为，其中符号为
Khatri
‑
Rao
积，为转置符号；步骤
2.2、
将兴趣点矩阵使用矩阵分解算法分解为两个小维度的矩阵，表示为，其中
、
均为的因子矩阵；步骤
2.3、
将天气特征矩阵使用矩阵分解算法分解为，其中
、
均为的因子矩阵；步骤
2.4、
将兴趣点矩阵
、
天气特征矩阵与地铁客流量张量分别在地铁站点维度和时间维度上进行耦合，分解时共用相应的因子矩阵，即
、
，以下均用
、
表示；因此，基于张量
‑
矩阵耦合分解的地铁客流量预测模型的目标函数表示为：
(2)
；其中，表示初始地铁客流量张量与张量分解算法分解得到的重构张量之间的平方误差；表示初始兴趣点矩阵与张量分解算法分解得到的重构矩阵之间的平方误差；表示初始天气特征矩阵与张量分解算法分解得到的重构矩阵之间的平方误差；步骤
2.5、
在目标函数中加入正则化项，基于张量
‑
矩阵耦合分解的地铁客流量预测模型优化为：
(3)
；其中，表示因子矩阵集合；
、、
均是正则化参数
。
[0010]进一步地，所述步骤3的具体过程为：根据公式
(4)
‑
公式
(8)
对
、、、、
五个因子矩阵进行更新迭代，直到达到设定的最大迭代次数停止，得到因子矩阵
、、
的最优解；最后通过计算公式得到补全缺失数据后的张量，即得到未来某个时间间隔内的地铁客流量的预测值；
(4)
；
(5)
；
(6)
；
(7)
；
(8)
；其中，为因子矩阵第次迭代后的值；为因子矩阵第次迭代后的值；为单位矩阵；为因子矩阵第次迭代后的值；为因子矩阵第次迭代后的值；为因子矩阵第次迭代后的值；为因子矩阵第次迭代后的值；为因子矩阵第次迭代后的值；为张量沿第二模展开的矩阵；为因子矩阵第次迭代后的值；为张量沿第三模展开的矩阵
。
[0011]本专利技术所带来的有益技术效果如下：针对当前预测方法对地铁客流量数据之间的时空特征及其关联性挖掘不充分的问题，提出通过引入时间维度将地铁客流量矩阵数据扩展成三阶地铁客流量张量，采用张量分解方法挖掘数据间的时空特征及其关联性；针对当前预测方法对影响因素信息利用不足的问题，采用数据挖掘方法生成天气特征矩阵和兴趣点矩阵优化预测模型；针对现有的基于神经网络的组合预测模型计算复杂度高的问题，提出将天气特征矩阵
、...

【技术保护点】

【技术特征摘要】
1.
一种基于张量
‑
矩阵耦合的地铁客流量预测方法，其特征在于，包括如下步骤：步骤
1、
获取地铁客流量数据
、
兴趣点数据
、
天气状况数据；步骤
2、
构建基于张量
‑
矩阵耦合分解的地铁客流量预测模型；步骤
3、
采用交替方向乘子法求解最优化模型，获得未来某个时间间隔内的地铁客流量预测值
。2.
根据权利要求1所述基于张量
‑
矩阵耦合的地铁客流量预测方法，其特征在于，所述步骤1中，根据地铁刷卡数据中包含的乘客票卡号
、
交易时间
、
交易站点
、
交易类型信息提取不同地铁站点之间的客流量数据，将获取的地铁客流量数据定义为地铁客流量矩阵序列，其中是时间间隔，为地铁站的数量；中的元素表示第个时间间隔从第个地铁站到第个地铁站的客流量；将地铁客流量矩阵的对角线元素设为0；使用网络爬虫技术从高德地图
APP
中抓取地铁站点一公里范围内的不同兴趣点的数据，将获取的兴趣点数据定义为兴趣点矩阵，其中为兴趣点的种类个数；中的元素表示第个地铁站周围第种兴趣点的个数；兴趣点包含学校
、
医院
、
商场
、
办公楼
、
住宅区；使用网络爬虫技术抓取天气网站上的天气状况数据，将天气状况数据定义为天气特征矩阵，其中为时间维度，为天气状况种类的个数；为一个二元指示矩阵，其中元素如下式所示：
(1)
；其中，表示第个时间间隔的第种天气情况
。3.
根据权利要求2所述基于张量
‑
矩阵耦合的地铁客流量预测方法，其特征在于，所述步骤1中，将地铁客流量矩阵序列引入时间维度并扩展为三阶地铁客流量张量，其中，为天数
。4.
根据权利要求3所述基于张量
‑
矩阵耦合的地铁客流量预测方法，其特征在于，所述步骤2构建基于张量
‑
矩阵耦合分解的地铁客流量预测模型的具体过程为：步骤
2.1、
将三阶地铁客流量张量使用张量分解算法分解为三个秩一张量和的形式，表示为，其中
、、
均为的因子矩阵，是张量分解算法分解的秩，表示外积运算；将张量沿第一模展开的矩阵...

【专利技术属性】
技术研发人员：孙秋霞，陈敬雨，李勍，赵建立，田润智，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：