CN111242292A - 基于深度时空网络的od数据预测方法及系统 - Google Patents

基于深度时空网络的od数据预测方法及系统 Download PDF

Info

Publication number
CN111242292A
CN111242292A CN202010336522.4A CN202010336522A CN111242292A CN 111242292 A CN111242292 A CN 111242292A CN 202010336522 A CN202010336522 A CN 202010336522A CN 111242292 A CN111242292 A CN 111242292A
Authority
CN
China
Prior art keywords
time
data
space
prediction
data set
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.)
Granted
Application number
CN202010336522.4A
Other languages
English (en)
Other versions
CN111242292B (zh
Inventor
韦伟
刘岭
张晚秋
张波
李擎
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.)
CRSC Research and Design Institute Group Co Ltd
Original Assignee
CRSC Research and Design Institute Group Co Ltd
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 CRSC Research and Design Institute Group Co Ltd filed Critical CRSC Research and Design Institute Group Co Ltd
Priority to CN202010336522.4A priority Critical patent/CN111242292B/zh
Publication of CN111242292A publication Critical patent/CN111242292A/zh
Application granted granted Critical
Publication of CN111242292B publication Critical patent/CN111242292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"

Landscapes

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

Abstract

本发明属于人工智能预测技术领域，并公开了一种基于深度时空网络的OD数据预测方法及系统，OD数据预测方法包括：步骤S1：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集；步骤S2：构建OD稀疏时空残差网络模型；步骤S3：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练；步骤S4：根据实时数据通过OD稀疏时空残差网络模型获得预测结果。通过OD稀疏时空残差网络模型对OD数据复杂时空依赖和分布特性的描述，实现对OD数据的精准预测。

Description

基于深度时空网络的OD数据预测方法及系统
技术领域
本发明属于人工智能预测技术领域，特别涉及一种基于深度时空网络的OD数据预测方法及系统。
背景技术
OD数据是指一定时间段内从出发地（o点）到目的地（d点）之间的社会或经济交互关系变量大小，又称OD量数据。这种一定时间段内空间地理单元之间的交互关系，包括地区之间的经济贸易规模、社会交流频度或旅客与货物运输量。所有出发地（o点）到目的地（d点）之间OD量的组合，称为OD矩阵。对于OD数据的预测通常是进行地区之间社会经济活动规划与决策的一个重要依据。通常OD数据预测的任务，是在给定的历史OD数据（及相应的环境信息）的前提下，预测后续时段的OD数据，从而作为社会经济活动组织与管理决策的重要依据。
以旅客运输为例，对于某一特定的轨道交通线网，从特定出发地（o点）到目的地（d点）之间旅客出行量，也是一种OD数据，称为OD客流量。所有出发地（o点）到目的地（d点）之间OD客流量的组合，可称为OD客流矩阵。通常，OD数据的分布与演化是一种复杂的时空现象，实现精准的客流需求预测仍然存在一定挑战，主要表现在以下几个方面。
1）多重时间依赖
在时间上，OD数据也呈现出多重时间依赖并存的特性。单纯考虑某一维度的时间依赖性往往难以获得理想的预测结果。
当日趋势依赖：例如在时间上，某一研究时段的OD客流需求，往往与其当日历史上临近的多个时段的OD客流量存在依赖关系。
日间隔周期依赖：如某一特定时刻的OD客流量不仅会与其临近的历史时刻客流量存在依赖性，一天（或数天）前的历史同期客流量相关联。
周间隔周期依赖：某一特定时刻的OD客流量，与一周（或数周）前的历史同期客流量存在关联性。
2）复杂空间依赖
OD数据在空间上存在复杂的空间依赖关系，这种空间依赖按成因可进一步划分为出发地依赖和目的地依赖。两种空间依赖与常规空间数据中所体现的空间依赖关系存在显著差异。如何对其进行精准识别，是OD客流精确预测的重要基础。
出发地依赖：从相邻的出发地开始，至某一特定目的地结束的OD量之间，所存在的相互关联关系。例如在地铁线网中，从某一居住区附近的相邻车站出发，到达市中心同一车站的旅客出行量，呈现出相同的变化规律。
目的地依赖：从某一特定出发地开始，至相邻的目的地结束的OD量之间，所存在的相互关联关系。例如在地铁线网中，从某一居住区车站出发，到达市中心相邻车站的旅客出行量，也具有较强的正相关关系。
3）稀疏分布
OD矩阵中除少数元素以外，大部分元素取值为0，呈现出显著的稀疏分布特性。例如，由于车站服务范围用地属性、居民出行行为、路径可达性和其他运输方式竞争等因素的影响，轨道交通线网中大部分的出发车站和目的车站组合并不存在旅客出行需求。在基于时间与空间依赖进行OD数据预测时，若不考虑客流需求的稀疏分布特性，本该取值为0的OD数据值，其预测值往往大于0，这种情况称为预测模型的时空依赖溢出现象。在出现时空依赖溢出现象时，所预测的OD数据值与实际取值之间呈现出较大偏差，从而导致模型的预测精准度降低与过拟合风险增加。
如何在考虑OD数据的复杂时空关联性与稀疏分布特性的基础上，实现OD需求量的精准预测，是目前亟待解决的问题。很多学者基于传统的时间序列和机器学习方法，提出了OD数据预测模型，主要包括以下几种类型：（a）线性预测模型，如时间序列预测模型、卡尔曼(Kalman)滤波模型等；（b）非线性预测模型，如小波预测模型、混沌预测模型及非参数预测模型等；（c）仿真预测模型，如元胞自动机预测法和交通模拟预测法等；（d）浅层机器学习预测模型，如支持向量机及浅层神经网络等。
以上研究成果对于OD数据预测具有重要的意义，但也存在局限性。线性预测模型在处理具有强随机性和非线性特征预测问题时，很难充分体现短时客流数据的发展分布与演化规律；非线性预测模型能够描述OD数据的非线性特征，但面对海量的小粒度短时客流数据，其预测精度有待进一步提高；仿真预测模型通常建模成本较高，且模型计算效率很难满足时效性要求；而浅层的机器学习预测模型在处理大数据时容易出现过拟合和欠拟合问题。
近年来，深度学习在各领域成功应用激发了其在交通和运输领域的应用研究和尝试。例如，部分研究将整个城市的路网交通量看作一个热力图（其中每个像素值代表相应区域内的交通量），并使用卷积神经网络(CNN)对非线性的空间依赖进行建模。另外，一些研究者提出利用循环神经网络（RNN）建立非线性时间依赖模型进行交通流预测。后续研究将CNN与RNN进行有机融合，提出了同时考虑时间与空间依赖关系的综合预测模型，进一步提高了预测的精准度。然而，这些研究大多以城市道路交通流作为研究对象，对OD数据所特有的复杂时空依赖与稀疏性考虑不足，难以实现OD数据的精准预测。
综上所述，既有的时空预测方法大多仅能输出单一对象的预测值，难以应用于整个系统的OD数据预测。例如时空预测方法难以应用于整个轨道交通线网的OD客流量预测，而轨道交通的实时运输计划优化、调整和调度，往往需要预测未来一定空间范围甚至全网所有车站的OD客流矩阵。少数适用于整个系统的时空预测方法，对OD客流所特有的复杂时间或空间依赖也缺乏考虑，同时忽略了OD客流需求的稀疏分布特征。因此，有必要针对OD数据特性，提出具有针对性的基于深度时空网络的OD数据预测方法及系统。
发明内容
针对上述问题，本发提供一种基于深度时空网络的OD数据预测方法，下面以OD客流量为例对这种方法进行阐述。这种方法对于一定时间段内空间地理单元之间的交互关系，包括地区之间的经济贸易规模、社会交流频度或旅客与货物运输量的预测同样适用。
针对上述问题，本发提供一种基于深度时空网络的OD数据预测方法，其中，包括：
步骤S1：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集；
步骤S2：构建OD稀疏时空残差网络模型；
步骤S3：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练；
步骤S4：根据实时数据通过OD稀疏时空残差网络模型获得预测结果。
上述的OD数据预测方法，其中，所述步骤S1中包括：
多个数据集是根据历史数据以不同的时间段为预测目标选取出来的，至少一间隔历史周期数据集包括：周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者。
上述的OD数据预测方法，其中，所述步骤S2中包括：
步骤S21：基于时间滑动机制对至少一间隔历史周期数据集进行处理对应地获得至少一滑动间隔历史周期数据集；
步骤S22：构建二维逐点卷积层对至少一滑动间隔历史周期数据集进行特征提取与聚合获得特征图；
步骤S23：构建OD残差卷积单元，对特征图及当日趋势数据集提取空间特征；
步骤S24：构建简化时序处理单元从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测；
步骤S25：根据历史时空预测及外部环境预测获得初步预测。
上述的OD数据预测方法，其中，所述步骤S2中还包括：
步骤S26：引入稀疏性的非零注意机制根据初步预测获得最终预测。
上述的OD数据预测方法，其中，所述步骤S3中，根据构建的当日趋势数据集及至少一间隔历史周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和Adam算法进行模型训练。
上述的OD数据预测方法，其中，所述步骤S23中包括：
步骤S231：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
步骤S232：通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。
上述的OD数据预测方法，其中，所述步骤S24中包括：
步骤S241：将空间特征在时间上进行堆叠，得到当日趋势空间特征集及至少一间隔周期空间特征集；
步骤S242：通过连续的多个二维逐点卷积层用于从当日趋势空间特征集及至少一间隔周期空间特征集中提取非线性的时序关联特征；
步骤S243：根据提取的时序关联特征获得当日趋势时空预测值及至少一间隔周期时空预测值；
步骤S244：根据当日趋势时空预测值以及至少一间隔周期时空预测值获得历史时空预测值。
上述的OD数据预测方法，其中，所述步骤S26中包括：
步骤S261：根据至少一间隔历史周期数据集以及当日趋势数据集获得OD矩阵均值；
步骤S262：通过非零激活函数，将OD矩阵均值转化为非零元素注意矩阵；
步骤S263：通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段OD矩阵的最终预测值。
本发明还提供一种基于深度时空网络的OD数据预测系统，其中，包括：
数据集构建单元：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集；
模型构建单元：构建OD稀疏时空残差网络模型；
模型训练单元：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练；
预测结果输出单元：根据实时数据通过OD稀疏时空残差网络模型获得预测结果。
上述的OD数据预测系统，其中，所述数据集构建单元根据历史数据以不同的时间段为预测目标选取出多个数据集，至少一间隔历史周期数据集包括：周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者。
上述的OD数据预测系统，其中，所述模型构建单元包括：
数据集处理单元：基于时间滑动机制对至少一间隔历史周期数据集进行处理对应地获得至少一滑动间隔历史周期数据集；
特征图获得单元：构建二维逐点卷积层对至少一滑动间隔历史周期数据集及滑动日间隔历史周期数据进行特征提取与聚合获得特征图；
OD残差卷积单元：对特征图及当日趋势数据集提取空间特征；
简化时序处理单元：从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测；
初步预测获得单元：根据历史时空预测及外部环境预测获得初步预测。
上述的OD数据预测系统，其中，所述模型构建单元还包括：
最终预测获得单元：引入稀疏性的非零注意机制根据初步预测获得最终预测。
上述的OD数据预测系统，其中，所述模型训练单元根据构建的当日趋势数据集及至少一间隔历史周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和Adam算法进行模型训练。
上述的OD数据预测系统，其中，所述OD残差卷积单元包括：
空间特征提取模块：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
空间特征输出模块：通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。
上述的OD数据预测系统，其中，所述简化时序处理单元包括：
空间特征集获得模块：将空间特征在时间上进行堆叠，得到当日趋势空间特征集及至少一间隔周期空间特征集；
时序关联特征提取模块：通过连续的多个二维逐点卷积层用于从当日趋势空间特征集及至少一间隔周期空间特征集中提取非线性的时序关联特征；
时空预测值获得模块：根据提取的时序关联特征获得当日趋势时空预测值及至少一间隔周期时空预测值；
历史时空预测值获得模块：根据当日趋势时空预测值以及至少一间隔周期时空预测值获得历史时空预测值。
上述的OD数据预测系统，其中，所述最终预测获得单元包括：
OD矩阵均值获得模块：根据至少一间隔周期时空预测值以及当日趋势数据集获得OD矩阵均值；
转化模块：通过非零激活函数，将OD矩阵均值转化为非零元素注意矩阵；
最终预测值输出模块：通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段OD矩阵的最终预测值。
本发明针对于现有技术其功效在于：通过一种OD稀疏时空残差网络OD-SparseSTnet，对OD数据的复杂时空依赖和分布特性的描述，实现OD数据的精准预测。在OD-SparseSTnet中，针对OD数据的复杂空间关联，提出了一种残差卷积单元OD_ResUnit同时对出发地依赖与目的地依赖特征进行识别，实现对复杂空间依赖的准确描述；针对既有循环神经网络在预测整个系统的OD矩阵时需要巨量的训练样本和计算资源的问题，提出了一种简化时序处理单元Simp_SeqUnit，利用较少参数实现了OD数据的非线性时间特征提取与预测；针对OD数据的稀疏分布特性，设计了一种非零元素注意机制，进一步提升OD矩阵非零部分的预测精度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明OD数据预测方法的流程图；
图2为图1中步骤S2的分步骤流程图；
图3为图2中步骤S23的分步骤流程图；
图4为图2中步骤S24的分步骤流程图；
图5为图2中步骤S26的分步骤流程图；
图6为OD稀疏时空残差网络模型示意图；
图7为周期历史特征提取的滑动时间窗机制示意图；
图8为OD残差卷积单元结构示意图；
图9为空间特征提取示意图；
图10为简化时序处理单元结构示意图；
图11为时序堆叠特征矩阵处理过程示意图；
图12为考虑稀疏性的非零元素注意机制示意图；
图13为OD数据预测系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
关于本文中的“多个”包括“两个”及“两个以上”。
本发提供一种基于深度时空网络的OD数据预测方法，这种方法可应用于对一定时间段内空间地理单元之间的交互关系进行预测，例如包括轨道交通网络OD客流、地区之间的经济贸易规模、社会交流频度及旅客与货物运输量的预测。
请参照图1，图1为本发明OD数据预测方法的流程图。如图1所示，以下将本发明的OD数据预测方法应用于轨道交通网络OD客流为例，对本发明的OD数据预测方法进行具体说明，本发明OD数据预测方法包括：
步骤S1：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集。
具体地说，多个数据集是根据历史数据以不同的时间段为预测目标选取出来的，至少一间隔历史周期数据集包括：周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者。
定义1：对于包含N个车站轨道交通线网，设其所有车站的集合为S（S={1,2,3,…, N}），在研究的第t个时间段内所有出行的集合为Pt，对于车站i(i∈S)、j(j∈S)而言，第t个 时间段内从车站i出发到达车站j的OD客流量
Figure 846518DEST_PATH_IMAGE001
可定义为：
Figure 511986DEST_PATH_IMAGE002
其中，po与pd分别表示第t个时间段内的第p次出行的出发地和目的地， |˙|则表示集合的势，集合的势是集合中元素的数目，式（1）中，
|{po=i∧pd=j}|表示集合{po=i∧pd=j}中的元素个数。
定义2（OD客流矩阵）：在研究的轨道交通线网中，其第t个时间段内所有车站之间 的OD客流量
Figure 203998DEST_PATH_IMAGE003
，构成了该轨道交通线网在第t个时间段内的OD客流矩阵Xt，Xt∈RN×N，R为实 数,即Xt为N×N维的实数矩阵，如下式所示。
Figure 878693DEST_PATH_IMAGE004
（2）
对于特定轨道交通线网，给定前m-1个时间段内的OD客流矩阵{Xt|t=1,2,3,…,m-1}，预测其第m个时间段内的OD客流矩阵Xm，是为轨道交通线网客流预测问题，可以表示为：
Figure 339762DEST_PATH_IMAGE005
（3）
其中，Ω(˙)为预测模型或预测函数，Et为第t个时段内的环境变量，用以描述天气状况（晴天、多云、雨、雪、雾）、气温、风速以及是否是节假日等环境信息。
步骤S2：构建OD稀疏时空残差网络模型。
其中，请参照图2，图2为图1中步骤S2的分步骤流程图。如图2所示，于所述步骤S2中包括：
步骤S21：基于时间滑动机制对至少一间隔历史周期数据集进行处理对应地获得至少一滑动间隔历史周期数据集。
具体地说，请结合参照图6及图7，图6为OD稀疏时空残差网络模型示意图。如图6所示，所预测的第t个时段的OD客流矩阵，与前t-1个时间段内的OD客流矩阵不全都存在强关联性。例如，某个周二的早高峰8:00的OD客流，仅与当天7:00-8:00的关联性较强，同时和以前数个工作日和数个周二早高峰8:00附近的历史数据关联性也较强，而很少依赖于其他时段的客流数据。因此，本发明从历史数据中分别选取周间隔历史周期数据集、日间隔历史周期数据集以及当日趋势数据集作为OD稀疏时空残差网络模型的输入变量。
其中，当日趋势数据集Str由拟预测时段t的前qtr个时段的OD客流矩阵构成，如下 式所示。其中，
Figure 972868DEST_PATH_IMAGE006
为拟预测时段t上溯ktr个时段的OD客流矩阵，
Figure 152177DEST_PATH_IMAGE007
，R为实 数,即Str属于qtr×N×N维实数矩阵。
Figure 364984DEST_PATH_IMAGE008
（4）
由于每个周期内OD客流演化规律存在一定差异性，拟预测时段t的OD客流并不仅仅与 历史上整数个周期间隔前的观测值存在强关联性，还在一定程度上依赖于其周围时段的观 测值。例如，某个周二的早高峰8:00的OD客流，与上一个周二早高峰8:00及其临近时段的观 测值都存在强关联性。因此，在构建周间隔与日间隔历史周期数据集时，需要考虑一定时间 滑动机制。对于第kw个周间隔与第kd个的日间隔的滑动历史数据集
Figure 211717DEST_PATH_IMAGE009
与
Figure 750146DEST_PATH_IMAGE010
，可表示为式 （5）。
Figure 416750DEST_PATH_IMAGE011
（5）
其中，
Figure 433248DEST_PATH_IMAGE012
，R为实数，即
Figure 134488DEST_PATH_IMAGE009
属于（2pw+1）×N×N维实数矩阵，
Figure 121116DEST_PATH_IMAGE013
，R为实数，即
Figure 275016DEST_PATH_IMAGE014
属于（2pd+1）×N×N维实数矩阵。qw与qd分别为周间隔与 日间隔历史周期数据集中的历史周期数。pw与pd则分别为时间滑动窗口大小。I为一天的时 段数，与研究时间段长度有关。周间隔与日间隔历史周期数据集Sw及Sd，可由滑动周间隔历 史周期数据集
Figure 95205DEST_PATH_IMAGE009
与滑动日间隔历史周期数据集
Figure 650951DEST_PATH_IMAGE015
进行构建，如式（6）所示。
Figure 531182DEST_PATH_IMAGE016
（6）
其中，
Figure 172379DEST_PATH_IMAGE017
，
Figure 796259DEST_PATH_IMAGE018
。
步骤S22：构建二维逐点卷积层对至少一滑动间隔历史周期数据集进行特征提取与聚合获得特征图。
请参照图7，图7为周期历史特征提取的滑动时间窗机制示意图。如图7及图6所示， 图6中的a部分，本发明采用二维逐点卷积层1x1_cov2对滑动历史数据集
Figure 472091DEST_PATH_IMAGE019
与
Figure 523223DEST_PATH_IMAGE010
进行特征 提取与聚合，得到特征图
Figure 917296DEST_PATH_IMAGE020
与
Figure 79287DEST_PATH_IMAGE021
，
Figure 344046DEST_PATH_IMAGE022
，
Figure 566080DEST_PATH_IMAGE023
如式（7）所示。
Figure 916290DEST_PATH_IMAGE024
（7）
其中，
Figure 147551DEST_PATH_IMAGE025
与
Figure 532396DEST_PATH_IMAGE026
为可学习参数，f为激活函数，
Figure 659752DEST_PATH_IMAGE027
表示卷积运算，此处选取 ReLU函数以保证特征的稀疏性，但本发明并不以此为限。
步骤S23：构建OD残差卷积单元，对特征图及当日趋势数据集提取空间特征。
请参照图3，图3为图2中步骤S23的分步骤流程图。如图3所示，于所述步骤S23中包括：
步骤S231：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
步骤S232：通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。
请参照图8及图9；图8为OD残差卷积单元结构示意图；图9为空间特征提取示意图。 如图8及图9所示，在图6中的b部分，本发明提出一种OD残差卷积单元OD_ResUnit同时对出 发地依赖与目的地依赖特征进行提取，其结构如图8所示。通过堆叠多个深度分离一维卷积 层Ds_cov1，OD残差卷积单元实现对出发地依赖或目的地依赖特征的提取，同时利用一维逐 点卷积层1x1_cov1提取空间关联结构，并将两种空间依赖聚合输出。OD残差卷积单元还引 入了残差连接，以防止梯度消失的发生。分别对
Figure 497258DEST_PATH_IMAGE028
、
Figure 1051DEST_PATH_IMAGE020
与
Figure 505982DEST_PATH_IMAGE029
进行空间特征提取，可得 到特征
Figure 804239DEST_PATH_IMAGE030
、
Figure 394621DEST_PATH_IMAGE031
与
Figure 702105DEST_PATH_IMAGE032
，如式（8）所示。
Figure 795963DEST_PATH_IMAGE033
（8）
图9展示了基于Ds_cov1与1x1_cov1的空间特征提取原理。以目的地依赖特征提取为例，本文将OD客流矩阵中的行看作通道维。OD客流矩阵可转化为包含N个通道的1×N维图片，各通道表示由特定车站出发的OD客流结构。Ds_cov1可利用1×N结构，其中本发明采用1×3的卷积核提取从同一车站出发，到达相邻车站的OD客流之间的关联关系，但本发明并不以此为限。由于Ds_cov1在不同通道采用不同的卷积核，OD残差卷积单元实现了所有出发车站的目的地依赖特征提取。通过堆叠多个Ds_cov1层，OD残差卷积单元能够进一步识别更大空间范围的目的地依赖特征。最后，OD残差卷积单元利用1x1_cov1，识别某一路段（通道）与其他路段之间的关联结构，进一步提高目的地关联特征的描述能力。OD残差卷积单元对出发地依赖特征的提取过程与目的地依赖特征类似，只需在提取前对输入的OD客流矩阵进行转置处理即可。
步骤S24：构建简化时序处理单元从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测。
请参照图4，图4为图2中步骤S24的分步骤流程图。如图4所示，于所述步骤S24中包括：
步骤S241：将空间特征在时间上进行堆叠，得到当日趋势空间特征集及至少一间隔周期空间特征集；
步骤S242：通过连续的多个二维逐点卷积层用于从当日趋势空间特征集及至少一间隔周期空间特征集中提取非线性的时序关联特征；
步骤S243：根据提取的时序关联特征获得当日趋势时空预测值及至少一间隔周期时空预测值；
步骤S244：根据当日趋势时空预测值以及至少一间隔周期时空预测值获得历史时空预测值。
请参照图10及图11；图10为简化时序处理单元结构示意图；图11为时序堆叠特征矩阵处理过程示意图。如图10及图11所示，传统循环神经网络（RNN），例如长短时记忆网络（LSTM），能够自动学习时间序列中的长时依赖。然而，预测整个轨道交通线网的OD客流矩阵要求RNN具有较高的隐藏层和输出层特征维度，这需要巨量的训练样本和计算资源，在大多数应用场景中往往难以满足。根据前文所述的OD客流时间依赖特征，拟预测时段的OD客流仅与之前数个时间段、数周或数天的观测值具有强关联性。鉴于模型中所考虑的两种周期依赖及当日趋势依赖中的时间段数目较少，本发明提出了一种简化时序处理单元（Simp_SeqUnit）。
图10展示了简化时序处理单元的完整结构。在简化时序处理单元中，连续的多个二维逐点卷积层1x1_cov2用于从多个时间段的空间特征中提取非线性的时序关联特征，而输出通道为1的1x1_cov2层则完成最终的时空特征聚合。简化时序处理单元的详细原理如图11所示。相对于传统RNN，简化时序处理单元在考虑的时间段数目较少时，能够利用较少的参数实现所有车站OD客流的非线性时间特征提取和预测，在小数据集上更加灵活高效。
具体地说，图6中的c部分展示了利用简化时序处理单元进行OD客流时间依赖特征 提取的过程。将OD残差卷积单元所获得的空间特征
Figure 530701DEST_PATH_IMAGE030
、
Figure 77220DEST_PATH_IMAGE031
与
Figure 453975DEST_PATH_IMAGE034
在时间上进行堆叠，得到当 日趋势空间特征集Utr (
Figure 136760DEST_PATH_IMAGE035
)、周间隔周期空间特征集Uw（
Figure 42399DEST_PATH_IMAGE036
） 以及日间隔周期空间特征集Ud（
Figure 341793DEST_PATH_IMAGE037
），如式（9）所示。
Figure 991081DEST_PATH_IMAGE038
（9）
分别利用简化时序处理单元对Utr、Uw与Ud进行时序特征提取，得到当日趋势时空预测 值Ztr (
Figure 59531DEST_PATH_IMAGE039
)、周间隔周期时空预测值Zw（
Figure 401650DEST_PATH_IMAGE040
）以及日间隔周期时空预测 值Zd（
Figure 188341DEST_PATH_IMAGE041
），如式（10）所示。
Figure 641319DEST_PATH_IMAGE042
（10）
其中，Φ为简化时序处理单元的处理函数，
Figure 829855DEST_PATH_IMAGE043
、
Figure 342876DEST_PATH_IMAGE044
及
Figure 605143DEST_PATH_IMAGE045
为简化时序处理单元的可学 习参数。对三个时空预测值进行求和，得到历史时空预测值Zst，
Figure 596233DEST_PATH_IMAGE046
，如式（11）所示。
Figure 639275DEST_PATH_IMAGE047
（11）
另外，在本文所考虑的当期趋势依赖、日间隔周期依赖及周间隔周期依赖的基础上，可进一步考虑月间隔（4周）周期依赖与年间隔周期依赖（52周）。通过在本发明所提出方法的步骤S21中，增加月间隔周期与年间隔周期历史数据集，采用类似于日间隔周期及周间隔周期历史数据集的处理流程，提取相应的时空特征，从而用于最终的OD客流量预测，这可以作为本发明的又一实施例。在考虑月间隔周期依赖与年间隔周期依赖的基础上，式（11）所示的的历史时空预测值计算可更新为式（11-1），其中，Zm和Zy分别是月间隔周期与年间隔周期时空预测值。
Figure 588777DEST_PATH_IMAGE048
（11-1）
步骤S25：根据历史时空预测及外部环境预测获得初步预测。
具体地说，在考虑外部环境因素影响的情况下，将历史时空预测值Zst与外部环境 预测值ZEt（可通过普通线性层从Et中获取）进行求和，可得到t时段的初步预测值
Figure 818901DEST_PATH_IMAGE049
，如式 （12）所示。
Figure 879261DEST_PATH_IMAGE050
（12）
步骤S26：引入稀疏性的非零注意机制根据初步预测获得最终预测。
请参照图5，图5为图2中步骤S26的分步骤流程图。如图5所示，于所述步骤S26中包括：
步骤S261：根据至少一间隔历史周期数据集以及当日趋势数据集获得OD矩阵均值；
步骤S262：通过非零激活函数将OD矩阵均值转化为非零元素注意矩阵；
步骤S263：通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段OD矩阵的最终预测值。
再请参照图12，图12为考虑稀疏性的非零元素注意机制示意图。如图12所示，为了 描述OD数据在空间分布上的稀疏性，在图6中的d部分，本发明还引入了一种非零注意机制 (Non-zero Activation)，其原理如图12所示。由于一定时间内的OD客流矩阵的稀疏性保持 稳定。因此，本文以所有输入数据集的OD客流矩阵均值
Figure 42389DEST_PATH_IMAGE051
(
Figure 631633DEST_PATH_IMAGE052
)，作为已知的稀疏分布 特征。通过非零激活函数Λ的作用，
Figure 365365DEST_PATH_IMAGE051
被转化为非零元素注意矩阵。利用其对初步预测值
Figure 963837DEST_PATH_IMAGE053
，进行过滤，可得到t时段OD客流矩阵的最终预测值
Figure 450313DEST_PATH_IMAGE054
，从而保证最终预测结果的稀疏性，如 式（13）所示。
Figure 741617DEST_PATH_IMAGE055
（13）
其中，*表示矩阵的逐元素乘运算。本文所利用的非零激活函数Λ如式（14），其参数λ可 根据实际的数据分布设置。当参数λ足够大时，即使微小的x取值，也能使Λ(x)趋近1。可见， 所设计的非零注意机制，不仅在一定程度上保证了
Figure 946333DEST_PATH_IMAGE056
的稀疏结构，同时限制了OD- SparseSTnet网络的时空特征提取只围绕非零元素进行，从而提高
Figure 82917DEST_PATH_IMAGE056
的预测精度。
Figure 689479DEST_PATH_IMAGE057
（14）
步骤S3：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练。
其中，于所述步骤S3中，可以根据构建当日趋势数据集、周间隔周期数据集与日间隔周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和Adam算法进行模型训练。模型训练目标为最小化平均平方误差平方根（RMSE）误差损失，RMSE如式（15）所示。
Figure 886105DEST_PATH_IMAGE058
（15）
但是对于所预测的稀疏OD客流矩阵，由于常规的预测偏差评价指标——平均绝对百分误差（MAPE）可能存在被除数为0的情况，本发明提出一种总体绝对百分误差（GAPE）评估整个OD客流矩阵的预测准确精度，如下式所示：
Figure 843696DEST_PATH_IMAGE059
（16）
具体地说，输入归一化的历史OD客流矩阵观测值集合：{X1,X2,…,Xm-1}；外部环境信息观测值集合：{E1,E2,…,Em-1}；周依赖历史数据、日依赖历史数据与当期趋势历史数据的序列长度：qw、qd、qtr周依赖历史数据、日依赖历史数据的滑动窗口：pw、pd；研究时间段长度：h（单位：分钟，则一天包含的时段总数：I=1440/h），对OD稀疏时空残差网络模型进行训练。
步骤S4：根据实时数据通过OD稀疏时空残差网络模型获得预测结果。
本发明通过引入7种既有模型作为基准，以验证所提出OD稀疏时空残差网络模型的先进性。7中基准模型的基本设定如下：
历史平均（HA）：直接将所输入的周间隔周期数据集以及日间隔周期数据集进行历史同期平均，作为所预测时刻OD客流矩阵的预测值。
自回归滑动平均（ARIMA）：自回归滑动平均是时间序列预测的经典模型，此处利用其对当日趋势时间序列进行预测。
三维卷积网络（CNN3）：直接利用三维卷积网络对当日趋势时间序列进行空间和时间特征同时提取（不进行出发地和目的地依赖的分别处理）和预测。
普通循环神经网络（RNN）：先对日趋势时间序列中的每一个OD客流矩阵进行特征提取，再利用RNN进行预测。
长短时记忆网络（LSTM）：先对日趋势时间序列中的每一个OD客流矩阵进行特征提取，再利用LSTM进行预测。
基于全连接的深度时空网络（DeepST）：针对时空数据的时空深度神经网络预测模型，其基于常规的全连接层深度神经网络构建，主要用于进行城市范围内的人流聚集预测。
时空残差网络（ST-ResNet）：针对时空数据的时空残差网络模型，堆叠了多个CNN及相应的残差连接进行空间特征识别，主要用于城市交通流预测。
表1 7种基准模型与所提出OD-SparseSTnet的预测结果对比
Figure 518391DEST_PATH_IMAGE060
表1展示了7种基准模型与所提出OD-SparseSTnet模型的在早高峰8:00-8:15（或早高峰8:00-8:05）时段的预测结果对比。由于HA方法仅部分考虑了周间隔与日间隔的历史周期依赖，而对于空间依赖缺乏考虑，其预测结果的RMSE与GAPE值最高，预测偏差最大。ARIMA、RNN与LSTM本质上都是时序模型，能较好的识别当日趋势依赖而无法识别OD客流的复杂空间依赖，三者的预测指标也仅优于HA方法。特别是在输出特征维度较大时，由于RNN与LSTM需要大量隐藏层参数，导致其难以适用于整个轨道交通线网的OD客流矩阵预测，存在很大的预测偏差。
CNN3可将OD客流矩阵的时间变化看作第三个维度，能够在一定程度上提取当日时间依赖和空间依赖特征，其预测结果也优于三种时序模型和HA方法。作为典型的时空数据处理模型，DeepST与ST-ResNet能够同时提取多重的时间关联和外部因素特征，且其内部的CNN也能在一定程度上识别空间依赖。相对于其他基准模型，二者的预测偏差大幅下降。然而， DeepST与ST-ResNet仍然无法对OD客流所特有的出发地与目的地依赖进行精细刻画，对数据的稀疏分布也缺乏考虑。
所提出OD-SparseSTnet在考虑轨道交通线网OD客流所特有的复杂时间依赖（周间隔周期依赖、日间隔周期依赖，当日趋势依赖）与空间依赖（出发地依赖、目的地依赖）的基础上，进一步引入了非零激活机制描述OD客流的稀疏分布特征。其预测偏差显著低于既有的空间模型（CNN3），时序模型（ARIMA、RNN与LSTM）以及时空模型（DeepST与ST-ResNe），预测偏差降低了降低14.89%以上。
请参照图13，图13为OD数据预测系统结构示意图。如图13所示，本发明基于深度时空网络的OD数据预测系统，包括：
数据集构建单元11：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集，其中数据集构建单元根据历史数据以不同的时间段为预测目标选取出多个数据集，至少一间隔历史周期数据集包括：周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者；
模型构建单元12：构建OD稀疏时空残差网络模型；
模型训练单元13：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练，其中所述模型训练单元13根据构建当日趋势数据集及至少一间隔周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和Adam算法进行模型训练；
预测结果输出单元14：根据实时数据通过OD稀疏时空残差网络模型获得预测结果。
进一步地，所述模型构建单元12包括：
数据集处理单元121：基于时间滑动机制对至少一间隔历史周期数据集进行处理对应地获得至少一滑动间隔历史周期数据集；
特征图获得单元122：构建二维逐点卷积层对至少一滑动间隔历史周期数据集及滑动日间隔历史周期数据进行特征提取与聚合获得特征图；
OD残差卷积单元123：对特征图及当日趋势数据集提取空间特征；
简化时序处理单元124：从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测；
初步预测获得单元125：根据历史时空预测及外部环境预测获得初步预测；
最终预测获得单元126：引入稀疏性的非零注意机制根据初步预测获得最终预测。
再进一步地，所述OD残差卷积单元123包括：
空间特征提取模块1231：通过堆叠多个深度分离一维卷积层对出发地依赖或目的地依赖特征的提取；
空间特征输出模块1232：通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。
又进一步地，所述简化时序处理单元124包括：
空间特征集获得模块1241：将空间特征在时间上进行堆叠，得到当日趋势空间特征集及至少一间隔周期空间特征集；
时序关联特征提取模块1242：通过连续的多个二维逐点卷积层用于从当日趋势空间特征集及至少一间隔周期空间特征集中提取非线性的时序关联特征；
时空预测值获得模块1243：根据提取的时序关联特征获得当日趋势时空预测值及至少一间隔周期时空预测值；
历史时空预测值获得模块1244：根据当日趋势时空预测值以及至少一间隔周期时空预测值获得历史时空预测值。
更进一步地，所述最终预测获得单元126包括：
OD矩阵均值获得模块1261：根据至少一间隔周期时空预测值以及当日趋势数据集获得OD矩阵均值；
转化模块1262：通过非零激活函数将OD矩阵均值转化为非零元素注意矩阵；
最终预测值输出模块1263：通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段OD矩阵的最终预测值。
综上所述，本发明在利用较少的网络参数和训练资源的条件下，实现了对OD矩阵的预测；通过OD稀疏时空残差网络模型，同时考虑OD数据所特有的复杂时间依赖（当日趋势、周间隔与日间隔）、空间依赖（出发地依赖与目的地依赖）和稀疏分布特性，以提升模型的描述能力和预测准确度；通过残差卷积单元同时对出发地依赖与目的地依赖特征进行识别，实现对复杂空间依赖的准确描述；通过简化时序处理单元，解决既有循环神经网络在预测OD矩阵时需要巨量的训练样本和计算资源的问题；通过设计了非零元素注意机制以考虑OD数据的稀疏分布特性，使模型的特征提取只围绕非零元素进行，进一步提升OD矩阵非零部分的预测精度。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (16)

1.一种基于深度时空网络的OD数据预测方法，其特征在于，包括：
步骤S1：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集；
步骤S2：构建OD稀疏时空残差网络模型；
步骤S3：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练；
步骤S4：根据实时数据通过OD稀疏时空残差网络模型获得预测结果。
2.如权利要求1所述的OD数据预测方法，其特征在于，所述步骤S1中包括：
多个数据集是根据历史数据以不同的时间段为预测目标选取出来的，至少一间隔历史周期数据集包括：周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者。
3.如权利要求2所述的OD数据预测方法，其特征在于，所述步骤S2中包括：
步骤S21：基于时间滑动机制对至少一间隔历史周期数据集进行处理对应地获得至少一滑动间隔历史周期数据集；
步骤S22：构建二维逐点卷积层对至少一滑动间隔历史周期数据集进行特征提取与聚合获得特征图；
步骤S23：构建OD残差卷积单元，对特征图及当日趋势数据集提取空间特征；
步骤S24：构建简化时序处理单元从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测；
步骤S25：根据历史时空预测及外部环境预测获得初步预测。
4.如权利要求3所述的OD数据预测方法，其特征在于，所述步骤S2中还包括：
步骤S26：引入稀疏性的非零注意机制根据初步预测获得最终预测。
5.如权利要求1所述的OD数据预测方法，其特征在于，所述步骤S3中，根据构建的当日趋势数据集及至少一间隔历史周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和Adam算法进行模型训练。
6.如权利要求3所述的OD数据预测方法，其特征在于，所述步骤S23中包括：
步骤S231：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
步骤S232：通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。
7.如权利要求6所述的OD数据预测方法，其特征在于，所述步骤S24中包括：
步骤S241：将空间特征在时间上进行堆叠，得到当日趋势空间特征集及至少一间隔周期空间特征集；
步骤S242：通过连续的多个二维逐点卷积层用于从当日趋势空间特征集及至少一间隔周期空间特征集中提取非线性的时序关联特征；
步骤S243：根据提取的时序关联特征获得当日趋势时空预测值及至少一间隔周期时空预测值；
步骤S244：根据当日趋势时空预测值以及至少一间隔周期时空预测值获得历史时空预测值。
8.如权利要求4所述的OD数据预测方法，其特征在于，所述步骤S26中包括：
步骤S261：根据至少一间隔历史周期数据集以及当日趋势数据集获得OD矩阵均值；
步骤S262：通过非零激活函数将OD矩阵均值转化为非零元素注意矩阵；
步骤S263：通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段OD矩阵的最终预测值。
9.一种基于深度时空网络的OD数据预测系统，其特征在于，包括：
数据集构建单元：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集；
模型构建单元：构建OD稀疏时空残差网络模型；
模型训练单元：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练；
预测结果输出单元：根据实时数据通过OD稀疏时空残差网络模型获得预测结果。
10.如权利要求9所述的 OD数据预测系统，其特征在于，所述数据集构建单元根据历史数据以不同的时间段为预测目标选取出多个数据集，至少一间隔历史周期数据集包括：周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者。
11.如权利要求10所述的OD数据预测系统，其特征在于，所述模型构建单元包括：
数据集处理单元：基于时间滑动机制对至少一间隔历史周期数据集进行处理对应地获得至少一滑动间隔历史周期数据集；
特征图获得单元：构建二维逐点卷积层对至少一滑动间隔历史周期数据集及滑动日间隔历史周期数据进行特征提取与聚合获得特征图；
OD残差卷积单元：对特征图及当日趋势数据集提取空间特征；
简化时序处理单元：从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测；
初步预测获得单元：根据历史时空预测及外部环境预测获得初步预测。
12.如权利要求11所述的OD数据预测系统，其特征在于，所述模型构建单元还包括：
最终预测获得单元：引入稀疏性的非零注意机制根据初步预测获得最终预测。
13.如权利要求9所述的OD数据预测系统，其特征在于，所述模型训练单元根据构建的当日趋势数据集及至少一间隔历史周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和Adam算法进行模型训练。
14.如权利要求11所述的OD数据预测系统，其特征在于，所述OD残差卷积单元包括：
空间特征提取模块：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
空间特征输出模块：通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。
15.如权利要求14所述的OD数据预测系统，其特征在于，所述简化时序处理单元包括：
空间特征集获得模块：将空间特征在时间上进行堆叠，得到当日趋势空间特征集及至少一间隔周期空间特征集；
时序关联特征提取模块：通过连续的多个二维逐点卷积层用于从当日趋势空间特征集及至少一间隔周期空间特征集中提取非线性的时序关联特征；
时空预测值获得模块：根据提取的时序关联特征获得当日趋势时空预测值及至少一间隔周期时空预测值；
历史时空预测值获得模块：根据当日趋势时空预测值以及至少一间隔周期时空预测值获得历史时空预测值。
16.如权利要求12所述的OD数据预测系统，其特征在于，所述最终预测获得单元包括：
OD矩阵均值获得模块：根据至少一间隔周期时空预测值以及当日趋势数据集获得OD矩阵均值；
转化模块：通过非零激活函数将OD矩阵均值转化为非零元素注意矩阵；
最终预测值输出模块：通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段OD矩阵的最终预测值。
CN202010336522.4A 2020-04-26 2020-04-26 基于深度时空网络的od数据预测方法及系统 Active CN111242292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010336522.4A CN111242292B (zh) 2020-04-26 2020-04-26 基于深度时空网络的od数据预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010336522.4A CN111242292B (zh) 2020-04-26 2020-04-26 基于深度时空网络的od数据预测方法及系统

Publications (2)

Publication Number Publication Date
CN111242292A true CN111242292A (zh) 2020-06-05
CN111242292B CN111242292B (zh) 2020-09-08

Family

ID=70865736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010336522.4A Active CN111242292B (zh) 2020-04-26 2020-04-26 基于深度时空网络的od数据预测方法及系统

Country Status (1)

Country Link
CN (1) CN111242292B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815075A (zh) * 2020-08-27 2020-10-23 北京航空航天大学 一种重大公共卫生事件下交通出行需求的预测方法
CN112101804A (zh) * 2020-09-21 2020-12-18 北京嘀嘀无限科技发展有限公司 车辆调度方法、装置、可读存储介质和电子设备
CN112100163A (zh) * 2020-08-19 2020-12-18 北京航空航天大学 一种基于三维卷积神经网络的路网状态时空预测方法
CN112215408A (zh) * 2020-09-24 2021-01-12 交控科技股份有限公司 轨道交通客流量预测方法及装置
CN112528365A (zh) * 2020-11-30 2021-03-19 北京航空航天大学 一种地下基础设施结构健康演化趋势预测方法
CN113692177A (zh) * 2021-07-09 2021-11-23 厦门科灿信息技术有限公司 数据中心制冷系统功耗的控制方法、装置及终端
CN114819366A (zh) * 2022-05-06 2022-07-29 华侨大学 一种od客流短时预测方法、装置、设备及其存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9092692B2 (en) * 2012-09-13 2015-07-28 Los Alamos National Security, Llc Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection
CN107730887A (zh) * 2017-10-17 2018-02-23 海信集团有限公司 实现交通流量预测的方法及装置、可读存储介质
CN110991775A (zh) * 2020-03-02 2020-04-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9092692B2 (en) * 2012-09-13 2015-07-28 Los Alamos National Security, Llc Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection
CN107730887A (zh) * 2017-10-17 2018-02-23 海信集团有限公司 实现交通流量预测的方法及装置、可读存储介质
CN110991775A (zh) * 2020-03-02 2020-04-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUNBO ZHANG 等: "Predicting citywide crowd flows using deep spatio-temporal residual networks", 《ARTIFICIAL INTELLIGENCE 》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100163A (zh) * 2020-08-19 2020-12-18 北京航空航天大学 一种基于三维卷积神经网络的路网状态时空预测方法
CN111815075A (zh) * 2020-08-27 2020-10-23 北京航空航天大学 一种重大公共卫生事件下交通出行需求的预测方法
CN112101804A (zh) * 2020-09-21 2020-12-18 北京嘀嘀无限科技发展有限公司 车辆调度方法、装置、可读存储介质和电子设备
CN112101804B (zh) * 2020-09-21 2021-11-02 北京嘀嘀无限科技发展有限公司 车辆调度方法、装置、可读存储介质和电子设备
CN112215408A (zh) * 2020-09-24 2021-01-12 交控科技股份有限公司 轨道交通客流量预测方法及装置
CN112528365A (zh) * 2020-11-30 2021-03-19 北京航空航天大学 一种地下基础设施结构健康演化趋势预测方法
CN113692177A (zh) * 2021-07-09 2021-11-23 厦门科灿信息技术有限公司 数据中心制冷系统功耗的控制方法、装置及终端
CN113692177B (zh) * 2021-07-09 2023-08-18 厦门科灿信息技术有限公司 数据中心制冷系统功耗的控制方法、装置及终端
CN114819366A (zh) * 2022-05-06 2022-07-29 华侨大学 一种od客流短时预测方法、装置、设备及其存储介质
CN114819366B (zh) * 2022-05-06 2024-07-26 华侨大学 一种od客流短时预测方法、装置、设备及其存储介质

Also Published As

Publication number Publication date
CN111242292B (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111242292B (zh) 基于深度时空网络的od数据预测方法及系统
Bi et al. Daily tourism volume forecasting for tourist attractions
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
Pan et al. Predicting bike sharing demand using recurrent neural networks
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
Li et al. Prediction for tourism flow based on LSTM neural network
Han et al. Using recurrent neural networks for localized weather prediction with combined use of public airport data and on-site measurements
Wen et al. A decomposition-based forecasting method with transfer learning for railway short-term passenger flow in holidays
CN111860951A (zh) 一种基于动态超图卷积网络的轨道交通客流预测方法
Venkatesh et al. Rainfall prediction using generative adversarial networks with convolution neural network
CN106448151A (zh) 一种短时交通流预测方法
CN111915073A (zh) 一种考虑日期属性和天气因素的铁路城际客流短期预测方法
Li et al. The forecasting of passenger demand under hybrid ridesharing service modes: A combined model based on WT-FCBF-LSTM
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN115206092B (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
Lee et al. Long short-term memory recurrent neural network for urban traffic prediction: A case study of seoul
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
CN114299728A (zh) 结合注意力机制与动态时空卷积模型的车辆流量预测方法
Liu et al. A method for short-term traffic flow forecasting based on GCN-LSTM
CN115545758A (zh) 城市服务设施自适应增量选址的方法和系统
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
Agga et al. Short-term load forecasting: based on hybrid CNN-LSTM neural network
Kiruthiga et al. Intraday time series load forecasting using Bayesian deep learning method—a new approach
Zhang et al. Short-term Traffic Flow Prediction With Residual Graph Attention Network.
Ye et al. Demand forecasting of online car‐hailing by exhaustively capturing the temporal dependency with TCN and Attention approaches

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
GR01 Patent grant
GR01 Patent grant