CN114881330A - 一种基于神经网络的轨道交通客流预测方法及*** - Google Patents

一种基于神经网络的轨道交通客流预测方法及*** Download PDF

Info

Publication number
CN114881330A
CN114881330A CN202210498705.5A CN202210498705A CN114881330A CN 114881330 A CN114881330 A CN 114881330A CN 202210498705 A CN202210498705 A CN 202210498705A CN 114881330 A CN114881330 A CN 114881330A
Authority
CN
China
Prior art keywords
passenger flow
extraction channel
rail transit
data set
time sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210498705.5A
Other languages
English (en)
Inventor
王晨曦
张惠臻
潘玉彪
缑锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Original Assignee
Huaqiao University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaqiao University filed Critical Huaqiao University
Priority to CN202210498705.5A priority Critical patent/CN114881330A/zh
Publication of CN114881330A publication Critical patent/CN114881330A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了智慧交通技术领域的一种基于神经网络的轨道交通客流预测方法及***，方法包括：步骤S10、获取轨道交通的刷卡数据集以及轨道站点的邻接关系图，对刷卡数据集进行预处理得到进站客流数据集；步骤S20、基于邻接关系图以及进站客流数据集重构站点邻接关系；步骤S30、基于GCN构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，并通过Attent i on机制自适应分配一致性特征提取通道以及异质性特征提取通道所提取特征的权重；步骤S40、基于LSTM以及全连接层网络构建时序预测模型，对时序预测模型进行训练；步骤S50、将站点邻接关系输入时序预测模型，输出轨道交通客流预测结果。本发明的优点在于：极大的提升了轨道交通客流预测的精度。

Description

一种基于神经网络的轨道交通客流预测方法及***
技术领域
本发明涉及智慧交通技术领域，特别指一种基于神经网络的轨道交通客流预测方法及***。
背景技术
随着城市规模扩大，轨道交通发展成为中大型城市的主要公共出行方式；此背景下，城市轨道面临着巨大的客流压力和安保压力。因此，实时的客流预测对于决策者规划接驳线路，分担轨道交通压力等方面起到关键作用，预测实时客流可以通过可视化界面及时告知乘客以规避高峰期，减少安全隐患。
针对轨道交通客流的预测，传统上主要采用ARIMA线性模型、SVM浅层机器学习、CNN或者LSTM等基本的深度学习模型；然而，这些模型无法充分认识并提取数据中的非线性时空特征，导致模型的预测精度较低。
因此，如何提供一种基于神经网络的轨道交通客流预测方法及***，实现提升轨道交通客流预测的精度，成为一个亟待解决的技术问题。
发明内容
本发明要解决的技术问题，在于提供一种基于神经网络的轨道交通客流预测方法及***，实现提升轨道交通客流预测的精度。
第一方面，本发明提供了一种基于神经网络的轨道交通客流预测方法，包括如下步骤：
步骤S10、获取轨道交通的刷卡数据集以及轨道站点的邻接关系图，对所述刷卡数据集进行预处理得到进站客流数据集；
步骤S20、基于所述邻接关系图以及进站客流数据集重构站点邻接关系；
步骤S30、基于GCN构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，并通过Attention机制自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重；
步骤S40、基于所述一致性特征提取通道以及异质性特征提取通道，通过LSTM以及全连接层网络构建时序预测模型，对所述时序预测模型进行训练；
步骤S50、将所述站点邻接关系输入训练后的时序预测模型，输出轨道交通客流预测结果。
进一步地，所述步骤S10具体为：
通过闸机获取轨道交通的刷卡数据集，通过地图软件获取轨道站点的邻接关系图；
对所述刷卡数据集进行清洗后，按照所述刷卡数据集中的每一条刷卡数据所在的站点和时段构建客流量矩阵，进而生成进站客流数据集。
进一步地，所述步骤S20具体为：
基于所述邻接关系图构建的邻接矩阵以及客流量矩阵重构站点邻接关系。
进一步地，所述步骤S30具体为：
基于所述邻接矩阵构建异质性特征提取通道，基于所述客流量矩阵构建一致性特征提取通道；
通过Attention机制引入特征融合模块，进而自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重。
进一步地，所述步骤S40中，所述对所述时序预测模型进行训练具体为：
利用预先创建的测试集对所述时序预测模型进行训练，直至所述时序预测模型的预测值与真实值之间的均方根误差和平均值误差小于设定的阈值。
第二方面，本发明提供了一种基于神经网络的轨道交通客流预测***，包括如下模块：
数据获取模块，用于获取轨道交通的刷卡数据集以及轨道站点的邻接关系图，对所述刷卡数据集进行预处理得到进站客流数据集；
站点邻接关系重构模块，用于基于所述邻接关系图以及进站客流数据集重构站点邻接关系；
特征提取通道构建模块，用于基于GCN构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，并通过Attention机制自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重；
时序预测模型创建模块，用于基于所述一致性特征提取通道以及异质性特征提取通道，通过LSTM以及全连接层网络构建时序预测模型，对所述时序预测模型进行训练；
轨道交通客流预测模块，用于将所述站点邻接关系输入训练后的时序预测模型，输出轨道交通客流预测结果。
进一步地，所述数据获取模块具体为：
通过闸机获取轨道交通的刷卡数据集，通过地图软件获取轨道站点的邻接关系图；
对所述刷卡数据集进行清洗后，按照所述刷卡数据集中的每一条刷卡数据所在的站点和时段构建客流量矩阵，进而生成进站客流数据集。
进一步地，所述站点邻接关系重构模块具体为：
基于所述邻接关系图构建的邻接矩阵以及客流量矩阵重构站点邻接关系。
进一步地，所述特征提取通道构建模块具体为：
基于所述邻接矩阵构建异质性特征提取通道，基于所述客流量矩阵构建一致性特征提取通道；
通过Attention机制引入特征融合模块，进而自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重。
进一步地，所述时序预测模型创建模块中，所述对所述时序预测模型进行训练具体为：
利用预先创建的测试集对所述时序预测模型进行训练，直至所述时序预测模型的预测值与真实值之间的均方根误差和平均值误差小于设定的阈值。
本发明的优点在于：
通过获取刷卡数据集以及邻接关系图，对刷卡数据集进行预处理得到进站客流数据集，再基于邻接关系图以及进站客流数据集重构站点邻接关系，相对于传统上基于预定义的节点邻接关系，充分挖掘刷卡数据集中隐藏的客流移动趋势，据此趋势重构站点邻接关系，从而准确挖掘轨道站点的邻接关系；通过GCN构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，即引入独立参数和共享参数充分挖掘多维空间下的空间相关性，修正GCN基于预定义邻接关系的误差；通过Attention机制对特征进行自适应融合，降低自定义权重带来的误差，最终极大的提升了轨道交通客流预测的精度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于神经网络的轨道交通客流预测方法的流程图。
图2是本发明一种基于神经网络的轨道交通客流预测***的结构示意图。
图3是本发明时序预测模型的示意图。
图4是本发明异质性特征提取通道的示意图。
图5是本发明一致性特征提取通道的示意图。
图6是本发明LSTM的示意图。
图7是本发明Attention机制的示意图。
具体实施方式
请参照图1至图7所示，本申请实施例中的技术方案，总体思路如下：获取刷卡数据集并进行预处理得到进站客流数据集，根据轨道站点的邻接关系图以及进站客流数据集重构站点邻接关系，以此得到多维度状态下的站点邻接图；基于多维度的站点邻接关系对GCN模型进行修正，并建立一致性特征提取通道和异质性特征提取通道分别提取多维空间下的一致性和异质性；基于双通道GCN模块、Attention模块、LSTM模型以及全连接层建立时序预测模型，并训练时序预测模型直至收敛，进而训练后的时序预测模型预测客流；通过充分考虑轨道站点之间的邻接关系以提升轨道交通客流预测的精度，可帮助决策者及时应对突发客流高峰期，及时部署安保力量，规避安全风险。
实施例一
本发明一种基于神经网络的轨道交通客流预测方法的较佳实施例，包括如下步骤：
步骤S10、获取轨道交通的刷卡数据集以及轨道站点的邻接关系图，对所述刷卡数据集进行预处理得到进站客流数据集；
步骤S20、基于所述邻接关系图以及进站客流数据集重构站点邻接关系，即得到多维度状态下的站点邻接图；
步骤S30、基于GCN(图卷积网络)构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，并通过Attention机制自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重；
步骤S40、基于所述一致性特征提取通道以及异质性特征提取通道，通过LSTM以及全连接层网络构建时序预测模型，对所述时序预测模型进行训练；
步骤S50、将所述站点邻接关系输入训练后的时序预测模型，输出轨道交通客流预测结果。
所述步骤S10具体为：
通过闸机获取轨道交通的刷卡数据集，通过地图软件获取轨道站点的邻接关系图；
对所述刷卡数据集进行清洗后，按照所述刷卡数据集中的每一条刷卡数据所在的站点和时段(按照不同的预测粒度划分时段)构建客流量矩阵，进而生成进站客流数据集。
所述步骤S20具体为：
基于所述邻接关系图构建的邻接矩阵以及客流量矩阵重构站点邻接关系。
所述邻接矩阵AT的公式如下：
Figure BDA0003633927330000061
所述客流量矩阵AF的公式如下：
Figure BDA0003633927330000062
所述步骤S30具体为：
利用DGCN和CGCN，基于所述邻接矩阵构建异质性特征提取通道，基于所述客流量矩阵构建一致性特征提取通道；
即结合物理空间、非物理空间下的轨道站点的邻接矩阵以及客流量矩阵数据分别构建DGCN模块与CGCN模块，其中DGCN模块基于独立参数的思想构建异质性特征提取通道，CGCN基于共享参数的思想构建一致性特征提取通道；
利用l层GCN网络提取节点之间的间接邻接特征，基于独立的网络参数得到多维空间下的空间相关性特征ZD和ZC，GCN的提取规则如下：
Figure BDA0003633927330000063
基于相同的参数θ构建多层GCN网络提取两种空间下的一致性信息ZCT和ZCF：
Figure BDA0003633927330000064
Figure BDA0003633927330000065
通过Attention机制引入特征融合模块，进而自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重。
Attention机制的特征融合层包括注意力分数计算模块以及注意力应融合块；其中，注意力分数计算模块计算编码器各个时间步长的输出与输出的相关性系数，而注意力融合模块基于各部分的分数进行加权求和；因此通过上述流程对获取的特征进行自适应融合得到融合特征：
Figure BDA0003633927330000071
Z＝α1·ZD+α2·ZC+α3·ZCT+α4·ZCF。
所述步骤S40中，所述对所述时序预测模型进行训练具体为：
利用预先创建的测试集对所述时序预测模型进行训练，直至所述时序预测模型的预测值与真实值之间的均方根误差和平均值误差小于设定的阈值；
所述均方根误差的计算公式如下：
Figure BDA0003633927330000072
所述平均值误差的计算公式如下：
Figure BDA0003633927330000073
其中，RMSE表示均方根误差；MAE表示平均值误差；n代表测试集的数据量；yi代表真实值；
Figure BDA0003633927330000074
代表预测值；i为正整数，且1≤i≤n。
所述步骤S40中，时序预测模型是基于LSTM与全连接层的预测输出层，该部分首先利用LSTM对上述融合特征Z进行时序相关性提取，得到输出{hh1,h2,…,ht}，并将该部分作为全连接层的输入学习分布式特征表示到样本空间的映射，最终得到t+1时刻的轨道客流预测值
Figure BDA0003633927330000075
实施例二
本发明一种基于神经网络的轨道交通客流预测***的较佳实施例，包括如下模块：
数据获取模块，用于获取轨道交通的刷卡数据集以及轨道站点的邻接关系图，对所述刷卡数据集进行预处理得到进站客流数据集；
站点邻接关系重构模块，用于基于所述邻接关系图以及进站客流数据集重构站点邻接关系，即得到多维度状态下的站点邻接图；
特征提取通道构建模块，用于基于GCN(图卷积网络)构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，并通过Attention机制自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重；
时序预测模型创建模块，用于基于所述一致性特征提取通道以及异质性特征提取通道，通过LSTM以及全连接层网络构建时序预测模型，对所述时序预测模型进行训练；
轨道交通客流预测模块，用于将所述站点邻接关系输入训练后的时序预测模型，输出轨道交通客流预测结果。
所述数据获取模块具体为：
通过闸机获取轨道交通的刷卡数据集，通过地图软件获取轨道站点的邻接关系图；
对所述刷卡数据集进行清洗后，按照所述刷卡数据集中的每一条刷卡数据所在的站点和时段(按照不同的预测粒度划分时段)构建客流量矩阵，进而生成进站客流数据集。
所述站点邻接关系重构模块具体为：
基于所述邻接关系图构建的邻接矩阵以及客流量矩阵重构站点邻接关系。
所述邻接矩阵AT的公式如下：
Figure BDA0003633927330000081
所述客流量矩阵AF的公式如下：
Figure BDA0003633927330000091
所述特征提取通道构建模块具体为：
利用DGCN和CGCN，基于所述邻接矩阵构建异质性特征提取通道，基于所述客流量矩阵构建一致性特征提取通道；
即结合物理空间、非物理空间下的轨道站点的邻接矩阵以及客流量矩阵数据分别构建DGCN模块与CGCN模块，其中DGCN模块基于独立参数的思想构建异质性特征提取通道，CGCN基于共享参数的思想构建一致性特征提取通道；
利用l层GCN网络提取节点之间的间接邻接特征，基于独立的网络参数得到多维空间下的空间相关性特征ZD和ZC，GCN的提取规则如下：
Figure BDA0003633927330000092
基于相同的参数θ构建多层GCN网络提取两种空间下的一致性信息ZCT和ZCF：
Figure BDA0003633927330000093
Figure BDA0003633927330000094
通过Attention机制引入特征融合模块，进而自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重。
Attention机制的特征融合层包括注意力分数计算模块以及注意力应融合块；其中，注意力分数计算模块计算编码器各个时间步长的输出与输出的相关性系数，而注意力融合模块基于各部分的分数进行加权求和；因此通过上述流程对获取的特征进行自适应融合得到融合特征：
Figure BDA0003633927330000095
Z＝α1·ZD+α2·ZC+α3·ZCT+α4·ZCF。
所述时序预测模型创建模块中，所述对所述时序预测模型进行训练具体为：
利用预先创建的测试集对所述时序预测模型进行训练，直至所述时序预测模型的预测值与真实值之间的均方根误差和平均值误差小于设定的阈值；
所述均方根误差的计算公式如下：
Figure BDA0003633927330000101
所述平均值误差的计算公式如下：
Figure BDA0003633927330000102
其中，RMSE表示均方根误差；MAE表示平均值误差；n代表测试集的数据量；yi代表真实值；
Figure BDA0003633927330000103
代表预测值；i为正整数，且1≤i≤n。
所述步骤S40中，时序预测模型是基于LSTM与全连接层的预测输出层，该部分首先利用LSTM对上述融合特征Z进行时序相关性提取，得到输出{h|h1,h2,...,ht}，并将该部分作为全连接层的输入学习分布式特征表示到样本空间的映射，最终得到t+1时刻的轨道客流预测值
Figure BDA0003633927330000104
实施例三
获取CSV格式的轨道交通的刷卡数据集：
字段 字段名称 字段描述 数据示例
Card_ID 刷卡编号 记录乘客所用卡的编号唯一值 6.0214**28
Date 交易日期 该条记录交易日期 2015/4/17
Time 交易时间 该条记录交易时间 13:49:58
Station_Name 交易站点 交易所在的站点 4号线莘庄站
Type 乘坐工具类型 记录乘坐的公共交通工具类型 地铁
Distance 里程 记录乘坐的距离 4.5
Attribute 类型 记录是否享受优惠折扣 非优惠
对刷卡数据集进行预处理，按照刷卡数据集中的每一条刷卡数据所在的站点和时段(10min)统计不同站点在不同时间段的进站客流数据：
Figure BDA0003633927330000111
基于双通道GCN模型搭建轨道短时客流的时序预测模型，采用FLOPs和Params两个指标分别对时间复杂度与空间复杂度进行分析；其中，时间复杂性由模型的操作次数FLOPs(0.0175G)决定，空间复杂度由参数的数量Params(2982574)决定；时序预测模型的参数设置下表所示：
参数 模型选择的内容
训练集：测试集 3:01
激活函数 tanh
学习率 0.0001
优化器 Adam
损失函数 MSE
时间步长 5
迭代轮数 500
对时序预测模型进行验证，RMSE与MAE能够较好体现出真实值与预测值之间的误差，因此采用RMSE与MAE将所提出的时序预测模型与基本的数理统计模型(HA\ARIMA)、机器学习模型(SVR)以及深度学习模型LSTM进行对比，实验结果如下表所示：
Figure BDA0003633927330000112
Figure BDA0003633927330000121
实验结果表明时序预测模型能够获得更精准的预测结果，有助于为后续决策的制定提供有利依据。
综上所述，本发明的优点在于：
通过获取刷卡数据集以及邻接关系图，对刷卡数据集进行预处理得到进站客流数据集，再基于邻接关系图以及进站客流数据集重构站点邻接关系，相对于传统上基于预定义的节点邻接关系，充分挖掘刷卡数据集中隐藏的客流移动趋势，据此趋势重构站点邻接关系，从而准确挖掘轨道站点的邻接关系；通过GCN构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，即引入独立参数和共享参数充分挖掘多维空间下的空间相关性，修正GCN基于预定义邻接关系的误差；通过Attention机制对特征进行自适应融合，降低自定义权重带来的误差，最终极大的提升了轨道交通客流预测的精度。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (10)

1.一种基于神经网络的轨道交通客流预测方法，其特征在于：包括如下步骤：
步骤S10、获取轨道交通的刷卡数据集以及轨道站点的邻接关系图，对所述刷卡数据集进行预处理得到进站客流数据集；
步骤S20、基于所述邻接关系图以及进站客流数据集重构站点邻接关系；
步骤S30、基于GCN构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，并通过Attention机制自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重；
步骤S40、基于所述一致性特征提取通道以及异质性特征提取通道，通过LSTM以及全连接层网络构建时序预测模型，对所述时序预测模型进行训练；
步骤S50、将所述站点邻接关系输入训练后的时序预测模型，输出轨道交通客流预测结果。
2.如权利要求1所述的一种基于神经网络的轨道交通客流预测方法，其特征在于：所述步骤S10具体为：
通过闸机获取轨道交通的刷卡数据集，通过地图软件获取轨道站点的邻接关系图；
对所述刷卡数据集进行清洗后，按照所述刷卡数据集中的每一条刷卡数据所在的站点和时段构建客流量矩阵，进而生成进站客流数据集。
3.如权利要求2所述的一种基于神经网络的轨道交通客流预测方法，其特征在于：所述步骤S20具体为：
基于所述邻接关系图构建的邻接矩阵以及客流量矩阵重构站点邻接关系。
4.如权利要求3所述的一种基于神经网络的轨道交通客流预测方法，其特征在于：所述步骤S30具体为：
基于所述邻接矩阵构建异质性特征提取通道，基于所述客流量矩阵构建一致性特征提取通道；
通过Attention机制引入特征融合模块，进而自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重。
5.如权利要求1所述的一种基于神经网络的轨道交通客流预测方法，其特征在于：所述步骤S40中，所述对所述时序预测模型进行训练具体为：
利用预先创建的测试集对所述时序预测模型进行训练，直至所述时序预测模型的预测值与真实值之间的均方根误差和平均值误差小于设定的阈值。
6.一种基于神经网络的轨道交通客流预测***，其特征在于：包括如下模块：
数据获取模块，用于获取轨道交通的刷卡数据集以及轨道站点的邻接关系图，对所述刷卡数据集进行预处理得到进站客流数据集；
站点邻接关系重构模块，用于基于所述邻接关系图以及进站客流数据集重构站点邻接关系；
特征提取通道构建模块，用于基于GCN构建多维空间状态下的一致性特征提取通道以及异质性特征提取通道，并通过Attention机制自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重；
时序预测模型创建模块，用于基于所述一致性特征提取通道以及异质性特征提取通道，通过LSTM以及全连接层网络构建时序预测模型，对所述时序预测模型进行训练；
轨道交通客流预测模块，用于将所述站点邻接关系输入训练后的时序预测模型，输出轨道交通客流预测结果。
7.如权利要求6所述的一种基于神经网络的轨道交通客流预测***，其特征在于：所述数据获取模块具体为：
通过闸机获取轨道交通的刷卡数据集，通过地图软件获取轨道站点的邻接关系图；
对所述刷卡数据集进行清洗后，按照所述刷卡数据集中的每一条刷卡数据所在的站点和时段构建客流量矩阵，进而生成进站客流数据集。
8.如权利要求7所述的一种基于神经网络的轨道交通客流预测***，其特征在于：所述站点邻接关系重构模块具体为：
基于所述邻接关系图构建的邻接矩阵以及客流量矩阵重构站点邻接关系。
9.如权利要求8所述的一种基于神经网络的轨道交通客流预测***，其特征在于：所述特征提取通道构建模块具体为：
基于所述邻接矩阵构建异质性特征提取通道，基于所述客流量矩阵构建一致性特征提取通道；
通过Attention机制引入特征融合模块，进而自适应分配所述一致性特征提取通道以及异质性特征提取通道所提取特征的权重。
10.如权利要求6所述的一种基于神经网络的轨道交通客流预测***，其特征在于：所述时序预测模型创建模块中，所述对所述时序预测模型进行训练具体为：
利用预先创建的测试集对所述时序预测模型进行训练，直至所述时序预测模型的预测值与真实值之间的均方根误差和平均值误差小于设定的阈值。
CN202210498705.5A 2022-05-09 2022-05-09 一种基于神经网络的轨道交通客流预测方法及*** Pending CN114881330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210498705.5A CN114881330A (zh) 2022-05-09 2022-05-09 一种基于神经网络的轨道交通客流预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210498705.5A CN114881330A (zh) 2022-05-09 2022-05-09 一种基于神经网络的轨道交通客流预测方法及***

Publications (1)

Publication Number Publication Date
CN114881330A true CN114881330A (zh) 2022-08-09

Family

ID=82673721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210498705.5A Pending CN114881330A (zh) 2022-05-09 2022-05-09 一种基于神经网络的轨道交通客流预测方法及***

Country Status (1)

Country Link
CN (1) CN114881330A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537392A (zh) * 2018-04-26 2018-09-14 重庆大学 一种基于时空特征预测轨道交通站点出站客流量的方法
CN110222873A (zh) * 2019-05-14 2019-09-10 重庆邮电大学 一种基于大数据的地铁站客流量预测方法
CN110942411A (zh) * 2019-11-20 2020-03-31 北京城建设计发展集团股份有限公司 基于区域联动的地铁车站客流分级报警方法
CN111667092A (zh) * 2020-04-21 2020-09-15 北京交通大学 基于图卷积神经网络的轨道交通短时客流预测方法和***
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN111931978A (zh) * 2020-06-29 2020-11-13 南京熊猫电子股份有限公司 一种基于时空特性的城市轨道交通客流状态预测方法
CN112001548A (zh) * 2020-08-25 2020-11-27 北京交通大学 一种基于深度学习的od客流预测方法
CN112418547A (zh) * 2020-12-03 2021-02-26 北京工业大学 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113177657A (zh) * 2021-04-20 2021-07-27 上海大学 轨道交通客流预测方法及装置
CN114399099A (zh) * 2021-12-30 2022-04-26 中信云网有限公司 一种城市轨道交通断面客流的预测方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537392A (zh) * 2018-04-26 2018-09-14 重庆大学 一种基于时空特征预测轨道交通站点出站客流量的方法
CN110222873A (zh) * 2019-05-14 2019-09-10 重庆邮电大学 一种基于大数据的地铁站客流量预测方法
CN110942411A (zh) * 2019-11-20 2020-03-31 北京城建设计发展集团股份有限公司 基于区域联动的地铁车站客流分级报警方法
CN111667092A (zh) * 2020-04-21 2020-09-15 北京交通大学 基于图卷积神经网络的轨道交通短时客流预测方法和***
CN111931978A (zh) * 2020-06-29 2020-11-13 南京熊猫电子股份有限公司 一种基于时空特性的城市轨道交通客流状态预测方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN112001548A (zh) * 2020-08-25 2020-11-27 北京交通大学 一种基于深度学习的od客流预测方法
CN112418547A (zh) * 2020-12-03 2021-02-26 北京工业大学 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN113177657A (zh) * 2021-04-20 2021-07-27 上海大学 轨道交通客流预测方法及装置
CN114399099A (zh) * 2021-12-30 2022-04-26 中信云网有限公司 一种城市轨道交通断面客流的预测方法及装置

Similar Documents

Publication Publication Date Title
CN111540193B (zh) 一种基于图卷积时序生成对抗网络的交通数据修复方法
CN110263111B (zh) 基于先验知识的土地利用/覆被信息时空监测方法
CN111079977B (zh) 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法
CN107529651A (zh) 一种基于深度学习的城市交通客流预测方法和设备
CN111709244B (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN103995237A (zh) 一种卫星电源***在线故障诊断方法
CN110515931B (zh) 一种基于随机森林算法的电容型设备缺陷预测方法
CN111861756B (zh) 一种基于金融交易网络的团伙检测方法及其实现装置
CN111144281B (zh) 基于机器学习的城市轨道交通od客流估计方法
CN113327417B (zh) 基于3d动态时空残差卷积关联网络的交通流预测方法
CN101964061B (zh) 一种基于二类核函数支持向量机的车型识别方法
CN110043808B (zh) 基于时间序列分析的供水管网漏损监测预警方法
CN116400433A (zh) 一种基于数据融合和混合卷积的单站逐时气温预报方法
CN114881330A (zh) 一种基于神经网络的轨道交通客流预测方法及***
CN109472115B (zh) 基于地理信息的大规模复杂网络建模方法及装置
CN117093830A (zh) 一种考虑局部与全局的用户负荷数据修复方法
CN107220742A (zh) 一种基于***脆弱性分析的信息***开发通用支撑方法及平台
CN117371571A (zh) 一种基于多尺度动态同步图机制的区域空气质量预测模型
CN115565376B (zh) 融合graph2vec、双层LSTM的车辆行程时间预测方法及***
CN115905434B (zh) 一种基于学习插值预测的道路网轨迹补全方法
CN114639487A (zh) 流行病传播模型构建方法、终端和存储介质
CN113989326A (zh) 一种基于注意力机制的目标轨迹预测方法
CN113949880A (zh) 一种极低码率人机协同图像编码训练方法及编解码方法
CN115061501B (zh) 一种空中编队队形的编码数据识别方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination