【技术实现步骤摘要】
本专利技术属于交通预测，具体涉及一种基于时空图常微分方程的地铁客流量预测方法。
技术介绍
1、随着国民经济的快速发展，城市交通拥堵问题成为一种常见现象，给环境、经济和安全等方面带来很多负面影响。为了缓解交通拥堵问题，人们开始选择多样化的交通出行方式，地铁作为公共交通之一，凭借其安全性、准时性、高速性、舒适性和环保性逐渐成为很多城市居民首选公共交通方式。然而，由于乘坐地铁人数不断增加，地铁运营部门面临巨大压力。因此，准确、及时、快速预测地铁客流量对于提高地铁运行效率和服务质量都至关重要。一方面，它为出行者提供实时有效信息，帮助他们规划、选择最佳的交通方式和路径，从而实现客流的合理分配，缓解拥堵问题。另一方面，通过客流量预测结果，地铁运营单位可以及时调整运输方案，精准匹配运力，做好应对大客流量的预警和应急工作，提高乘客的出行体验和安全性。
2、近几年，深度学习的发展为地铁客流量预测的研究工作提供了崭新思路。liu等人充分考虑空间拓扑信息和历史乘客数据构建了物理-虚拟协作图网络，可以有效地从虚拟和物理图中学习复杂的乘车模式。chen等将图卷积网络和堆叠的双向单向长短期记忆网络结合，有效地预测深圳、上海和杭州地铁客流量。ou等首次将时间卷积新型变体trellisnet运用到地铁客流量预测任务。zhang等人提出了基于transformer的模型来同时捕获时空依赖性。
3、然而，预测地铁网络交通的挑战性主要源于其复杂的时空相关性。地铁网络存在复杂且长期的时空依赖关系，这意味着每个节点不仅仅影响同一时刻的其他节点，还
技术实现思路
1、为解决上述问题，本专利技术提供了一种基于时空图常微分方程的地铁客流量预测方法，旨在解决目前地铁客流量预测长期以来面临的问题，主要包括地铁网络客流量复杂的时间相关性和空间相关性难以建模以及现有图神经网络在提升感受野和堆叠网络层数之间的矛盾。
2、为了解决以上技术问题，本专利技术提供如下技术方案：
3、首先，本专利技术提出一种基于时空图常微分方程的地铁客流量预测方法，包括如下步骤：
4、步骤1，采集、处理地铁历史afc数据，根据空间拓扑信息和地铁客流量数据构建一组时空关系图，将获取到的客流量表示为图信号x∈rn×f，具体包括如下子步骤：
5、步骤1-1，采集历史地铁afc数据，并对原始数据进行预处理，将获取到的客流量表示作为模型输入x∈rn×f，其中f为每个节点的特征数；
6、步骤1-2，利用空间拓扑信息构建地理邻接图，将节点和其直接地理邻居之间的权重设置为1，其它设置为0；
7、步骤1-3，利用历史客流量数据构建语义相似图，利用动态时间归整方法计算节点之间的历史客流量相似性，根据一定选择策略选择相似度最高的部分节点作为语义邻居，将节点和语义邻居之间的权重设置为节点相似度权重，其它设置为0；
8、步骤1-4，利用历史客流数据构建语义相关图，利用起点-目的地分布，通过来构建全局相关矩阵，其中，d(i，j)表示整个训练集中从j站进入到i站的乘客总数，之后利用选择策略来进行边构建，将节点和其语义邻居之间的权重设置为相关度权重，其它设置为0；
9、步骤2，根据步骤1获取到的客流量表示和时空关系图组作为模型输入，馈入到时空层，通过时序模块来获取节点的动态多尺度时间依赖性，得到一个隐含历史客流变化特征的隐藏状态z，具体包括如下子步骤：
10、步骤2-1采用时序自注意力，即残差多头自注意力机制，以捕捉节点之间的动态时间依赖关系。这里将每个时空层中的时序自注意力模块输出的注意力分数和上一时序自注意力层得到的注意力分数相加得到最终输出，通过结合浅层和深层的时间依赖，达到增强不同时空层中时序自注意力之间的连接的效果，同时还降低了梯度消失的风险，计算公式如下：
11、
12、
13、其中，是第l-1层时空层所提取的时空特征，作为第l层时空层的输入(n为记录节点，t为时间步长)。是用于获得q(l)，k(l)，v(l)∈r(l-1)×t×d的可学习参数矩阵d代表超参数维度，d＝32。另外，使用多头注意力机制联合学习不同子空间的依赖性，将来自时序注意力的多头输出串联起来，然后将其输入到完全连接层中，获得时空注意力模块的最终输出：
14、
15、o＝[o(1)，o(2)，…，o(h)]
16、z＝layernorm(linear(reshape(o))+x′)
17、步骤2-2，时序卷积模块，采用空洞inception模块，通过公式将不同卷积核大小的空洞卷积进行横向拼接，达到既能提取各种不同尺度的时间模式的目的。其中，z∈rt表示输入，表示具有ω个不同卷积核[k1，k2，…kω]的滤波器，并引入了门控结构，通过ξi＝σ(ξ′1，i)⊙μ(ξ′2，i)控制时间卷积网络的信息流，其中，σ表示sigmoid激活函数，μ表示tanh激活函数；
18、步骤2-3，引入残差连接获得时序模块的最终输出ht，增强特征传递；
19、步骤3，图常微分模块，通过基于张量的常微分方程将残差连接的图卷积表示为连续的图卷积网络，减轻图神经网络中常见的过平滑问题，并通过增加图卷积网络的深度来扩大空间感受野以获得更深层次的时空依赖关系。以下为图常微分方程的定义：
20、
21、其中，hl∈rn×t×f表示为1层节点隐嵌入的时空张量，×i表示为模态i上的张量矩阵乘法，a为正则化邻接矩阵，u为时间变换矩阵，w为特征变换矩阵，h0为图神经网络初始输入，等式展开为：
22、
23、以上残差结构可以表示为连续的常微分网络，并将展开方程视为变量i从0到n上的黎曼和，即
24、
25、其中，当n→∞时，上式可以表示为如下积分：
26、
27、对两端微分得到：
28、
29、由上述微分方程易得到图常微分方程网络的通用形式
30、步骤4，重复步骤2时序模块得到新的隐藏状态ht；
31、步骤5，迭代步骤2～4，并通过跳跃连接将每层时空层的隐藏状态传递到输出层，获得最终预测结果。
32、作为本专利技术的进一步技术方案，步骤5中的输出层采用两个带有relu激活函数的前馈神经网络层。
33、本专利技术还提出一种电子系统，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术所提出的方法。
34、最后，本文档来自技高网...
【技术保护点】
1.一种基于时空图常微分方程的地铁客流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1具体包括如下子步骤：
3.根据权利要求2所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1-2中的地理邻接图即对地铁站之间的直接邻接关系进行编码，将节点和其直接地理邻居之间的权重设置为1，否则为0。
4.根据权利要求2所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1-2中的语义相似图，通过动态时间归整方法计算节点之间的历史客流量相似性，根据一定选择策略选择相似度最高的部分节点作为语义邻居，权重设置为节点之间的相似性大小，其它为0。
5.根据权利要求2所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1-2中的语义相关图，具体利用起点-目的地分布，即通过公式来构建语义相关矩阵，其中，D(i，j)表示整个训练集中从j站进入到i站的乘客总数，之后利用选择策略来进行边构建，权重设置为节点之间的相关性大小，否则为0。p>
6.根据权利要求2所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，步骤2具体包括如下子步骤：
7.根据权利要求1所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，在步骤3中，基于张量的常微分方程表示为：
8.根据权利要求1所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤5中的输出层采用两个带有ReLU激活函数的前馈神经网络层。
9.一种电子系统，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，其特征在于，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任意一项所述的方法。
10.一种存储有计算机指令的计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-8任意一项所述的方法。
...【技术特征摘要】
1.一种基于时空图常微分方程的地铁客流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1具体包括如下子步骤：
3.根据权利要求2所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1-2中的地理邻接图即对地铁站之间的直接邻接关系进行编码，将节点和其直接地理邻居之间的权重设置为1，否则为0。
4.根据权利要求2所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1-2中的语义相似图，通过动态时间归整方法计算节点之间的历史客流量相似性，根据一定选择策略选择相似度最高的部分节点作为语义邻居，权重设置为节点之间的相似性大小，其它为0。
5.根据权利要求2所述的基于时空图常微分方程的地铁客流量预测方法，其特征在于，所述步骤1-2中的语义相关图，具体利用起点-目的地分布，即通过公式来构建语义相关矩阵，其中，d(i，j)表示整个训练集中从j站进入到...
【专利技术属性】
技术研发人员：王可颐，司清华，詹纪超，舒华忠，孔佑勇，
申请(专利权)人：东南大学，
类型：发明
国别省市：
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。