CN111815075B - 一种重大公共卫生事件下交通出行需求的预测方法 - Google Patents
一种重大公共卫生事件下交通出行需求的预测方法 Download PDFInfo
- Publication number
- CN111815075B CN111815075B CN202010874432.0A CN202010874432A CN111815075B CN 111815075 B CN111815075 B CN 111815075B CN 202010874432 A CN202010874432 A CN 202010874432A CN 111815075 B CN111815075 B CN 111815075B
- Authority
- CN
- China
- Prior art keywords
- demand
- matrix
- travel demand
- traffic
- representing
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005180 public health Effects 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 119
- 238000012417 linear regression Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims description 38
- 239000000126 substance Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims description 5
- 102100036788 Tubulin beta-4A chain Human genes 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 3
- 101000713575 Homo sapiens Tubulin beta-3 chain Proteins 0.000 claims description 3
- 101000713585 Homo sapiens Tubulin beta-4A chain Proteins 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims 1
- 230000001737 promoting effect Effects 0.000 abstract description 5
- 238000013526 transfer learning Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G06Q50/40—
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种重大公共卫生事件下交通出行需求的预测方法,实现在较大范围内爆发的重大公共卫生事件下对于不同地区交通出行需求的迁移学习,通过聚类将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式;利用多元线性回归来解释交通出行需求与不同影响因素之间的相关性,进行交通出行需求的初步估计并获得回归残差;采用时序图卷积网络模型从回归残差中捕捉时空变化模式,进一步提高出行需求预测的准确性。本发明能够在保证交通出行需求预测准确率的同时实现对交通出行需求影响机制的合理解释,特别是在重大公共卫生事件后期阶段,能够提前估计居民的公交出行需求,帮助相关部门制定促进公共交通和缓解道路拥堵的措施。
Description
技术领域
本发明涉及交通需求预测技术领域,尤其涉及一种重大公共卫生事件下交通出行需求的预测方法。
背景技术
重大公共卫生事件可能会在全国乃至全球范围内不同地区迅速蔓延,在这种情况下,不同地区政府都会采取相应的干预措施,包括宅家令、社交禁令、禁止公共集会、关闭餐馆、休闲场所和学校、暂停公共交通等,并且居民的自我保护意识也在不断增强,导致居民的出行需求降低。然而,在重大公共卫生事件后期,社区重新开放后,人们可能更倾向于乘坐私人交通工具,特别是有经济实力的人倾向于私家车出行,而没有经济能力的人更倾向于步行、自行车等便宜的代步工具,这将使得公共交通行业受到巨大冲击。研究政府干预下交通出行需求变化规律,预测重大公共卫生事件后期居民公交出行需求变化,特别是对不同地区出行需求变化的准确可迁移预测,可以帮助我们更好地掌握不同地区居民的出行规律,有助于相关部门制定促进公共交通和缓解潜在道路拥堵的措施。
用于出行需求估计与预测的模型大概分为两类:基于传统统计理论的模型和基于智能理论的模型。基于传统统计理论的预测模型采用数理统计的方法处理交通历史数据,包括历史平均法、卡尔曼滤波法、自回归移动平均模型等,其优势在于简单易实现,缺点是精度和实时性不高等。随着基于智能理论的预测模型出现,研究的热点逐渐转向了深度学习等方向。基于智能理论的模型包括遗传算法、模拟退火算法、粒子群算法、神经网络模型以及近年来受到广泛关注的深度学习模型等,这类算法具有识别复杂非线性系统的能力,因此比较适用于交通系统这种复杂系统。然而,深度学习模型往往是结构复杂、透明度低的黑箱模型,许多研究也在开发一些基于特征重要性的可解释模型,以实现对交通需求影响机制的合理解释。
此外,大部分出行需求估计与预测模型都是针对于一般时期而非发生重大公共卫生事件的特殊时期。重大公共卫生事件往往具有时间和空间传播特性,在不同地区的传播往往具有相似的时间传播特性。由于不同地区的管控和居民的防控意识不同,传播模式也会有所差别。基于以上因素,一般时期出行需求估计与预测模型不能直接应用于重大公共卫生事件影响下的交通出行需求估计与预测,需要进行一些针对性的改进。
发明内容
有鉴于此,本发明提供了一种重大公共卫生事件下交通出行需求的预测方法,用以准确掌握不同地区居民的出行规律,从而帮助相关部门制定促进公共交通和缓解潜在道路拥堵的措施。
本发明提供的一种重大公共卫生事件下交通出行需求的预测方法,包括如下步骤:
S1:对于需要进行交通出行需求预测的地区,通过多元线性回归方法得到初步回归结果,通过预先训练好的时序图卷积网络模型进行时空残差预测,得到残差预测结果;
S2:将所述初步回归结果与所述残差预测结果相加,得到最终预测结果;
其中,所述时序图卷积网络模型的训练过程包括如下步骤:
SS1:构建不同地区的交通出行需求数据库,包括不同地区的交通出行需求矩阵;
SS2:计算每两个地区的交通出行需求矩阵的DTW距离,得到DTW距离矩阵;
SS3:以所述DTW距离为相似性度量标准,对所述DTW距离矩阵进行时空相关性聚类,将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式;
SS4:对于不同的交通出行需求模式,通过多元线性回归方法得到待回归交通出行需求特征的回归值,计算所述待回归交通出行需求特征的回归值与所述待回归交通出行需求特征的实际值之间的回归残差;
SS5:根据不同地区的交通出行需求矩阵包含的交通出行需求特征,建立交通出行需求特征图,每个交通出行需求特征为所述交通出行需求特征图的一个节点,各个交通出行需求特征之间的皮尔逊相关系数为所述交通出行需求特征图的边;
SS6:根据建立的交通出行需求特征图,搭建时序图卷积网络模型,利用所述时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习,得到预先训练好的时序图卷积网络模型。
在一种可能的实现方式中,在本发明提供的上述重大公共卫生事件下交通出行需求的预测方法中,步骤SS1中,单个地区的交通出行需求矩阵为:
在一种可能的实现方式中,在本发明提供的上述重大公共卫生事件下交通出行需求的预测方法中,步骤SS2中,计算每两个地区的交通出行需求矩阵的DTW距离,具体包括:
其中,表示向量与向量的DTW距离,表示向量与向量的DTW距离,表示向量与向量的DTW距离,表示向量与向量的DTW距离;是由矩阵的第m-1行构成的向量,表示M地区第m-1天的交通出行需求;是由矩阵的第n-1行构成的向量,表示N地区第n-1天的交通出行需求;表示向量与向量的欧式距离;为矩阵的第m行第j列,表示M地区第m天第j个交通出行需求特征;为矩阵的第n行第j列,表示N地区第n天第j个交通出行需求特征。
在一种可能的实现方式中,在本发明提供的上述重大公共卫生事件下交通出行需求的预测方法中,步骤SS3,以所述DTW距离为相似性度量标准,对所述DTW距离矩阵进行时空相关性聚类,将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式,具体包括:
设置聚类簇的数目为q,将不同地区的交通出行需求矩阵划分为q类交通出行需求模式,表示为;每类交通出行需求模式由一系列不同地区的交通出行需求矩阵组成,第k类交通出行需求模式由Z k 个地区的交通出行需求矩阵组成集合:,k=1,2,…,q,其中,代表第k个交通出行需求模式中的第r个地区的交通出行需求矩阵,r=1,2,…,Z k 。
在一种可能的实现方式中,在本发明提供的上述重大公共卫生事件下交通出行需求的预测方法中,步骤SS4,对于不同的交通出行需求模式,通过多元线性回归方法得到待回归交通出行需求特征的回归值,计算所述待回归交通出行需求特征的回归值与所述待回归交通出行需求特征的实际值之间的回归残差,具体包括:
从单个交通出行需求矩阵所包含的特征中选定一个待回归交通出行需求特征,并建立所述待回归交通出行需求特征的解释变量矩阵,解释变量具体包括常数项、除所述待回归交通出行需求特征外的其他交通出行需求特征以及影响交通出行需求的外部因素;
其中,为回归训练集的样本总天数,回归训练集为单个交通出行需求模式所包含的不同地区的交通出行需求矩阵集合;当选择第k个交通出行需求模式进行回归时,有;l表示解释变量矩阵的维度;表示第u天第v个待回归交通出行需求特征的解释变量的值,u=1,2,…,a,v=1,2,…,l-1;
多元线性回归方法的计算公式如下:
在一种可能的实现方式中,在本发明提供的上述重大公共卫生事件下交通出行需求的预测方法中,步骤SS5中,各个交通出行需求特征之间的皮尔逊相关系数的计算公式如下:
其中,表示从不同地区的交通出行需求矩阵所包含的交通出行需求特征中选择的第个交通出行需求特征的实际值向量,向量长度为T,;表示从不同地区的交通出行需求矩阵所包含的交通出行需求特征中选择的第j个交通出行需求特征的实际值向量,向量长度为T;,表示样本总数目,Z表示地区总数目;为中第s个样本值,为中第s个样本值,s=1,2,…,T。
在一种可能的实现方式中,在本发明提供的上述重大公共卫生事件下交通出行需求的预测方法中,步骤SS6,根据建立的交通出行需求特征图,搭建时序图卷积网络模型,利用所述时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习,得到预先训练好的时序图卷积网络模型,具体包括:
结合循环门控单元和图卷积网络,搭建时序图卷积网络模型,计算公式如下:
其中,
其中,表示d时刻的更新门,表示d时刻的复位门,表示d时刻时序图卷积网络模型的候选隐藏层,表示d时刻时序图卷积网络模型的隐藏层的输出,表示d-1时刻时序图卷积网络模型的隐藏层的输出;为d时刻输入的交通出行需求特征矩阵,表示输入的交通出行需求特征矩阵经过图卷积操作后的结果,作为时序图卷积网络模型的输入层;表示sigmoid激活函数,tanh表示tanh激活函数,表示激活函数;表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到更新门的权重,表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到复位门的权重,表示从时序图卷积网络模型的输入层、复位门和时序图卷积网络模型的前一隐藏层到时序图卷积网络模型的候选隐藏层的权重,表示更新门偏差,表示复位门偏差,表示候选隐藏层偏差,表示图卷积操作;表示交通出行需求特征图的邻接矩阵,表示修正后的交通出行需求特征图的邻接矩阵,表示的对称归一化矩阵,表示第I行第J列的值,表示修正后的交通出行需求特征图的度矩阵,表示与邻接矩阵相同大小的单位矩阵;表示第一层的权值矩阵,表示第二层的权值矩阵;
本发明提供的上述重大公共卫生事件下交通出行需求的预测方法,实现在较大范围内爆发的重大公共卫生事件下对于不同地区交通出行需求的迁移学习,主要包括:通过聚类将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式;利用多元线性回归来解释交通出行需求与不同影响因素之间的相关性,进行交通出行需求的初步估计并获得回归残差;采用时序图卷积网络模型从回归残差中捕捉时空变化模式,进一步提高出行需求预测的准确性。与传统用于交通需求预测的黑箱深度学习模型不同,本发明采用线性回归捕捉不同影响因素对交通出行需求的影响,并对同一时刻不同影响因素建立图结构,定义每个影响因素为节点,不同因素间的皮尔逊系数绝对值为节点间的边权,具有一定程度的可解释性。另外,本发明针对不同地区可能具有类似的出行需求规律,首先进行聚类,然后通过划分训练集和测试集,对每一类出行需求模式利用一些地区的数据进行训练,可以对未经训练地区的交通出行需求进行迁移学习,这样对于后发生重大公共卫生事件的地区,可以学习先发生重大公共卫生事件地区的交通出行需求规律,从而有助于当地交通规划和政策的提前规划和调整。本发明提出一种可解释的深度学习模型框架,包括划分交通出行需求模式、多元线性回归和残差时空学习三个阶段,能够实现重大公共卫生事件下交通出行需求的不同地区迁移预测,能够在保证交通出行需求预测准确率的基础上,实现对交通出行需求影响机制的合理解释,具有实际意义,特别是在重大公共卫生事件后期工作和生产的有序恢复阶段,能够提前估计居民的公交出行需求,帮助相关部门制定促进公共交通和缓解潜在道路拥堵的措施。
附图说明
图1为本发明提供的一种重大公共卫生事件下交通出行需求的预测方法的流程示意图;
图2为交通出行需求特征图的结构示意图;
图3为时序图卷积网络模型的结构示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整的描述,显然,所描述的实施方式仅仅是作为例示,并非用于限制本发明。
本发明提供的一种重大公共卫生事件下交通出行需求的预测方法,包括如下步骤:
S1:对于需要进行交通出行需求预测的地区,通过多元线性回归方法得到初步回归结果,通过预先训练好的时序图卷积网络模型进行时空残差预测,得到残差预测结果;
S2:将初步回归结果与残差预测结果相加,得到最终预测结果;
其中,时序图卷积网络模型的训练过程包括如下步骤:
SS1:构建不同地区的交通出行需求数据库,包括不同地区的交通出行需求矩阵;
SS2:计算每两个地区的交通出行需求矩阵的DTW距离,得到DTW距离矩阵;
SS3:以DTW距离为相似性度量标准,对DTW距离矩阵进行时空相关性聚类,将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式;
SS4:对于不同的交通出行需求模式,通过多元线性回归方法得到待回归交通出行需求特征的回归值,计算待回归交通出行需求特征的回归值与待回归交通出行需求特征的实际值之间的回归残差;
SS5:根据不同地区的交通出行需求矩阵包含的交通出行需求特征,建立交通出行需求特征图,每个交通出行需求特征为交通出行需求特征图的一个节点,各个交通出行需求特征之间的皮尔逊相关系数为交通出行需求特征图的边;
SS6:根据建立的交通出行需求特征图,搭建时序图卷积网络模型,利用时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习,得到预先训练好的时序图卷积网络模型。
下面对本发明提供的上述重大公共卫生事件下交通出行需求的预测方法中时序图卷积网络模型的训练过程进行详细说明,如图1所示。
第一步,构建不同地区的交通出行需求数据库,包括不同地区的交通出行需求矩阵。
对不同地区的交通出行需求相关数据进行收集整理,包括不同类型地点的交通出行需求变化数据、节假日数据及累计病例数据。为了实现重大公共卫生事件下的居民出行规律,需要收集不同类型地点的交通出行需求变化数据,例如,包括零售和娱乐、食品杂货和药店、公园、中转站、工作场所、住宅地点在不同时间的交通出行需求变化数据;另外,由于交通出行需求变化还与节假日、当地公共卫生情况密切相关,因此,还需要收集节假日和累计病例等外部特征的相关数据。据此,构建不同地区的交通出行需求数据库,其中,单个地区的交通出行需求数据可以描述为如下矩阵:
其中,p表示单个地区的交通出行需求矩阵中特征的个数,包括不同类型地点的交通出行需求特征及外部特征,t表示从观测日开始的总天数;表示第i天第j个交通出行需求特征的值,i=1,2,…,t,j=1,2,…,p。
第二步,计算每两个地区的交通出行需求矩阵的DTW距离,得到DTW距离矩阵。
不同地区的交通出行需求变化规律相似性的计算,采用动态时间规整(DTW)算法。DTW是一种相似性度量方法,用于计算不同长度、不同频率的两个数组或时间序列之间的距离,通过一对多的匹配,使相同模式的波峰和波谷完全匹配。
其中,表示向量与向量的DTW距离,表示向量与向量的DTW距离,表示向量与向量的DTW距离,表示向量与向量的DTW距离;是由矩阵的第m-1行构成的向量,表示M地区第m-1天的交通出行需求;是由矩阵的第n-1行构成的向量,表示N地区第n-1天的交通出行需求;表示向量与向量的欧式距离;为矩阵的第m行第j列,表示M地区第m天第j个交通出行需求特征;为矩阵的第n行第j列,表示N地区第n天第j个交通出行需求特征。
第三步,以DTW距离为相似性度量标准,对DTW距离矩阵进行时空相关性聚类,将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式。
基于不同地区的交通出行需求变化规律相似性,区分不同的交通出行需求模式。K-means聚类算法是最直观、最常用的聚类算法之一。本发明选取K-means聚类算法,以DTW距离为相似性度量标准,选取交通出行需求特征作为聚类特征进行时空相关性聚类,自数据收集至今的不同出行地点的交通出行需求数据作为聚类特征进行时空相关性计算,这样,既考虑了空间信息又考虑了时间信息。通过聚类,可以划分出不同的交通出行需求模式。
设置聚类簇的数目为q,也就是将不同地区的交通出行需求矩阵划分为q类交通出行需求模式,表示为;每类交通出行需求模式由一系列不同地区的交通出行需求矩阵组成,第k类交通出行需求模式由Z k 个地区的交通出行需求矩阵组成集合:,k=1,2,…,q,其中,代表第k个交通出行需求模式中的第r个地区的交通出行需求矩阵,r=1,2,…,Z k 。
第四步,对于不同的交通出行需求模式,通过多元线性回归方法得到待回归交通出行需求特征的回归值,计算待回归交通出行需求特征的回归值与待回归交通出行需求特征的实际值之间的回归残差。
从单个交通出行需求矩阵所包含的特征中选定一个待回归交通出行需求特征,并建立待回归交通出行需求特征的解释变量矩阵,通常选择历史交通出行需求特征作为解释变量,更具体来说,可以选择前7天的交通出行需求特征作为解释变量,解释变量具体可以包括常数项、除待回归交通出行需求特征外的其他交通出行需求特征以及影响交通出行需求的外部因素;
其中,为回归训练集的样本总天数,回归训练集为单个交通出行需求模式所包含的不同地区的交通出行需求矩阵集合;当选择第k个交通出行需求模式进行回归时,有;l表示解释变量矩阵的维度;表示第u天第v个待回归交通出行需求特征的解释变量的值,u=1,2,…,a,v=1,2,…,l-1;
多元线性回归方法的计算公式如下:
第五步,根据不同地区的交通出行需求矩阵包含的交通出行需求特征,建立交通出行需求特征图,每个交通出行需求特征为交通出行需求特征图的一个节点,各个交通出行需求特征之间的皮尔逊相关系数为交通出行需求特征图的边,交通出行需求特征图如图2所示。
交通出行需求数据库中的特征包括不同类型地点的交通出行需求变化数据、节假日数据及累计病例数据。将其中不同类型地点的交通出行需求特征建模为图结构,每个特征为图中的一个节点,特征之间的边权由各交通出行需求变化特征间的皮尔逊相关系数表示。例如,采用这种方式将娱乐场所、杂货店、公园、公交站、工作场所、住宅地点人数变化百分比之间的相互影响耦合关系建模为图结构,具有一定程度的可解释性,能够考虑不同特征之间的空间相关性和耦合性,从而使深度学习模型(即后面提出的时序图卷积网络模型)有针对性地学习高度相关的重要特征。
皮尔逊相关系数是研究变量之间线性相关程度的量,量化了两个数据对象拟合一条直线的程度。皮尔逊相关系数为1或-1,表示两变量完全正相关或者完全负相关,皮尔逊相关系数为0,表示两变量完全不相关。各个交通出行需求特征之间的皮尔逊相关系数的计算公式如下:
其中,表示从不同地区的交通出行需求矩阵所包含的交通出行需求特征中选择的第个交通出行需求特征的实际值向量,向量长度为T,;表示从不同地区的交通出行需求矩阵所包含的交通出行需求特征中选择的第j个交通出行需求特征的实际值向量,向量长度为T;,表示样本总数目,Z表示地区总数目;为中第s个样本值,为中第s个样本值,s=1,2,…,T。
第六步,根据建立的交通出行需求特征图,搭建时序图卷积网络模型,利用时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习,得到预先训练好的时序图卷积网络模型。
结合循环门控单元(GRU)和图卷积网络(GCN),搭建时序图卷积网络模型(TGCN),如图3所示,TGCN的计算公式如下:
其中,
其中,表示d时刻的更新门,控制将更新多少信息,即决定前一隐藏层需要遗忘多少信息,候选隐藏层需要添加多少信息;表示d时刻的复位门,表示d时刻时序图卷积网络模型的候选隐藏层,表示d时刻时序图卷积网络模型的隐藏层的输出,表示d-1时刻时序图卷积网络模型的隐藏层的输出;为d时刻输入的交通出行需求特征矩阵,表示输入的交通出行需求特征矩阵经过图卷积操作后的结果,作为时序图卷积网络模型的输入层;表示sigmoid激活函数,tanh表示tanh激活函数,表示激活函数;表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到更新门的权重,表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到复位门的权重,表示从时序图卷积网络模型的输入层、复位门和时序图卷积网络模型的前一隐藏层到时序图卷积网络模型的候选隐藏层的权重,表示更新门偏差,表示复位门偏差,表示候选隐藏层偏差,表示图卷积操作;表示交通出行需求特征图的邻接矩阵,表示修正后的交通出行需求特征图的邻接矩阵,表示的对称归一化矩阵,表示第I行第J列的值,表示修正后的交通出行需求特征图的度矩阵,表示与邻接矩阵相同大小的单位矩阵;表示第一层的权值矩阵,表示第二层的权值矩阵;
综上所述,TGCN模型能够处理复杂的空间依赖和时间动态问题。一方面,利用图卷积神经网络获取空间拓扑结构,获取空间依赖性;另一方面,利用门控递归单元捕捉动态变化,获得时间依赖性;最终通过d时刻隐藏层再经过一个全连接层,得到预测的残差,实现残差预测任务;全连接层的公式如下:
第七步,对于需要进行交通出行需求预测的地区,通过多元线性回归方法得到初步回归结果,通过上面训练好的时空图卷积网络进行时空残差预测,得到残差预测结果。将初步回归结果与残差预测结果相加,得到最终的交通出行需求预测结果。单个地区交通出行需求预测结果计算公式如下:
本发明提供的上述重大公共卫生事件下交通出行需求的预测方法,实现在较大范围内爆发的重大公共卫生事件下对于不同地区交通出行需求的迁移学习,主要包括:通过聚类将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式;利用多元线性回归来解释交通出行需求与不同影响因素之间的相关性,进行交通出行需求的初步估计并获得回归残差;采用时序图卷积网络模型从回归残差中捕捉时空变化模式,进一步提高出行需求预测的准确性。与传统用于交通需求预测的黑箱深度学习模型不同,本发明采用线性回归捕捉不同影响因素对交通出行需求的影响,并对同一时刻不同影响因素建立图结构,定义每个影响因素为节点,不同因素间的皮尔逊系数绝对值为节点间的边权,具有一定程度的可解释性。另外,本发明针对不同地区可能具有类似的出行需求规律,首先进行聚类,然后通过划分训练集和测试集,对每一类出行需求模式利用一些地区的数据进行训练,可以对未经训练地区的交通出行需求进行迁移学习,这样对于后发生重大公共卫生事件的地区,可以学习先发生重大公共卫生事件地区的交通出行需求规律,从而有助于当地交通规划和政策的提前规划和调整。本发明提出一种可解释的深度学习模型框架,包括划分交通出行需求模式、多元线性回归和残差时空学习三个阶段,能够实现重大公共卫生事件下交通出行需求的不同地区迁移预测,能够在保证交通出行需求预测准确率的基础上,实现对交通出行需求影响机制的合理解释,具有实际意义,特别是在重大公共卫生事件后期工作和生产的有序恢复阶段,能够提前估计居民的公交出行需求,帮助相关部门制定促进公共交通和缓解潜在道路拥堵的措施。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种重大公共卫生事件下交通出行需求的预测方法,其特征在于,包括如下步骤:
S1:对于需要进行交通出行需求预测的地区,通过多元线性回归方法得到初步回归结果,通过预先训练好的时序图卷积网络模型进行时空残差预测,得到残差预测结果;
S2:将所述初步回归结果与所述残差预测结果相加,得到最终预测结果;
其中,所述时序图卷积网络模型的训练过程包括如下步骤:
SS1:构建不同地区的交通出行需求数据库,包括不同地区的交通出行需求矩阵;
SS2:计算每两个地区的交通出行需求矩阵的DTW距离,得到DTW距离矩阵;
SS3:以所述DTW距离为相似性度量标准,对所述DTW距离矩阵进行时空相关性聚类,将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式;
SS4:对于不同的交通出行需求模式,通过多元线性回归方法得到待回归交通出行需求特征的回归值,计算所述待回归交通出行需求特征的回归值与所述待回归交通出行需求特征的实际值之间的回归残差;
SS5:根据不同地区的交通出行需求矩阵包含的交通出行需求特征,建立交通出行需求特征图,每个交通出行需求特征为所述交通出行需求特征图的一个节点,各个交通出行需求特征之间的皮尔逊相关系数为所述交通出行需求特征图的边;
SS6:根据建立的交通出行需求特征图,搭建时序图卷积网络模型,利用所述时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习,得到预先训练好的时序图卷积网络模型。
3.如权利要求2所述的重大公共卫生事件下交通出行需求的预测方法,其特征在于,步骤SS2中,计算每两个地区的交通出行需求矩阵的DTW距离,具体包括:
5.如权利要求4所述的重大公共卫生事件下交通出行需求的预测方法,其特征在于,步骤SS4,对于不同的交通出行需求模式,通过多元线性回归方法得到待回归交通出行需求特征的回归值,计算所述待回归交通出行需求特征的回归值与所述待回归交通出行需求特征的实际值之间的回归残差,具体包括:
从单个交通出行需求矩阵所包含的特征中选定一个待回归交通出行需求特征,并建立所述待回归交通出行需求特征的解释变量矩阵,解释变量具体包括常数项、除所述待回归交通出行需求特征外的其他交通出行需求特征以及影响交通出行需求的外部因素;
其中,为回归训练集的样本总天数,回归训练集为单个交通出行需求模式所包含的不同地区的交通出行需求矩阵集合;当选择第k个交通出行需求模式进行回归时,有;l表示解释变量矩阵的维度;表示第u天第v个待回归交通出行需求特征的解释变量的值,u=1,2,…,a,v=1,2,…,l-1;
多元线性回归方法的计算公式如下:
7.如权利要求6所述的重大公共卫生事件下交通出行需求的预测方法,其特征在于,步骤SS6,根据建立的交通出行需求特征图,搭建时序图卷积网络模型,利用所述时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习,得到预先训练好的时序图卷积网络模型,具体包括:
结合循环门控单元和图卷积网络,搭建时序图卷积网络模型,计算公式如下:
其中,
其中,表示d时刻的更新门,表示d时刻的复位门,表示d时刻时序图卷积网络模型的候选隐藏层,表示d时刻时序图卷积网络模型的隐藏层的输出,表示d-1时刻时序图卷积网络模型的隐藏层的输出;为d时刻输入的交通出行需求特征矩阵,表示输入的交通出行需求特征矩阵经过图卷积操作后的结果,作为时序图卷积网络模型的输入层;表示sigmoid激活函数,tanh表示tanh激活函数,表示激活函数;表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到更新门的权重,表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到复位门的权重,表示从时序图卷积网络模型的输入层、复位门和时序图卷积网络模型的前一隐藏层到时序图卷积网络模型的候选隐藏层的权重,表示更新门偏差,表示复位门偏差,表示候选隐藏层偏差,表示图卷积操作;表示交通出行需求特征图的邻接矩阵,表示修正后的交通出行需求特征图的邻接矩阵,表示的对称归一化矩阵,表示第I行第J列的值,表示修正后的交通出行需求特征图的度矩阵,表示与邻接矩阵相同大小的单位矩阵;表示第一层的权值矩阵,表示第二层的权值矩阵;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010874432.0A CN111815075B (zh) | 2020-08-27 | 2020-08-27 | 一种重大公共卫生事件下交通出行需求的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010874432.0A CN111815075B (zh) | 2020-08-27 | 2020-08-27 | 一种重大公共卫生事件下交通出行需求的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815075A CN111815075A (zh) | 2020-10-23 |
CN111815075B true CN111815075B (zh) | 2021-01-15 |
Family
ID=72859203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010874432.0A Active CN111815075B (zh) | 2020-08-27 | 2020-08-27 | 一种重大公共卫生事件下交通出行需求的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815075B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808395B (zh) * | 2021-08-31 | 2023-04-18 | 东南大学 | 一种大型活动交叉路口拥堵风险预测方法 |
CN115526382B (zh) * | 2022-09-09 | 2023-05-23 | 扬州大学 | 一种路网级交通流预测模型可解释性分析方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190795B (zh) * | 2018-08-01 | 2022-02-18 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN109887282B (zh) * | 2019-03-05 | 2022-01-21 | 中南大学 | 一种基于层级时序图卷积网络的路网交通流预测方法 |
CN110322064B (zh) * | 2019-06-27 | 2022-04-15 | 清华大学 | 城市出行需求预测方法 |
CN110633871B (zh) * | 2019-09-25 | 2022-09-16 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
CN111242292B (zh) * | 2020-04-26 | 2020-09-08 | 北京全路通信信号研究设计院集团有限公司 | 基于深度时空网络的od数据预测方法及系统 |
-
2020
- 2020-08-27 CN CN202010874432.0A patent/CN111815075B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111815075A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN110766942A (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
EP4016412A1 (en) | Traffic prediction | |
CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
CN114202122A (zh) | 基于马尔可夫聚类图注意力网络的城市交通流量预测方法 | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN110428614B (zh) | 一种基于非负张量分解的交通拥堵热度时空预测方法 | |
CN115565369B (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
CN111915076A (zh) | 一种利用人工智能神经网络实现景区观景人员预测的方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211229 Address after: 908, block a, floor 8, No. 116, Zizhuyuan Road, Haidian District, Beijing 100089 Patentee after: ZHONGZI DATA CO.,LTD. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right |