CN112257614B - 一种基于图卷积网络的航站楼客流量时空分布预测方法 - Google Patents
一种基于图卷积网络的航站楼客流量时空分布预测方法 Download PDFInfo
- Publication number
- CN112257614B CN112257614B CN202011153773.5A CN202011153773A CN112257614B CN 112257614 B CN112257614 B CN 112257614B CN 202011153773 A CN202011153773 A CN 202011153773A CN 112257614 B CN112257614 B CN 112257614B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- matrix
- terminal building
- gate
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于图卷积网络的航站楼客流量时空分布预测方法。其包括构造各个时间切片内的客流量时间分布矩阵;构造区域邻接矩阵;获得空间特征矩阵;提取航站楼内待预测时刻未来T′个时刻的客流量特征矩阵;获得由登机口变化引起的客流量特征矩阵;得到待预测航站楼内空间区域的最终预测的客流量特征矩阵等步骤。本发明效果:基于数据驱动,极大降低了研究的时间成本;预测模型具有较强稳定性与鲁棒性;充分利用航站楼内部的空间拓扑结构,深度挖掘航站楼内各空间区域内客流变化的内在机理,更好捕获航站楼内各空间区域客流变化的时空相关性;利用登机口变化导致航站楼内客流分布改变的条件,使得预测方法的精度更高,可解释性更强。
Description
技术领域
本发明属于民用航空技术领域,特别是涉及一种基于图卷积网络的航站楼客流量时空分布预测方法。
背景技术
预测航站楼内客流量的时空分布,是航站楼管理的基础任务,在提升服务效率和资源配置效率中具有极其重要的作用。
对于航站楼内客流量的预测,实质上属于时空序列预测问题,即基于历史时期内的客流时空分布数据,对当前以及未来一段时间内的客流量进行预测。目前,预测航站楼内客流量的研究较少,主要有:构建ARMA模型(自回归滑动平均模型)、K近邻算法、BP神经网络法等。传统的航站楼内客流量预测大多只是基于整体或单一区域的客流量序列进行预测,只利用了整体或单一区域的时间信息,未利用空间信息,这样预测的结果很容易由于其他区域的客流量变化造成预测准确性的下降。
在对公路、地铁站等场景的交通流预测研究中,卷积神经网络被用于提取交通流的空间特征,但卷积神经网络是将待预测区域划分为尺寸相同的网格,统计各个网格中的流量,不符合交通流量数据的真实空间特征。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于图卷积网络的航站楼客流量时空分布预测方法。
为了达到上述目的,本发明提供的基于图卷积网络的航站楼客流量时空分布预测方法包括按顺序进行的下列步骤:
1)对航站楼内监控摄像头采集的视频图像进行整合,得到航站楼内各个空间区域客流量的时间序列,构造各个时间切片内的客流量空间分布向量H;
2)利用图论方法,结合航站楼内各个空间区域与设施分布特点,将上述步骤1)获得的空间区域信息简化为图结构数据,并构造区域邻接矩阵A;
3)基于上述步骤1)获得的客流量空间分布向量H和步骤2)获得的区域邻接矩阵A,通过图卷积网络在图结构数据上进行图卷积操作,获得空间特征向量;
4)将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中,提取出航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1;
5)由航班计划及航班历史数据,得到待预测时刻未来两小时内起飞航班使用的登机口W及该航班前一天使用的登机口V,构造表示登机口变化的邻接矩阵k,将前一天对应于待预测时刻的未来T′个时刻的客流量特征矩阵输入图卷积网络进行图卷积操作,获得由登机口变化引起的客流量特征矩阵Y2;
6)对上述步骤4)获得的航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1和步骤5)获得的由登机口变化引起的客流量特征矩阵Y2进行线性整合,得到待预测航站楼内空间区域的最终预测的客流量特征矩阵。
在步骤1)中,所述的对航站楼内监控摄像头采集的视频图像进行整合,得到航站楼内各个空间区域客流量的时间序列,构造各个时间切片内的客流量空间分布向量H的方法是:
选取航站楼内能够覆盖关键换乘、排队区域的监控摄像头,按固定间隔对这些监控摄像头采集的视频图像进行截图,每个截图作为一个时间切片,然后从每个时间切片中得到该时刻、该监控摄像头覆盖空间区域内的客流量,并对监控摄像头进行编号、排序,构造每一个时间切片内的客流量空间分布向量H,其分量分别为各个空间区域在每一个时间切片内的客流量。
在步骤2)中,所述的利用图论方法,结合航站楼内各个空间区域与设施分布特点,将上述步骤1)获得的空间区域信息简化为图结构数据,并构造区域邻接矩阵A的方法是:
根据航站楼GIS地图,将步骤1)中的空间区域简化为节点,相邻的空间区域使用无向边相连,生成由节点和无向边组成的邻接拓扑图,所述邻接拓扑图中的节点为各个空间区域,无向边则代表各个空间区域之间的连接关系;根据步骤1)中监控摄像头对应的空间区域,对邻接拓扑图中的节点进行编号,创建两个维度都是节点编号的一个二维矩阵,若编号为i,j的两个空间区域相连,则在上述二维矩阵中,(i,j)元素对应的数值为1;若编号为i,j的两个空间区域不相连,则在上述二维矩阵中,(i,j)元素对应的数值为0,将标注了各个元素对应的数值后的二维矩阵作为区域邻接矩阵A。
在步骤3)中,所述的基于上述步骤1)获得的客流量空间分布向量H和步骤2)获得的区域邻接矩阵A,通过图卷积网络在图结构数据上进行图卷积操作,获得空间特征向量的方法是:
式中,为具有自连接的区域邻接矩阵,其中为单位矩阵;H(l)∈RN×D为第l层网络的激活值,H(0)为初始客流量时间分布向量;W(l)为第l层网络的权重矩阵;每次输入图卷积网络的数据为从待预测时刻开始过去T个时刻的数据;最后经全连接层进行整合而得到空间特征向量。
在步骤4)中,所述的将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中,提取出航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1的方法是:
4.1.将第t个时刻的空间特征向量与上一个时刻门控循环单元的的状态分别经过线性变换后相加,经Sigmoid激活函数处理,得到值域为(0,1)的更新门zt的值:
zt=σ(W(z)xt+U(z)ht-1) (2)
式中,σ为Sigmoid激活函数,xt为第t个时刻的空间特征向量,W(z)为第t个时刻的空间特征向量xt的权重系数,ht-1为第t-1个时刻门控循环单元的状态,U(z)为第t-1个时刻门控循环单元的状态ht-1的权重系数;
4.2.同样地,使用另一组第t个时刻的空间特征向量xt的权重系数W(z)和第t-1个时刻门控循环单元的状态ht-1的权重系数U(z),得到值域为(0,1)的重置门rt的值:
rt=σ(W(r)xt+U(r)ht-1) (3)
4.3.使用重置门rt的值进行线性变换,得到当前记忆的值:
h′t=tanh(Wxt+rt⊙Uht-1) (4)
4.4.使用上述更新门zt的值和当前记忆的值,获得输出信息:
ht=zt⊙ht-1+(1-zt)⊙h′t (5)
4.5.共进行T组门控循环单元的操作,对T组门控循环单元的输出信息经过全连接层进行整合,得到航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1,Y1=(Yt+1,Yt+2,...,Yt+T′),其中Yt+1,Yt+2,...,Yt+T′分别为待预测时刻未来T′个时刻的客流量特征向量。
在步骤5)中,所述的由航班计划及航班历史数据,得到待预测时刻未来两小时内起飞航班使用的登机口W及该航班前一天使用的登机口V,构造表示登机口变化的邻接矩阵k,将前一天对应于待预测时刻的未来T′个时刻的客流量特征矩阵输入图卷积网络进行图卷积操作,获得由登机口变化引起的客流量特征矩阵Y2的方法是:
5.1.由航班计划及航班历史数据,得到待预测时刻未来两小时起飞的航班的计划登机口与上一次使用的登机口;
5.2.设从待预测时刻开始未来两小时内有M架航班起飞,使用每一架航班的计划登机口与前一天使用的登机口数据,构建一个二维矩阵,若某航班当天使用的登机口为m,前一天该时间内使用的登机口为n,则在上述二维矩阵中,(m,n)元素对应的数值为1;否则,在上述二维矩阵中,(m,n)元素对应的数值为0,将标注了各个元素对应的数值后的二维矩阵作为表示登机口变化的邻接矩阵k;
5.3.由航站楼内客流分布的历史数据,得到前一天中对应于待预测时刻的未来T′个时刻的客流量特征矩阵Y′,Y′=(Y′t+1,Y′t+2,...,Y′t+T′),其中Y′t+1,Y′t+2,...,Y′t+T′分别为前一天中对应于待预测时刻的未来T′个时刻的客流量特征向量,然后结合上述表示登机口变化的邻接矩阵k分别进行K次图卷积操作,获得输出信息:
式中,S(l)为第I次迭代产生的客流量特征向量,S(0)=Y′;
在步骤6)中,所述的对上述步骤4)获得的航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1和步骤5)获得的由登机口变化引起的客流量特征矩阵Y2进行线性整合,得到待预测航站楼内空间区域的最终预测的客流量特征矩阵;
本发明提供的基于图卷积网络的航站楼客流量时空分布预测方法具有如下有益效果:
(1)本方法基于数据驱动,极大降低了研究的时间成本;
(2)建立的预测模型具有较强的稳定性与鲁棒性;
(3)充分利用航站楼内部的空间拓扑结构,深度挖掘航站楼内各空间区域内客流变化的内在机理,更好地捕获航站楼内各空间区域客流变化的时空相关性;
(4)利用了登机口变化导致航站楼内客流分布改变的条件,使得预测方法的精度更高,可解释性更强,机场运营方可依据本方法调整登机口以调控客流分布,提高服务质量。
附图说明
图1为本发明提供的基于图卷积网络的航站楼客流量时空分布预测方法流程图。
图2为简化后的航站楼空间结构示意图,其中椭圆和方框视为节点。
图3为图卷积网络结构示意图。
图4为循环门控单元结构示意图。
图5为待预测时刻未来T′个时刻的客流量特征矩阵Y1示意图。
图6为由登机口变化引起的客流量特征矩阵Y2示意图。
具体实施方式
下面结合附图,详细描述本发明的具体实施方式。
如图1所示,本发明提供的基于图卷积网络的航站楼客流量时空分布预测方法包括按顺序进行的下列步骤:
1)对航站楼内监控摄像头采集的视频图像进行整合,得到航站楼内各个空间区域客流量的时间序列,构造各个时间切片内的客流量空间分布向量H;
选取航站楼内能够覆盖关键换乘、排队区域的监控摄像头,按固定间隔对这些监控摄像头采集的视频图像进行截图,每个截图作为一个时间切片,然后从每个时间切片中得到该时刻、该监控摄像头覆盖空间区域内的客流量,并对监控摄像头进行编号、排序,构造每一个时间切片内的客流量空间分布向量H,其分量分别为各个空间区域在每一个时间切片内的客流量。
2)利用图论方法,结合航站楼内各个空间区域与设施分布特点,将上述步骤1)获得的空间区域信息简化为图结构数据,并构造区域邻接矩阵A;
如图2所示,根据航站楼GIS地图,将步骤1)中的空间区域简化为节点,相邻的空间区域使用无向边相连,生成由节点和无向边组成的邻接拓扑图,所述邻接拓扑图中的节点为各个空间区域,无向边则代表各个空间区域之间的连接关系;根据步骤1)中监控摄像头对应的空间区域,对邻接拓扑图中的节点进行编号,创建两个维度都是节点编号的一个二维矩阵,若编号为i,j的两个空间区域相连,则在上述二维矩阵中,(i,j)元素对应的数值为1;若编号为i,j的两个空间区域不相连,则在上述二维矩阵中,(i,j)元素对应的数值为0,将标注了各个元素对应的数值后的二维矩阵作为区域邻接矩阵A,图结构数据在图卷积运算过程中不发生改变。
3)基于上述步骤1)获得的客流量空间分布向量H和步骤2)获得的区域邻接矩阵A,通过图卷积网络在图结构数据上进行图卷积操作,获得空间特征向量;
式中,为具有自连接的区域邻接矩阵,以防止自身的信息消失,其中为单位矩阵;H(l)∈RN×D为第l层网络的激活值,H(0)为初始客流量时间分布向量;W(l)为第l层网络的权重矩阵。每次输入图卷积网络的数据为从待预测时刻开始过去T个时刻的数据。
图卷积网络的结构如图3所示,隐藏层中图的数量代表卷积核的数量,即提取的空间特征的数量,最后经全连接层进行整合而得到空间特征向量。
4)将上述步骤3)由图卷积网络提取的空间特征矩阵输入门控循环单元(GRU)中,提取出航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1;
将图卷积网络提取的空间特征向量与上一个时刻门控循环单元的状态输入门控循环单元,进行相关运算后经过激活函数处理,使用门控机制来记忆时间信息,捕捉输入的时间相关性。门控循环单元的结构如图4所示:
具体步骤为:
4.1.将第t个时刻的空间特征向量与上一个时刻门控循环单元的的状态分别经过线性变换后相加,经Sigmoid激活函数处理,得到值域为(0,1)的更新门zt的值:
zt=σ(W(z)xt+U(z)ht-1) (2)
式中,σ为Sigmoid激活函数,xt为第t个时刻的空间特征向量,W(z)为第t个时刻的空间特征向量xt的权重系数,ht-1为第t-1个时刻门控循环单元的状态,U(z)为第t-1个时刻门控循环单元的状态ht-1的权重系数。
4.2.同样地,使用另一组第t个时刻的空间特征向量xt的权重系数W(z)和第t-1个时刻门控循环单元的状态ht-1的权重系数U(z),得到值域为(0,1)的重置门rt的值:
rt=σ(W(r)xt+U(r)ht-1) (3)
4.3.使用重置门rt的值进行线性变换,得到当前记忆的值:
h′t=tanh(Wxt+rt⊙Uht-1) (4)
4.4.使用上述更新门zt的值和当前记忆的值,获得输出信息:
ht=zt⊙ht-1+(1-zt)⊙h′t (5)
4.5.共进行T组门控循环单元的操作,对T组门控循环单元的输出信息经过全连接层进行整合,得到航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1,Y1=(Yt+1,Yt+2,...,Yt+T′),其中Yt+1,Yt+2,...,Yt+T′分别为待预测时刻未来T′个时刻的客流量特征向量,如图5所示。
5)由航班计划及航班历史数据,得到待预测时刻未来两小时内起飞航班使用的登机口W及该航班前一天使用的登机口V,构造表示登机口变化的邻接矩阵k,将前一天对应于待预测时刻的未来T′个时刻的客流量特征矩阵输入图卷积网络进行图卷积操作,获得由登机口变化引起的客流量特征矩阵Y2;
具体步骤如下:
5.1.由航班计划及航班历史数据,得到待预测时刻未来两小时起飞的航班的计划登机口与上一次使用的登机口;
5.2.设从待预测时刻开始未来两小时内有M架航班起飞,使用每一架航班的计划登机口与前一天使用的登机口数据,构建一个二维矩阵,若某航班当天使用的登机口为m,前一天该时间内使用的登机口为n,则在上述二维矩阵中,(m,n)元素对应的数值为1;否则,在上述二维矩阵中,(m,n)元素对应的数值为0,将标注了各个元素对应的数值后的二维矩阵作为表示登机口变化的邻接矩阵k;
5.3.由航站楼内客流分布的历史数据,得到前一天中对应于待预测时刻的未来T′个时刻的客流量特征矩阵Y′,Y′=(Y′t+1,Y′t+2,...,Y′t+T′),其中Y′t+1,Y′t+2,...,Y′t+T′分别为前一天中对应于待预测时刻的未来T′个时刻的客流量特征向量,然后结合上述表示登机口变化的邻接矩阵k分别进行K次图卷积操作,获得输出信息:
式中,S(l)为第I次迭代产生的客流量特征向量,S(0)=Y′;
6)对上述步骤4)获得的航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1和步骤5)获得的由登机口变化引起的客流量特征矩阵Y2进行线性整合,得到待预测航站楼内空间区域的最终预测的客流量特征矩阵;
为验证本发明方法的效果,本发明人将上述最终预测的客流量特征矩阵与真实结果进行比较,并利用均方误差对比较结果进行衡量,将均方误差的衡量结果作为评价指标,对结构参数进行调整,以提高航站楼客流时空分布数据的预测效果。
使用均方根误差作为损失函数,计算过程为:
Claims (6)
1.一种基于图卷积网络的航站楼客流量时空分布预测方法,其特征在于:所述的基于图卷积网络的航站楼客流量时空分布预测方法包括按顺序进行的下列步骤:
1)对航站楼内监控摄像头采集的视频图像进行整合,得到航站楼内各个空间区域客流量的时间序列,构造各个时间切片内的客流量时间分布向量H;
2)利用图论方法,结合航站楼内各个空间区域与设施分布特点,将上述步骤1)获得的空间区域信息简化为图结构数据,并构造区域邻接矩阵A;
3)基于上述步骤1)获得的客流量时间分布向量H和步骤2)获得的区域邻接矩阵A,通过图卷积网络在图结构数据上进行图卷积操作,获得空间特征向量;
4)将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中,提取出航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1;
5)由航班计划及航班历史数据,得到待预测时刻未来两小时内起飞航班使用的登机口W及该航班前一天使用的登机口V,构造表示登机口变化的邻接矩阵k,将前一天对应于待预测时刻的未来T′个时刻的客流量特征矩阵输入图卷积网络进行图卷积操作,获得由登机口变化引起的客流量特征矩阵Y2;
6)对上述步骤4)获得的航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1和步骤5)获得的由登机口变化引起的客流量特征矩阵Y2进行线性整合,得到待预测航站楼内空间区域的最终预测的客流量特征矩阵;
在步骤5)中,所述的由航班计划及航班历史数据,得到待预测时刻未来两小时内起飞航班使用的登机口W及该航班前一天使用的登机口V,构造表示登机口变化的邻接矩阵k,将前一天对应于待预测时刻的未来T′个时刻的客流量特征矩阵输入图卷积网络进行图卷积操作,获得由登机口变化引起的客流量特征矩阵Y2的方法是:
5.1.由航班计划及航班历史数据,得到待预测时刻未来两小时起飞的航班的计划登机口与上一次使用的登机口;
5.2.设从待预测时刻开始未来两小时内有M架航班起飞,使用每一架航班的计划登机口与前一天使用的登机口数据,构建一个二维矩阵,若某航班当天使用的登机口为m,前一天该时间内使用的登机口为n,则在上述二维矩阵中,(m,n)元素对应的数值为1;否则,在上述二维矩阵中,(m,n)元素对应的数值为0,将标注了各个元素对应的数值后的二维矩阵作为表示登机口变化的邻接矩阵k;
5.3.由航站楼内客流分布的历史数据,得到前一天中对应于待预测时刻的未来T′个时刻的客流量特征矩阵Y′,Y′=(Y′t+1,Y′t+2,...,Y′t+T′),其中Y′t+1,Y′t+2,...,Y′t+T′分别为前一天中对应于待预测时刻的未来T′个时刻的客流量特征向量,然后结合上述表示登机口变化的邻接矩阵k分别进行K次图卷积操作,获得输出信息:
式中,S(l)为第I次迭代产生的客流量特征向量,S(0)=Y′;
2.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法,其特征在于:在步骤1)中,所述的对航站楼内监控摄像头采集的视频图像进行整合,得到航站楼内各个空间区域客流量的时间序列,构造各个时间切片内的客流量时间分布向量H的方法是:
选取航站楼内能够覆盖关键换乘、排队区域的监控摄像头,按固定间隔对这些监控摄像头采集的视频图像进行截图,每个截图作为一个时间切片,然后从每个时间切片中得到该时刻、该监控摄像头覆盖空间区域内的客流量,并对监控摄像头进行编号、排序,构造每一个时间切片内的客流量时间分布向量H,其分量分别为各个空间区域在每一个时间切片内的客流量。
3.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法,其特征在于:在步骤2)中,所述的利用图论方法,结合航站楼内各个空间区域与设施分布特点,将上述步骤1)获得的空间区域信息简化为图结构数据,并构造区域邻接矩阵A的方法是:
根据航站楼GIS地图,将步骤1)中的空间区域简化为节点,相邻的空间区域使用无向边相连,生成由节点和无向边组成的邻接拓扑图,所述邻接拓扑图中的节点为各个空间区域,无向边则代表各个空间区域之间的连接关系;根据步骤1)中监控摄像头对应的空间区域,对邻接拓扑图中的节点进行编号,创建两个维度都是节点编号的一个二维矩阵,若编号为i,j的两个空间区域相连,则在上述二维矩阵中,(i,j)元素对应的数值为1;若编号为i,j的两个空间区域不相连,则在上述二维矩阵中,(i,j)元素对应的数值为0,将标注了各个元素对应的数值后的二维矩阵作为区域邻接矩阵A。
4.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法,其特征在于:在步骤3)中,所述的基于上述步骤1)获得的客流量时间分布向量H和步骤2)获得的区域邻接矩阵A,通过图卷积网络在图结构数据上进行图卷积操作,获得空间特征向量的方法是:
5.根据权利要求1所述的基于图卷积网络的航站楼客流量时空分布预测方法,其特征在于:在步骤4)中,所述的将上述步骤3)由图卷积网络提取的空间特征向量输入门控循环单元中,提取出航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1的方法是:
4.1.将第t个时刻的空间特征向量与上一个时刻门控循环单元的状态分别经过线性变换后相加,经Sigmoid激活函数处理,得到值域为(0,1)的更新门zt的值:
zt=σ(W(z)xt+U(z)ht-1) (2)
式中,σ为Sigmoid激活函数,xt为第t个时刻的空间特征向量,W(z)为第t个时刻的空间特征向量xt的权重系数,ht-1为第t-1个时刻门控循环单元的状态,U(z)为第t-1个时刻门控循环单元的状态ht-1的权重系数;
4.2.同样地,使用另一组第t个时刻的空间特征向量xt的权重系数W(z)和第t-1个时刻门控循环单元的状态ht-1的权重系数U(z),得到值域为(0,1)的重置门rt的值:
rt=σ(W(r)xt+U(r)ht-1) (3)
4.3.使用重置门rt的值进行线性变换,得到当前记忆的值:
h′t=tanh(Wxt+rt⊙Uht-1) (4)
4.4.使用上述更新门zt的值和当前记忆的值,获得输出信息:
ht=zt⊙ht-1+(1-zt)⊙h′t (5)
4.5.共进行T组门控循环单元的操作,对T组门控循环单元的输出信息经过全连接层进行整合,得到航站楼内待预测时刻未来T′个时刻的客流量特征矩阵Y1,Y1=(Yt+1,Yt+2,...,Yt+T′),其中Yt+1,Yt+2,...,Yt+T′分别为待预测时刻未来T′个时刻的客流量特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011153773.5A CN112257614B (zh) | 2020-10-26 | 2020-10-26 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011153773.5A CN112257614B (zh) | 2020-10-26 | 2020-10-26 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257614A CN112257614A (zh) | 2021-01-22 |
CN112257614B true CN112257614B (zh) | 2022-05-17 |
Family
ID=74261914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011153773.5A Active CN112257614B (zh) | 2020-10-26 | 2020-10-26 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257614B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926452B (zh) * | 2021-02-25 | 2022-06-14 | 东北林业大学 | 一种基于GCN和GRU增强U-Net特征的高光谱分类方法及系统 |
CN114581846B (zh) * | 2022-03-03 | 2024-02-20 | 北京城建设计发展集团股份有限公司 | 地铁车站全息客流实时监测方法及装置及计算机设备 |
CN115049152A (zh) * | 2022-07-12 | 2022-09-13 | 中国民用航空总局第二研究所 | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 |
CN115983487B (zh) * | 2023-01-10 | 2023-07-25 | 大连理工大学 | 一种基于卡方分布的机场航站楼旅客时空分布预测方法 |
CN117131999B (zh) * | 2023-09-14 | 2024-04-30 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
CN118134064A (zh) * | 2024-05-10 | 2024-06-04 | 南京禄口国际机场空港科技有限公司 | 一种航站客流量的预测方法、系统、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110414747A (zh) * | 2019-08-08 | 2019-11-05 | 东北大学秦皇岛分校 | 一种基于深度学习的时空长短期城市人流量预测方法 |
CN111612243A (zh) * | 2020-05-18 | 2020-09-01 | 湖南大学 | 交通速度预测方法、系统及存储介质 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027673B (zh) * | 2019-11-14 | 2023-05-26 | 中山大学 | 一种地铁客流量预测方法 |
CN111292562B (zh) * | 2020-05-12 | 2020-08-18 | 北京航空航天大学 | 一种航空流量预测方法 |
-
2020
- 2020-10-26 CN CN202011153773.5A patent/CN112257614B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN110414747A (zh) * | 2019-08-08 | 2019-11-05 | 东北大学秦皇岛分校 | 一种基于深度学习的时空长短期城市人流量预测方法 |
CN111612243A (zh) * | 2020-05-18 | 2020-09-01 | 湖南大学 | 交通速度预测方法、系统及存储介质 |
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 |
Non-Patent Citations (3)
Title |
---|
Stochastic Origin-Destination Matrix Forecasting Using Dual-Stage Graph Convolutional, Recurrent Neural Networks;Jilin Hu et al.;《2020 IEEE 36th International Conference on Data Engineering (ICDE)》;20200527;第1417-1428页 * |
基于时空多图卷积网络的交通站点流量预测;荣斌等;《计算机工程》;20200531;第26-32页 * |
面向交通流量预测的多组件时空图卷积网络;冯 宁等;《软件学报》;20190331;第759-768页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257614A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257614B (zh) | 一种基于图卷积网络的航站楼客流量时空分布预测方法 | |
Liu et al. | Federated learning in the sky: Aerial-ground air quality sensing framework with UAV swarms | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN108205889B (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN108399745B (zh) | 一种基于无人机的分时段城市路网状态预测方法 | |
CN111626128A (zh) | 一种基于改进YOLOv3的果园环境下行人检测方法 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN112437451B (zh) | 一种基于生成对抗网络的无线网络流量预测方法和设备 | |
CN116468186B (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
CN113610286B (zh) | 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置 | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
CN114092866A (zh) | 一种机场客流量的时空分布预测方法 | |
CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
CN113610329A (zh) | 一种双流卷积长短期记忆网络的短时临近降雨预报方法 | |
CN113988263A (zh) | 工业物联网边缘设备中基于知识蒸馏的空时预测方法 | |
Andersson et al. | Combining street-level and aerial images for dengue incidence rate estimation | |
CN117332227A (zh) | 一种多时空尺度注意力机制的环境变量预测方法及设备 | |
CN116758349A (zh) | 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 | |
Zhang et al. | Deep learning based traffic and mobility prediction | |
CN116525135A (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN114254214A (zh) | 一种基于时空层次化网络的交通预测方法及系统 |
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 |