【技术实现步骤摘要】
本专利技术涉及大数据挖掘和交通工程领域，具体为一种基于动态时空超图表示学习的城市峰时需求预测方法及系统。
技术介绍
1、城市峰时od(origin-destination)出行是城市出行活动的主要组成部分，预测峰时od需求变化在交通工程和城市规划领域具有重要性。当前，现有技术和专利主要集中在全时段的od需求预测上。由于某些特殊时段(如早晚高峰)的od需求波动较大，为了追求整体的预测效果，现有模型往往牺牲了这些关键时段预测的精度，导致预测模型无法有效预测这些时段的交通需求，进而影响交通控制和管理决策的效率和准确性。
2、此外，od需求预测不仅涉及时间上的变化，也与空间因素紧密相关。现有的许多预测模型基于普通图结构进行时空预测，这在仅考虑路网和出行量变化时能够提供较好的预测结果。然而，od需求的变化受到多种因素的影响，包括特殊od区域、poi(兴趣点)信息、天气状况以及工作日时间信息等。这些因素在传统的时空图特征中难以全面体现，原因在于普通图结构通常只能表示二元关系，而实际上，od需求的形成是一个多元复杂因素交互作用的结果。例如，天气状况可能同时影响多个区域的出行模式，而工作日时间信息则与整个城市的出行需求紧密相关。因此，需要一种更为复杂的数据结构来表示这种多元关系，并在此基础上进行准确的预测。
3、综上所述，现有的od需求预测方法在处理特殊时段和综合多元因素方面存在明显的局限性，迫切需要一种能够精准捕捉城市峰时交通需求变化和多元因素交互影响的预测方法。
技术实现思路>
1、为解决现有od需求预测方法在处理城市峰时交通需求和多元因素交互影响方面的局限性等技术问题，本专利技术提供基于动态时空超图表示学习的城市峰时需求预测方法。
2、本专利技术的基于动态时空超图表示学习的城市峰时需求预测方法，所述方法包括如下步骤：
3、s1、搜集和清洗城市峰时od需求预测数据；
4、s2、构建时空动态加权超图；
5、s3、构建城市峰时od需求预测模型，完成城市峰时需求预测。
6、进一步地，s2具体包括如下步骤：
7、确定动态加权超图基础结构；将天气信息动态嵌入节点v；将od出行数据动态融入超边e；计算超图gh的超边权重w和度。
8、进一步地，将天气信息动态嵌入节点，具体包括如下步骤：
9、步骤2-2-1：确定天气状态ct和强度it
10、不同时段t的天气状态ct包括：晴朗、多云、雾霾、雨、雪；
11、不同时段t天气状态ct强度it包括：轻微、中等和重度；
12、步骤2-2-2：将天气信息嵌入至节点v的属性
13、将步骤2-2-1确定的不同路网分区v的天气状态和强度分别使用两个嵌入层econd(ct)和eint(it)进行编码，从而转化成数值特征向量，并随着步长动态加载至节点v的属性。
14、进一步地，将od出行数据动态融入超边e，具体包括如下步骤：
15、步骤2-3-1：构建od出行峰时记录矩阵。
16、借助城市路网的拓扑结构，使用dijkstra算法重建od记录中的每次出行路线，并以路网分区标号为列，每条出行记录为行，构建od出行记录的0-1矩阵hod，
17、
18、其中，m代表出行记录的总数，n代表路网分区的总数。hm,n表示第m条od出行记录是否经过第n个路网分区。如果经过，则hm,n＝1；否则，hm,n＝0；
19、步骤2-3-2：计算hod矩阵的汉明距离矩阵hhan
20、使用汉明距离衡量od出行峰时记录矩阵hod，其汉明距离矩阵hhan的计算公式如下：
21、
22、其中，hhan(i,j)表示第i行和第j行之间的汉明距离，n是列的数量，hod(i,k)和hod(j,k)分别是hod矩阵中第i行和第j行在第k列的值；
23、步骤2-3-3：聚类od出行记录矩阵hod
24、聚类hod
25、根据数据大小设定分层聚类阈值th，应用ward方法对步骤2-2-1得到的od出行峰时记录矩阵hod进行层次聚类；
26、分类求和hod
27、按照聚类结果，对hod矩阵元素分类求和，并将每个聚类后的求和结果作为一个超图gh的超边e。
28、进一步地，计算超图gh的超边权重w和度，具体包括如下步骤：
29、步骤2-4-1：计算超图gh的加权关联矩阵hve
30、在超图gh中，顶点v与超边e之间的加权关联程度使用加权关联矩阵hve表示；矩阵hve元素hve的计算公式如下：
31、
32、步骤2-4-2：训练超边权重w
33、超图gh的超边权重矩阵w是由每个超边e的权重we构成；we是借助深度学习方法，通过分析步骤2-4-1得到加权关联矩阵hve和时间特征训练所得；
34、步骤2-4-3：计算超图的度
35、超图gh的度包括顶点v的度和超边e的度，分别表示顶点的连接强度和超边的覆盖范围；
36、顶点v的度是连接到该顶点的所有超边权重we之和，计算公式如下：
37、
38、其中，e表示超边，we表示超边e的权重，hve是顶点v与超边e之间的关联程度；
39、超边e的度是指该超边连接的顶点数量，其计算公式如下：
40、
41、其中，v是顶点，hve是顶点v与超边e之间的关联程度。
42、进一步地，s3具体包括如下步骤：
43、步骤3-1定义超图空间卷积模块
44、定义超图拉普拉斯矩阵δ，超图拉普拉斯矩阵δ计算公式如下：
45、
46、定义超图卷积层，超图卷积层的定义为：
47、
48、其中，x(l)表示第l层的顶点特征矩阵，θ(l)表示第l层的可学习参数矩阵。
49、进一步地，s3具体包括如下步骤：
50、s3-2定义超图时间卷积模块
51、为有效提取时间特征并允许特征的并行处理，在时间块内采用了三层卷积神经网络序列，每层cnn通过独立的卷积运算，以更高效的架构识别时间依赖性；时间特征的提取公式如下：
52、xl+1＝σ(σ(θ1·xl+σ(θ2·xl))+θ3·xl)
53、其中，σ式非线性激活函数，xl和xl+1是od出行数据的时间特征，θ1、θ2和θ3是卷积核。
54、进一步地，s3具体包括如下步骤：
55、s3-3定义数据融合模块
56、通过指定的时间和空间块提取后的特征，使用融合过程集成，以封装网络中的综合时空依赖性，数据融合机制的数学表示如下：
57、x＝σ(concat(xod_temp·θ1,xod_spat·θ2,xhour·θ3,xdow·θ4,xwea本文档来自技高网...
【技术保护点】
1.一种基于动态时空超图表示学习的城市峰时需求预测方法，所述方法包括如下步骤：
2.根据权利要求1所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，S2具体包括如下步骤：
3.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，将天气信息动态嵌入节点，具体包括如下步骤：
4.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，将OD出行数据动态融入超边E，具体包括如下步骤：
5.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，计算超图Gh的超边权重W和度，具体包括如下步骤：
6.根据权利要求1所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，S3具体包括如下步骤：
7.根据权利要求1所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，S3具体包括如下步骤：
8.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，S3具体包括如下步骤：p>
9.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，S3具体包括如下步骤：
10.一种基于动态时空超图表示学习的城市峰时需求预测系统，其特征在于，包括一计算机模块，该模块应用权利要求1至9任一项所述的基于动态时空超图表示学习的城市峰时需求预测方法。
...【技术特征摘要】
1.一种基于动态时空超图表示学习的城市峰时需求预测方法，所述方法包括如下步骤：
2.根据权利要求1所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，s2具体包括如下步骤：
3.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，将天气信息动态嵌入节点，具体包括如下步骤：
4.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，将od出行数据动态融入超边e，具体包括如下步骤：
5.根据权利要求2所述的基于动态时空超图表示学习的城市峰时需求预测方法，其特征在于，计算超图gh的超边权重w和度，具体包括如下步骤：
6....
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。