【技术实现步骤摘要】
本专利技术涉及城际客运规划，具体而言，涉及一种城际往返客运的多区域需求预测方法、装置、设备和介质。
技术介绍
1、目前，城际客运拼车正在逐渐兴起，它通过网约车辆对每一位拼车乘客进行门对门服务，缓解了坐短途高铁的不便和打的城际出行的费用贵的问题。按照街道级行政区域划分的城际出行需求预测对提高城际交通系统的运营效率具有重要作用。准确的需求预测是实现城际出行供需平衡的基础。城际拼车平台通过提前预测出行需求，能够灵活地预配置或重定位车辆，以满足潜在乘客的需求，从而提高车辆利用率。
2、基于历史需求来预测未来两个城市每个街道级区域的需求，以解决城际往返客运的街道级多区域需求预测问题。该问题面临的挑战主要在于城市内和城际间区域复杂的时空依赖性：
3、在空间依赖性方面，城际多区域预测不仅涉及城市内相邻区域和非相邻区域的出行需求相互影响，还包括另一个城市区域的出行需求相互影响；
4、在时间依赖性方面，城际多区域预测不仅与各自城市内的历史需求趋势和周期等相关联，还会随时间变化的另一城市到达各自城市的历史需求相关联。
5、目前，现有的多区域需求预测模型基本集中在单一城市内或采用规则网格划分区域，但现实生活中的行政区域多是不规则的网格，因此对城际间往返客运的街道级不规则多区域需求预测暂未有较好的解决方案。
6、有鉴于此，申请人在研究了现有的技术后特提出本申请。
技术实现思路
1、本专利技术旨在提供一种城际往返客运的多区域需求预测方法、装置、设备
2、为解决上述技术问题，本专利技术通过以下技术方案实现：
3、一种城际往返客运的多区域需求预测方法，其包含：
4、s1,获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列,其中所述需求城市是往返两城市中的一个；
5、s2,根据需求城市时间片段内的历史需求特征，建立需求城市多区域的邻接矩阵图，并采用图注意力网络深度学习模型，学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重，得到归一化后的城市内注意力权重，根据所述城市内注意力权重对相邻节点的特征进行加权线性和，并更新当前节点，获得需求城市新节点特征，从而得到需求城市内图特征；
6、s3,根据往返两城市时间片段内的历史需求特征，建立城际间多区域的全连接矩阵图，并采用图注意力网络深度学习模型，学习城际间各区域节点两两之间的关系权重，得到归一化后的城际间注意力权重，根据所述城际间注意力权重对相邻节点的特征进行加权线性和，并更新当前节点，获得城际间新节点特征，从而得到城际间图特征；
7、s4,将所述需求城市内图特征和所述城际间图特征进行拼接，以矩阵块的形式作为门控循环单元的输入，同时引入注意力机制，学习和捕捉时空序列的变化规律，获得需求城市各区域在当前时间步长的隐藏状态；
8、s5,将所述需求城市所有区域的特征向量和所述需求城市的时间信息特征序列进行两层非线性变换，采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息，同时采用层归一化函数对每一层的输出进行标准化，使得每层的输出均值为零、方差为一,获得需求城市每个区域自身的时间特征向量；
9、s6,将所述需求城市各区域在当前时间步长的隐藏状态和所述需求城市每个区域自身的时间特征向量进行非线性变换，输出需求城市各区域下一时间步的需求总人数，将所述需求城市各区域下一时间步的需求总人数送入多区域需求预测模型中，同时通过构建固定时间步的数据集，将需求城市的区域关系矩阵图、往返两城市的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列作为多区域需求预测模型的输入，对多区域需求预测模型参数进行学习训练与优化，得到训练好的多区域需求预测模型，以根据所述训练好的多区域需求预测模型对城际往返客运的多区域需求进行预测。
10、优选地，定义城市a和城市b分别代表往返出行的两个城市，城市a为需求城市，则在所述s1中：
11、需求城市a的区域关系矩阵图表达式为：
12、
13、其中，表示城市a所有街道级区域的节点集合，城市a的节点总数为，是城市a节点的边集合，是城市a的相邻矩阵，表示城市a内各区域之间的空间相关性，是城际间的相关矩阵图，表示城市a与往返城市b各区域之间的空间相关性，其中表示仅包含0和1的二维矩阵，0表示对应行和列的两个区域不相邻，1表示对应行和列的两个区域相邻；
14、则城市a时间片段内的所有街道级区域的历史需求特征，即城市a时间片段内的历史需求特征，表达式为：
15、
16、表示城市a在第个时间片段内所有街道级区域的历史需求特征，其中，表示城市a的街道级区域表示城市a在第个时间片段内区域的历史需求序列；
17、，表示城市a的时片段需求，由预测时间片段内的已预约需求与过去3小时内的需求组成；
18、，表示城市a的日片段需求，由过去3天同一预测时间片段的需求组成；
19、，表示城市a的周片段需求，由过去3周同一预测时间片段的需求组成；
20、表示区域在第个时间片段内的需求总人数，表示每个时间片段的间隔；
21、则城市b时间片段内的所有街道级区域的历史需求特征，即城市b时间片段内的历史需求特征，表达式为：
22、
23、其中，表示城市b在第个时间片段内所有街道级区域的历史需求特征，，表示城市b的街道级区域，表示城市b所有街道级区域的节点集合；
24、其中，，表示城市b的周片段需求，由过去3周的累计需求总人数组成，表示城市b的区域第个时间片段到第个时间片段为止的累计需求总人数;
25、则城市a所有区域的特征向量表达式为：
26、
27、其中，，表示区域的特征向量，为餐饮服务数量，为购物服务数量，为生活服务数量，为政府机构数量，为教育培训数量，为公司企业数量；
28、则城市a在第个时间片段的时间信息特征序列表示为：
29、，
30、其中，为小时类别，平峰值为0，高峰值为1；为星期类别，星期一至星期日分别值为0到6；是节假日类别，节假日开始的前一天法定工作日值为0，节假日值为1，节假日结束的后一天法定工作日值为2，其它法定工作日值为3；为天气类别，非雨雪天值0，雨雪天值为1。
31、优选地，所述s2具体为：
32、s21,根据城市a时间片段内的历史需求特征，对每个节点特征，即城市a的每个区域，进行线性变换,建立城市a的邻接矩阵图；
33、s22,采用图注意力网络学习城市a的每个节点与相邻节点之间的关联权重,对城市本文档来自技高网...
【技术保护点】
1.一种城际往返客运的多区域需求预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的城际往返客运的多区域需求预测方法，其特征在于,定义城市A和城市B分别代表往返出行的两个城市，城市A为需求城市，则在所述S1中：
3.根据权利要求2所述的城际往返客运的多区域需求预测方法，其特征在于,所述S2具体包括：
4.根据权利要求3所述的城际往返客运的多区域需求预测方法，其特征在于,所述S3具体包括：
5.根据权利要求4所述的城际往返客运的多区域需求预测方法，其特征在于,所述S4具体包括：
6.根据权利要求5所述的城际往返客运的多区域需求预测方法，其特征在于,所述S5具体包括：
7.根据权利要求6所述的城际往返客运的多区域需求预测方法，其特征在于,所述S6具体包括：
8.一种城际往返客运的多区域需求预测装置，其特征在于，包括：
9.一种城际往返客运的多区域需求预测设备，其特征在于，包括处理器以及存储器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1-7
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如权利要求1-7任意一项所述的一种城际往返客运的多区域需求预测方法。
...【技术特征摘要】
1.一种城际往返客运的多区域需求预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的城际往返客运的多区域需求预测方法，其特征在于,定义城市a和城市b分别代表往返出行的两个城市，城市a为需求城市，则在所述s1中：
3.根据权利要求2所述的城际往返客运的多区域需求预测方法，其特征在于,所述s2具体包括：
4.根据权利要求3所述的城际往返客运的多区域需求预测方法，其特征在于,所述s3具体包括：
5.根据权利要求4所述的城际往返客运的多区域需求预测方法，其特征在于,所述s4具体包括：
6.根据权利要求5所述的城际往返客运的多区域需求预测方法，其特征在于,所述s5具体包括：...
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。