CN113077281B - 一种地铁客流量分布预测方法以及设备 - Google Patents
一种地铁客流量分布预测方法以及设备 Download PDFInfo
- Publication number
- CN113077281B CN113077281B CN202110270766.1A CN202110270766A CN113077281B CN 113077281 B CN113077281 B CN 113077281B CN 202110270766 A CN202110270766 A CN 202110270766A CN 113077281 B CN113077281 B CN 113077281B
- Authority
- CN
- China
- Prior art keywords
- distribution
- passenger flow
- qth
- hidden state
- characteristic
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 576
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000004927 fusion Effects 0.000 claims abstract description 76
- 230000008569 process Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012512 characterization method Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 description 36
- 239000011159 matrix material Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002904 solvent Substances 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地铁客流量分布预测方法以及设备,本发明通过将OD客流量分布中未完成的订单信息作为输入的一部分,与已完成的订单信息一起输入OD客流量分布预测子模型进行预测,从而在对未来的客流量分布预测中考虑了未完成的订单信息。并且,本发明实施例通过将OD第一分布特征隐藏状态和DO第一分布特征隐藏状态进行融合后获得融合特征,从而充分发掘了OD客流量分布与DO客流量分布在预测中相互之间的指导作用,使得地铁客流量分布预测模型输出的预测结果能够准确完整地反映客流量的真实分布情况。
Description
技术领域
本发明涉及轨道交通领域,尤其涉及一种地铁客流量分布预测方法以及设备。
背景技术
城市交通流量分布预测是智能交通和城市计算领域中的重要一环,可以为城市规划、交通预警或其他任务的决策过程提供重要信息。作为城市中一种高效的出行方式,地铁在城市交通中起着重要的作用。庞大的地铁客流量给城市交通管理带来了巨大的挑战,掌握乘客的出行规律能为管理方提供强有力的帮助,在地铁调度和路线规划中起到重要作用,提高地铁系统的运营效率。因此,预测城市地铁系统的客流量分布具有重大意义。
近年来,随着深度学习和数据挖掘的发展,深度神经网络已广泛用于城市交通预测。在交通预测问题中,被研究的城市通常依据地理坐标被划分为规则的网格图,收集到的交通状态数据根据网格图进行统计,被表示为一个欧氏空间的张量,输入到卷积神经网络中进行特征学习。但由于地铁的拓扑结构是不规则的,其数据结构是非欧氏空间的,这种方式对地铁系统不适用。新兴的图卷积网络能更加有效地对地铁系统的非欧几里得结构进行建模。对地铁客流量分布预测问题而言,地铁客流量分布包含出发地-目的地(OD)的客流量分布和目的地-出发地(DO)的客流量分布两个方面,分别展示了进入每个地铁站的乘客的去向信息和到达目的地的乘客的来源信息。与DO分布预测相比,OD分布预测更具有挑战性,因为在实际的地铁系统中,乘客的目的地在其出站时方可得知。对于乘客出站的时刻而言,其出发地和出发时刻是已知的,但对于乘客进站的时刻而言,其目的地和到达时刻是未知的,无法立即获得完整的OD分布。现有方法根据已完成的历史订单获得每个时间间隔内不完整的OD分布信息,用来预测未来的完整OD客流量,或者为了保证用于预测的数据是完整的,假设两个站点之间的出行用时服从正态分布,在时间跨度足够长的情况下,能够以较高的置信度预计进站乘客已经到达目的地。但对于OD分布预测来说,每个时刻未完成的订单也能提供有用的信息,而现有技术中在客流量的分布预测中,没有考虑未完成的订单,导致无法准确完整地反映客流量的真实分布情况。
综上所述,现有技术在对地铁系统的客流量分布进行预测时,没有考虑到每个时刻未完成的订单,导致存在着无法准确完整地反映客流量的真实分布情况的技术问题。
发明内容
本发明提供了一种地铁客流量分布预测方法以及设备,本发明在对地铁系统的客流量分布进行预测时考虑到每个时刻未完成的订单,使得地铁客流量分布预测模型输出的预测结果能够准确完整地反映客流量的真实分布情况。
为了解决上述技术问题,本发明实施例提供了一种地铁客流量分布预测方法,包括以下步骤:
获取地铁系统在Z个历史时刻的OD客流量分布以及Z个历史时刻的DO客流量分布;其中,所述OD客流量分布中包括已完成的订单信息以及未完成的订单信息,其中,Z∈N+;
将所述Z个历史时刻的OD客流量分布以及所述Z个历史时刻的DO客流量分布输入到预先设置的地铁客流量分布预测模型中,以使所述地铁客流量分布预测模型根据所述Z个历史时刻的OD客流量分布以及所述Z个历史时刻的DO客流量分布,获得OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态,并基于由所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得的融合特征,获得OD第二分布特征隐藏状态和所述DO第二分布特征隐藏状态,基于所述OD第一分布特征隐藏状态、所述DO第一分布特征隐藏状态、所述OD第二分布特征隐藏状态以及所述DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布预测。
优选的,所述地铁客流量分布预测模型基于所述Z个历史时刻OD客流量分布以及所述Z个历史时刻DO客流量分布,得到OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型基于所述Z个历史时刻的OD客流量分布,得到Z个历史时刻中每个历史时刻所对应的OD第一分布特征隐藏状态;
所述地铁客流量分布预测模型基于所述Z个历史时刻的DO客流量分布,得到Z个历史时刻中每个历史时刻所对应的DO第一分布特征隐藏状态。
优选的,所述地铁客流量分布预测模型基于所述Z个历史时刻的OD客流量分布,得到Z个历史时刻中每个历史时刻所对应的OD第一分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型获取第q-1 OD第一分布特征隐藏状态,从所述Z个历史时刻的OD客流量分布中获取第q历史时刻的OD客流量分布,其中,q∈Z,当q=1时,第q-1 OD第一分布特征隐藏状态为0;
所述地铁客流量分布预测模型执行第一分析步骤,其中,第一分析步骤的具体过程为:
所述地铁客流量分布预测模型基于所述第q-1 OD第一分布特征隐藏状态对所述第q历史时刻的OD客流量分布中已完成的订单信息进行时空表征学习,得到第qOD出站客流量特征隐藏状态;基于所述第q-1 OD第一分布特征隐藏状态对所述第q历史时刻的OD客流量分布中未完成的订单信息进行时空表征学习,得到第qOD未出站客流量特征隐藏状态;基于所述第qOD出站客流量特征隐藏状态以及所述第qOD未出站客流量特征隐藏状态,得到第qOD第一分布特征隐藏状态;
令q=q+1,重新执行第一分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的OD第一分布特征隐藏状态。
优选的,所述地铁客流量分布预测模型基于所述Z个历史时刻的DO客流量分布,得到Z个历史时刻中每个历史时刻所对应的DO第一分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型获取第q-1 DO第一分布特征隐藏状态,从所述Z个历史时刻的DO客流量分布中获取第q历史时刻的DO客流量分布,其中,q∈Z,当q=1时,第q-1 DO第一分布特征隐藏状态为0;
所述地铁客流量分布预测模型执行第二分析步骤,其中,第二分析步骤的具体过程为:
所述地铁客流量分布预测模型基于所述第q-1 DO第一分布特征隐藏状态对所述第q历史时刻的DO客流量分布进行时空表征学习,得到第qDO第一分布特征隐藏状态;
令q=q+1,重新执行第二分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的DO第一分布特征隐藏状态。
优选的,所述融合特征包括OD融合特征和DO融合特征。
优选的,所述地铁客流量分布预测模型由所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得的OD融合特征和DO融合特征的具体过程为:
所述地铁客流量分布预测模型对所述第q OD第一分布特征隐藏状态进行计算,得到第q OD第一分布特征隐藏状态的第q第一query值、第q OD第一分布特征隐藏状态的第q第一key值以及第q OD第一分布特征隐藏状态的第q第一value值;
所述地铁客流量分布预测模型对所述第q DO第一分布特征隐藏状态进行计算,得到第q DO第一分布特征隐藏状态的第q第二query值、第q DO第一分布特征隐藏状态的第q第二key值以及第q DO第一分布特征隐藏状态的第q第二value值;
所述地铁客流量分布预测模型基于所述第q第一query值、所述第q第二key值、所述第q第二value值以及所述第q OD第一分布特征隐藏状态,得到所述第q OD融合特征;基于所述第q第二query值、第q第一key值、所述第q第一value值以及所述第q DO第一分布特征隐藏状态,得到所述第q DO融合特征。
优选的,所述地铁客流量分布预测模型基于由所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得的融合特征,获得OD第二分布特征隐藏状态和所述DO第二分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型获取第qOD融合特征、第q-1 OD第二分布特征隐藏状态,第q DO融合特征以及第q-1 DO第二分布特征隐藏状态;其中,q∈Z,当q=1时,第q-1OD第二分布特征隐藏状态以及第q-1 DO第二分布特征隐藏状态均为0;
所述地铁客流量分布预测模型执行第三分析步骤,其中,第三分析步骤为:
基于所述第qOD融合特征以及所述第q-1 OD第二分布特征隐藏状态,得到第q OD第二分布特征隐藏状态,基于所述第q DO融合特征以及所述第q-1 DO第二分布特征隐藏状态,得到第q DO第二分布特征隐藏状态;
令q=q+1,重新执行第三分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的第q OD第二分布特征隐藏状态以及第q DO第二分布特征隐藏状态。
优选的,基于所述OD第一分布特征隐藏状态、所述DO第一分布特征隐藏状态、所述OD第二分布特征隐藏状态以及所述DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布预测的具体过程为:
所述地铁客流量分布预测模型基于第Z OD第一分布特征隐藏状态,第Z OD第二分布特征隐藏状态,第Z DO第一分布特征隐藏状态以及第Z DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布。
本发明还提供了一种地铁客流量分布预测设备,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述的一种地铁客流量分布预测方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明实施例提供的一种地铁客流量分布预测方法以及设备,本发明实施例通过将OD客流量分布中未完成的订单信息作为输入的一部分,与已完成的订单信息一起输入OD客流量分布预测子模型进行预测,从而在对未来的客流量分布预测中考虑了未完成的订单信息。并且,本发明实施例通过将OD第一分布特征隐藏状态和DO第一分布特征隐藏状态进行融合后获得融合特征,从而充分发掘了OD客流量分布与DO客流量分布在预测中相互之间的指导作用,使得地铁客流量分布预测模型输出的预测结果能够准确完整地反映客流量的真实分布情况。
附图说明
图1:为本发明实施例提供的一种地铁客流量分布预测方法的方法流程图。
图2:为本发明实施例提供的一种地铁客流量分布预测模型的结构示意图。
图3:为本发明实施例提供的一种地铁客流量分布预测方法的方法流程图。
图4:为本发明实施例提供的一种地铁客流量分布预测模型的结构示意图。
图5:为本发明实施例提供的一种地铁客流量分布预测方法中获得OD融合特征的流程图。
图6:为本发明实施例提供的一种地铁客流量分布预测模型的工作原理图。
图7:为本发明实施例提供的一种地铁客流量分布预测设备的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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作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。
实施例一
如图1所示,本发明实施例提供了一种地铁客流量分布预测方法,包括以下步骤:
S101:获取地铁系统在Z个历史时刻的OD客流量分布以及Z个历史时刻的DO客流量分布。其中,需要进一步说明的是,所述OD客流量分布中包括已完成的订单信息以及未完成的订单信息,Z∈N+;
S102:将OD客流量分布以及DO客流量分布输入到预先设置的地铁客流量分布预测模型中,以使所述地铁客流量分布预测模型根据所述Z个历史时刻的OD客流量分布以及所述Z个历史时刻的DO客流量分布,获得OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态,并基于由所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得的融合特征,获得OD第二分布特征隐藏状态和所述DO第二分布特征隐藏状态,基于所述OD第一分布特征隐藏状态、所述DO第一分布特征隐藏状态、所述OD第二分布特征隐藏状态以及所述DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布预测。
其中,如图2所示,本发明实施例提供的一种地铁客流量分布预测模型,包括OD客流量分布预测子模型、DO客流量分布预测子模型以及数据交互模块,其中,OD客流量分布预测子模型和DO客流量分布预测子模型都采用了Seq2Seq的架构,各由一个编码器和一个解码器组成,在编码器和解码器中都包含两层图推理模块。
OD客流量分布预测子模型用于对历史时刻的OD客流量分布中已完成的订单信息以及未完成的订单信息进行时空表征学习,得到OD第一分布特征隐藏状态,以及,基于上一个历史时刻的OD第二分布特征隐藏状态以及数据交互模块发送的OD融合特征,生成OD第二分布特征隐藏状态,基于所述OD第二分布特征隐藏状态以及OD融合特征,输出未来时刻的OD客流量分布预测值;
其中,需要进一步说明的是,在某一时间间隔内,DO客流量分布数据是完整的,而OD客流量分布数据是不完整的,其原因在于,若将乘客在地铁系统中的一次行程视为一个订单,与可在乘客出站的时刻获得订单的出发地、目的地不同的是,在现实中无法在乘客进站时立即获得订单对应的目的地信息。然而,实际上可以通过进站人数和不完整的OD客流量分布数据推断出在当前时间间隔内仍在行程中的人数。因此在本实施例中,将某一时间间隔内的OD客流量分为已完成订单和未完成订单两部分,即已完成的订单信息以及未完成的订单信息。
DO客流量分布预测子模型用于对当前时刻的DO客流量分布进行时空表征学习,得到DO第一分布特征隐藏状态,以及,基于上一个历史时刻的DO第二分布特征隐藏状态以及数据交互模块发送的DO融合特征,生成DO第二分布特征隐藏状态,基于所述OD第二分布特征隐藏状态以及DO融合特征,输出未来时刻的DO客流量分布预测值;
数据交互模块用于基于OD第一分布特征隐藏状态和DO第一分布特征隐藏状态进行特征融合,得到OD融合特征以及DO融合特征,将OD融合特征发送至OD客流量分布预测子模型中,将DO融合特征发送至DO客流量分布预测子模型中。
本发明实施例通过将OD客流量分布中未完成的订单信息作为输入的一部分,与已完成的订单信息一起输入OD客流量分布预测子模型进行预测,从而在对未来的客流量分布预测中考虑了未完成的订单信息。并且,本发明实施例通过将OD第一分布特征隐藏状态和DO第一分布特征隐藏状态进行融合后获得融合特征,从而充分发掘了OD客流量分布与DO客流量分布在预测中相互之间的指导作用,使得地铁客流量分布预测模型输出的预测结果能够准确完整地反映客流量的真实分布情况。
实施例二
在详细介绍本实施例提供的一种地铁客流量分布预测方法之前,首先定义本实施例中出现的符号。
将地铁系统网络表示为一个无向图V是节点集合,包含N个节点;E是边集合,显示节点与节点之间的连通性;W是一个大小为N×N的加权邻接矩阵,表示节点之间边的权重。根据地铁系统拓扑图构建中的一个节点vi表示地铁系统中乘客出发或到达的一个站点,E中的一条边e(vi,vj)表示从站点i到站点j之间有相连的地铁线路。为了计算边的权重,构造一个大小为N×N的邻接矩阵P。如果节点i和j之间存在边,则P(i,j)=1,否则P(i,j)=0。通过在矩阵每一行执行线性归一化来获得边的权重Wp。基于以上说明,边e(vi,vj)的权重Wp(i,j)由以下公式计算:
将上观察到的第t个时间间隔内从站点i进站前往其他目的地的乘客数量表示为图信号从站点i出站、从其他站点出发的乘客数量表示为图信号地铁系统中客流量分布非常稀疏,因此对于OD客流量分布预测,仅考虑从站点i到其乘客最有可能到达的前M个站点的客流量以及到其余站点的总客流量,即OD向量的长度为M+1。具体地,是从站点i出发前往第j个最相关站点的客流量,而是前往其余站点的总客流量。对于DO客流量分布预测同样进行类似的定义,则在第t个时间间隔内所有出发地-目的地站点之间的客流量和目的地-出发地站点之间的客流量分别表示为大小为N×(M+1)的矩阵和
值得注意的是,对于时间间隔t,DO客流量分布收集到的数据是完整的,而OD客流量分布数据是不完整的。其原因在于,若将乘客在地铁系统中的一次行程视为一个订单,与可在乘客出站的时刻获得订单的出发地、目的地不同的是,在现实中无法在乘客进站时立即获得订单对应的目的地信息。然而,实际上可以通过进站人数和不完整的OD客流量分布数据推断出在当前时间间隔内仍在行程中的人数。因此将时间间隔t内的进站客流量分为已完成订单和未完成订单两部分,分别记为和前者大小为N×(M+1),记录了在当前时间间隔内已经出站的乘客人数,后者大小为N×1,后者记录了尚未出站的乘客人数。基于以上定义,在给定前n个时间间隔的历史客流量分布的情况下,本实施例所指的OD客流量分布预测和DO客流量分布预测的目标是预测未来m个时间间隔的地铁客流量分布:
在本实施例中,将时间间隔t内的进站客流量表示为并分为已完成订单和未完成订单两部分,分别记为和假设未完成订单的乘客最终的去向分布为大小为N×(M+1)的矩阵,记为则由于已知,如果能够预估和未完成订单的乘客最终的去向分布,就能对当时间间隔t内的客流量分布情况有更为准确的把握,从而更有效地预测未来的客流量分布。
为了更好地利用未完成订单中的信息,在本实施例中统计所有历史OD客流量数据,记录一周中每一天各个时间间隔内所有站点的OD客流量分布,将对应时间间隔内的结果相加得到历史OD客流量分布并对每个站点进行归一化,计算客流量历史偏好矩阵WH,它代表了乘客从站点i出发,前往站点j的可能性:
根据计算出的客流量历史偏好,预计未完成订单的乘客的去向,对未完成订单的乘客的OD分布进行初始化:
如图3所示,图3为本发明实施例提供了一种地铁客流量分布预测方法,包括以下步骤:
S201:获取地铁系统的历史OD客流量分布以及地铁系统的历史DO客流量分布,从历史OD客流量分布值中提取出历史每个时间间隔内已完成的订单信息和未完成的订单信息。
S202:将历史DO客流量分布以及历史每个时间间隔内已完成的订单信息和未完成的订单信息作为训练集对地铁客流量分布预测模型进行训练,得到训练好的地铁客流量分布预测模型。
其中,需要进一步说明的是,地铁客流量分布预测模型训练采用Adam优化器,初始学习率为0.001,其衰减比为0.1。地铁客流量分布预测模型中所有层的滤波器权重都由Xavier初始化,通过最小化预测结果与相应真实值之间的平均绝对误差(MAE)来优化地铁客流量分布预测模型。
S203:获取地铁系统在当前时刻之前Z个历史时刻的OD客流量分布以及当前时刻之前Z个历史时刻的DO客流量分布。其中,OD客流量分布中包括已完成的订单信息以及未完成的订单信息,Z∈N+。
S204:将所述Z个历史时刻的OD客流量分布以及所述Z个历史时刻的DO客流量分布输入到预先设置的地铁客流量分布预测模型中,以使所述地铁客流量分布预测模型根据所述Z个历史时刻的OD客流量分布以及所述Z个历史时刻的DO客流量分布,获得OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态,并基于由所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得的融合特征,获得OD第二分布特征隐藏状态和所述DO第二分布特征隐藏状态,基于所述OD第一分布特征隐藏状态、所述DO第一分布特征隐藏状态、所述OD第二分布特征隐藏状态以及所述DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布预测。
其中,如图4所示,地铁客流量分布预测模型包括OD客流量分布预测子模型、DO客流量分布预测子模型以及数据交互模块(MP交互模块),其中,OD客流量分布预测子模型和DO客流量分布预测子模型都采用了Seq2Seq的架构,各由一个编码器和一个解码器组成,在编码器和解码器中都包含两层图推理模块。
OD客流量分布预测子模型用于对历史时刻的OD客流量分布中已完成的订单信息以及未完成的订单信息进行时空表征学习,得到OD第一分布特征隐藏状态,以及,基于上一个历史时刻的OD第二分布特征隐藏状态以及数据交互模块发送的OD融合特征,生成OD第二分布特征隐藏状态,基于所述OD第二分布特征隐藏状态以及OD融合特征,输出未来时刻的OD客流量分布预测值;
其中,需要进一步说明的是,OD客流量分布预测子模型包括OD编码器以及OD解码器;
OD编码器包括第一OD图卷积门控循环单元、第二OD图卷积门控循环单元、第一向量加法器以及第三OD图卷积门控循环单元,OD解码器包括第四OD图卷积门控循环单元、第五OD图卷积门控循环单元以及第一全连接层;
第一OD图卷积门控循环单元用于对地铁系统某一历史时刻的OD客流量分布中已完成的订单信息以及上一历史时刻的OD第一分布特征隐藏状态进行时空表征学习,得到该历史时刻OD出站客流量特征隐藏状态;
第二OD图卷积门控循环单元用于对地铁系统该历史时刻的OD客流量分布中未完成的订单信息以及上一历史时刻的OD第一分布特征隐藏状态进行时空表征学习,得到该历史时刻的OD未出站客流量特征隐藏状态;
第一向量加法器用于将该历史时刻的OD出站客流量特征隐藏状态以及该历史时刻的OD未出站客流量特征隐藏状态进行融合,得到该历史时刻的OD第一分布特征隐藏状态;
第三OD图卷积门控循环单元用于基于数据交互模块发送的该历史时刻的OD融合特征以及上一历史时刻的OD第二分布特征隐藏状态进行时空表征学习,获得该历史时刻的OD第二分布特征隐藏状态;
第四OD图卷积门控循环单元用于基于未来第q-1个时刻的OD客流量分布预测值以及未来第q-1个时刻的OD第三分布特征隐藏状态进行时空表征学习,获得未来第q个时刻的OD第三分布特征隐藏状态,其中,q∈Z,当q=1时,未来第q-1个时刻的OD客流量分布预测值为0,未来第q-1个时刻的OD第三分布特征隐藏状态为Z个历史时刻中最后一个历史时刻的OD融合特征;
第五OD图卷积门控循环单元用于基于未来第q个时刻的OD第三分布特征隐藏状态以及未来第q-1个时刻的OD第四分布深层特征进行时空表征学习,得到未来第q个时刻的OD第四分布深层特征,其中,q∈Z,当q=1时,未来第q-1个时刻的OD第四分布深层特征为Z个历史时刻中最后一个历史时刻的OD第二分布特征隐藏状态。
第一全连接层用于基于未来第q个时刻OD第四分布深层特征输出未来第q个时刻的OD客流量分布预测值,OD解码器通过自身不断循环,从而得到未来Z个时刻的OD客流量分布预测值。
其中需要进一步说明的是,OD客流量分布预测子模型得到OD第一分布特征隐藏状态的工作过程为:
所述OD客流量分布预测子模型获取第q-1 OD第一分布特征隐藏状态,从所述Z个历史时刻的OD客流量分布中获取第q历史时刻的OD客流量分布,其中,q∈Z,当q=1时,第q-1 OD第一分布特征隐藏状态为0;
所述OD客流量分布预测子模型执行第一分析步骤,其中,第一分析步骤的具体过程为:
所述OD客流量分布预测子模型基于所述第q-1 OD第一分布特征隐藏状态对所述第q历史时刻的OD客流量分布中已完成的订单信息进行时空表征学习,得到第qOD出站客流量特征隐藏状态;基于所述第q-1 OD第一分布特征隐藏状态对所述第q历史时刻的OD客流量分布中未完成的订单信息进行时空表征学习,得到第qOD未出站客流量特征隐藏状态;基于所述第qOD出站客流量特征隐藏状态以及所述第qOD未出站客流量特征隐藏状态,得到第qOD第一分布特征隐藏状态;
令q=q+1,重新执行第一分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的OD第一分布特征隐藏状态。
其中,需要进一步说明的是,Z个历史时刻的OD客流量分布按照时间先后的顺序进行排列,首先将最旧的历史时刻的OD客流量作为第1历史时刻的OD客流量分布输入OD客流量分布预测子模型中,得到第1 OD第一分布特征隐藏状态,之后将第1 OD第一分布特征隐藏状态和第2历史时刻的OD客流量分布输入OD客流量分布预测子模型中,不断遍历每一个历史时刻的OD客流量分布,从而能够得到最后一个历史时刻的OD第一分布特征隐藏状态。
DO客流量分布预测子模型对当前时刻的DO客流量分布进行时空表征学习,得到DO第一分布特征隐藏状态,基于DO第一分布特征隐藏状态以及数据交互模块发送的DO融合特征,输出未来时刻的DO客流量分布预测值;
DO客流量分布预测子模型包括DO编码器以及DO解码器,DO编码器包括第一DO图卷积门控循环单元以及第二DO图卷积门控循环单元;DO解码器包括第三DO图卷积门控循环单元、第四DO图卷积门控循环单元以及第二全连接层;
第一DO图卷积门控循环单元用于对地铁系统某一历史时刻的DO客流量分布以及上一历史时刻的DO第一分布特征隐藏状态进行时空表征学习,得到该历史时刻的DO第一分布特征隐藏状态;
第二DO图卷积门控循环单元用于基于数据交互模块发送的DO融合特征以及上一历史时刻的DO第二分布特征隐藏状态进行时空表征学习,获得该历史时刻的DO第二分布特征隐藏状态;
第三DO图卷积门控循环单元用于基于未来第q-1个时刻的DO客流量分布预测值以及未来第q-1个时刻的DO第三分布特征隐藏状态进行时空表征学习,获得未来第q个时刻的DO第三分布特征隐藏状态,其中,q∈Z,当q=1时,未来第q-1个时刻的DO第三分布特征隐藏状态为最后一个历史时刻的DO融合特征;
第四DO图卷积门控循环单元用于基于未来第q个时刻的DO第三分布特征隐藏状态以及未来第q-1个时刻的DO第四分布深层特征进行时空表征学习,得到未来第q个时刻的DO第四分布深层特征,其中,q∈Z,当q=1时,未来第q-1个时刻的DO第四分布深层特征为最后一个历史时刻的DO第二分布特征隐藏状态;
第二全连接层用于基于未来第q个时刻的DO第四分布深层特征输出未来第q个时刻的DO客流量分布预测值。DO解码器通过自身不断循环,从而得到未来Z个时刻的DO客流量分布预测值。
其中,需要进一步说明的是,所述DO客流量分布预测子模型得到DO第一分布特征隐藏状态的具体过程为:
所述DO客流量分布预测子模型获取第q-1 DO第一分布特征隐藏状态,从所述Z个历史时刻的DO客流量分布中获取第q历史时刻的DO客流量分布,其中,且q∈Z,当q=1时,第q-1 DO第一分布特征隐藏状态为0;
所述DO客流量分布预测子模型执行第二分析步骤,其中,第二分析步骤的具体过程为:
所述DO客流量分布预测子模型基于所述第q-1 DO第一分布特征隐藏状态对所述第q历史时刻的DO客流量分布进行时空表征学习,得到第qDO第一分布特征隐藏状态;
令q=q+1,重新执行第二分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的DO第一分布特征隐藏状态。
其中,需要进一步说明的是,Z个历史时刻的DO客流量分布按照时间先后的顺序进行排列,首先将最旧的历史时刻的DO客流量作为第1历史时刻的DO客流量分布输入DO客流量分布预测子模型中,得到第1 DO第一分布特征隐藏状态,之后将第1 DO第一分布特征隐藏状态和第2历史时刻的DO客流量分布输入DO客流量分布预测子模型中,不断遍历每一个历史时刻的DO客流量分布,从而能够得到最后一个历史时刻的DO第一分布特征隐藏状态。
其中,需要进一步说明的是,假设在时间间隔t上,图卷积的输入是其中可以是输入的客流量或是学到的特征。根据卷积的定义,经过图卷积后的输出特征d是特征的维度。由以下公式计算,其中⊙是Hadamard乘积,图卷积的可学习参数Θ=Θl,Θp,Θl是图自环边所在位置对应的参数,Θp是每个节点在地铁系统拓扑图中的邻居节点对应的参数,Wp表示拓扑图的邻接矩阵中的权值,是节点自身状态的变换,表示中节点i的邻居集。经过图卷积后,每个节点可以接收邻居节点的信息。
将上述图卷积过程缩写为It*Θ,嵌入到门控循环单元中学习时空特征。在门控循环单元中,复位门更新门新信息和隐藏状态由下式计算, 和的特征维数皆为d,σ是sigmoid函数,Ht-1是上一次迭代后输出的隐藏状态,Θrx表示Ht和Xt之间的图卷积参数,Θrh表示Rt和Ht-1之间的参数,参数Θzx,Θnx分别表示Zt和Xt、Nt和Xt之间的参数,Θzh,Θnh则分别代表Zt和Ht、Nt和Ht之间的参数,br,bz,bn为偏差项。
Rt=σ(Θrx*It+Θrh*Ht-1+br)
Zt=σ(Θzx*It+Θzh*Ht-1+bz)
Nt=tan hΘnx*It+Rt⊙(Θnh*Ht-1+bn)
Ht=(1-Zt)⊙Nt+Zt⊙Ht-1
将该基于图卷积的门控循环单元缩写为GConvGRU,则第t个时间步输出的隐藏状态可以表示为:
Ht=GConvGRU(It,Ht-1)
利用GConvGRU能够从地铁系统的客流量数据中有效地学习时空特征,从而能对客流量分布进行准确的推理。
数据交互模块基于OD第一分布特征隐藏状态和DO第一分布特征隐藏状态进行特征融合,得到OD融合特征以及DO融合特征,将OD融合特征发送至OD客流量分布预测子模型中,将DO融合特征发送至DO客流量分布预测子模型中。
其中,需要进一步说明的是,在OD客流量分布预测子模型生成了某一历史时刻的OD第一分布特征隐藏状态以及DO客流量分布预测子模型生成了同一历史时刻的DO第一分布特征隐藏状态后,数据交互模块对同一历史时刻的OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态进行融合,得到该历史时刻的OD融合特征以及DO融合特征,并将该历史时刻的OD融合特征发送至OD客流量分布预测子模型中,将该历史时刻的DO融合特征发送到DO融合特征发送至DO客流量分布预测子模型中。
其中,需要进一步说明的是,数据交互模块包括OD线性层、DO线性层以及特征融合层;当某一历史时刻的OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态发送到数据交互模块后,数据交互模块中的OD线性层、DO线性层以及特征融合层的工作原理如下:
OD线性层用于对OD第一分布特征隐藏状态进行计算,得到OD第一分布特征隐藏状态的第一query值、OD第一分布特征隐藏状态的第一key值以及OD第一分布特征隐藏状态的第一value值;
DO线性层用于对DO第一分布特征隐藏状态进行计算,得到DO第一分布特征隐藏状态的第二query值、DO第一分布特征隐藏状态的第二key值以及DO第一分布特征隐藏状态的第二value值;
特征融合层包括第一矩阵乘法器、softmax函数模块、第二矩阵乘法器、线性变换层以及第二向量加法器;
第一矩阵乘法器用于对第一query值和第二key值进行加权求和,得到第一OD交互结果;或用于,对第二query值和第一key值进行加权求和,得到第一DO交互结果;
softmax函数模块用于将第一OD交互结果转化为第一OD注意力权重;或用于,将第一DO交互结果转化为第一DO注意力权重;
第二矩阵乘法器用于将第一OD注意力权重与第二value值进行加权求和,得到第二OD交互结果;或用于,将第一DO注意力权重与第一value值进行加权求和,得到第二DO交互结果;
线性变换层用于对第二OD交互结果进行变换,得到第二OD交互结果变换值;或用于对第二DO交互结果进行变换,得到第二DO交互结果变换值;
第二向量加法器用于将第二OD交互结果变换值与OD第一分布特征隐藏状态进行特征融合,得到OD融合特征,将OD融合特征发送至OD客流量分布预测子模型中;或用于,将第二DO交互结果变换值与DO第一分布特征隐藏状态进行特征融合,得到DO融合特征,将DO融合特征发送至DO客流量分布预测子模型中。
其中,需要进一步说明的是,对于地铁站i,OD客流量分布体现了从该站出发的乘客的目的地偏好,DO客流量分布则体现了从哪些站点出发的人更有可能到达本站,它们都反映了该站点的特征。为了融合二者蕴含的不同特征,丰富图推断过程中的所需信息,需要OD客流量分布和DO客流量分布在学习过程中产生交互,进行消息的传递,更新学到的特征。
注意力机制是一种有效的将源数据里的重要信息聚合到目标数据中的手段。假设源数据中的元素由一系列的Key-Value数据对构成,此时给定目标数据中的某个元素Query,可以通过计算Query和各个Key的相似性,得到每个Key对应的Value的权重,再对Value进行加权求和,得到最终的注意力权值。在本实施例中,将注意力机制运用于OD分布预测和DO分布预测中,在OD分布学习和DO分布学习过程中得到的的基础上,分别使用三个线性层来计算和各自的query值,key值和value值。
以OD融合特征为例,根据第一query值,即OD特征的Query向量和第二key值,即DO特征的查询相关性计算得到第一OD交互结果,并在softmax函数中将第一OD交互结果转换为介于(0,1)之间的第一OD注意力权重,将第一OD注意力权重与第二value值,第一OD注意力权重与DO特征的被查询信息进行加权求和得到第二OD交互结果,再通过线性变换层对第二OD交互结果进行变换,最后使用第二向量加法器将其与OD第一分布特征隐藏状态进行特征融合。上述过程可以用下面的公式和图5表示。其中公式中的Wa是最后一个线性变换层的参数。
本发明实施例通过数据交互模块使得OD客流量分布和DO客流量分布之间产生了信息交换,使得二者能基于更全面的特征表达进行各自的学习过程。
其中,需要进一步说明的是,在数据交互模块数据将某一历史时刻的OD融合特征,即第q OD融合特征发送到OD客流量分布预测子模型后,OD客流量分布预测子模型对所述第qOD融合特征以及所述第q-1 OD第二分布特征隐藏状态,得到第q OD第二分布特征隐藏状态,在数据交互模块数据将某一历史时刻的DO融合特征,即第q DO融合特征发送到DO客流量分布预测子模型后,DO客流量分布预测子模型基于所述第q DO融合特征以及所述第q-1DO第二分布特征隐藏状态,得到第q DO第二分布特征隐藏状态。因此,Z个历史时刻的OD客流量分布以及Z个历史时刻的DO客流量分布按时间先后顺序输入到地铁客流量分布预测模型中,地铁客流量分布预测模型通过遍历Z个历史时刻的OD客流量分布以及Z个历史时刻的DO客流量分布,从而得到了Z个历史时刻中最后一个历史时刻的所对应的OD第二分布特征隐藏状态以及最后一个历史时刻的DO第二分布特征隐藏状态。
所述地铁客流量分布预测模型基于第Z OD第一分布特征隐藏状态,第Z OD第二分布特征隐藏状态,第Z DO第一分布特征隐藏状态以及第Z DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布。
其中,需要进一步说明的是,如图6所示,OD编码器将最后一个历史时刻的第二分布特征隐藏状态输入到OD解码器中,OD解码器中的第四OD图卷积门控循环单元用于基于未来第q-1时刻的OD客流量分布预测值以及未来第q-1时刻的OD第三分布特征隐藏状态进行时空表征学习,获得未来第q个时刻的OD第三分布特征隐藏状态;其中,当q=1时,第q-1时刻的OD客流量分布预测值为0,未来第q-1时刻的OD第三分布特征隐藏状态为Z个历史时刻中最后一个历史时刻的OD融合特征。
第五OD图卷积门控循环单元用于基于未来第q个时刻的OD第三分布特征隐藏状态以及未来第q-1个时刻的OD第四分布深层特征进行时空表征学习,得到未来第q个时刻的OD第四分布深层特征,其中,当q=1时,未来第q-1个时刻的OD第四分布深层特征为Z个历史时刻中最后一个历史时刻的OD第二分布特征隐藏状态。
第一全连接层用于基于未来第q个时刻的OD第四分布深层特征输出未来时刻第q个时刻的OD客流量分布预测值。
OD解码器通过自身不断循环,从而得到未来Z个时刻的OD客流量分布预测值。
DO解码器的第三DO图卷积门控循环单元用于基于未来第q-1个时刻的DO客流量分布预测值以及最后一个历史时刻的DO融合特征进行时空表征学习,获得未来第q个时刻的DO第三分布特征隐藏状态;
第四DO图卷积门控循环单元用于基于某一历史时刻的DO第三分布特征隐藏状态以及最后一个历史时刻的DO第二分布特征隐藏状态进行时空表征学习,得到最后一个历史时刻的DO第四分布深层特征;
第二全连接层用于基于最后一个历史时刻的DO第四分布深层特征输出未来第q个DO客流量分布预测值。DO解码器通过自身不断循环,从而得到未来Z个时刻的DO客流量分布预测值。
本发明提供的地铁客流量分布预测模型对于Z个时刻的输入和输出进行迭代。以DO客流量分布预测子模型为例,在DO编码器中,第一次迭代时每个图卷积门控循环单元的初始隐藏状态都设置为零。在第i次迭代中,第一DO图卷积门控循环单元将作为输入,并将其输出的DO第一分布特征隐藏状态输入第二DO图卷积门控循环单元中进行深层特征学习,得到DO第二分布特征隐藏状态。在DO解码器中,第一次迭代时设置第三DO图卷积门控循环单元的输入数据为零、初始隐藏状态为DO编码器最后一次迭代得到的DO第一分布特征隐藏状态,将其输出的DO第三分布特征隐藏状态输入至以DO编码器最后一次迭代得到的DO第二分布特征隐藏状态为初始隐藏状态的第四图卷积门控循环单元,输出DO第四分布深层特征,将DO第四分布深层特征输入至第二全连接层中对未来第1个时刻的DO客流量进行预测。从第二次迭代开始,第i次迭代时将上一次迭代预测的结果作为输入,将上一次迭代得到的特征隐藏状态作为初始隐藏状态,最后可以获得未来客流量的预测结果:序列
实施例三
如图7所示,本实施例提供了一种地铁客流量分布预测设备30,所述设备包括处理器300以及存储器301;
所述存储器301用于存储程序代码302,并将所述程序代码302传输给所述处理器;
所述处理器300用于根据所述程序代码302中的指令执行上述的一种地铁客流量分布预测方法实施例中的步骤。
示例性的,所述计算机程序302可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器301中,并由所述处理器300执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器300、存储器301。本领域技术人员可以理解,图7仅仅是终端设备30的示例,并不构成对终端设备30的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元,例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备,例如所述终端设备30上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种地铁客流量分布预测方法,其特征在于,包括以下步骤:
获取地铁系统在Z个历史时刻的OD客流量分布以及Z个历史时刻的DO客流量分布;其中,所述OD客流量分布中包括已完成的订单信息以及未完成的订单信息,其中,Z∈N+;
将所述Z个历史时刻的OD客流量分布以及所述Z个历史时刻的DO客流量分布输入到预先设置的地铁客流量分布预测模型中,以使所述地铁客流量分布预测模型根据所述Z个历史时刻的OD客流量分布以及所述Z个历史时刻的DO客流量分布,获得OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态,并基于由所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得的融合特征,获得OD第二分布特征隐藏状态和DO第二分布特征隐藏状态,基于所述OD第一分布特征隐藏状态、所述DO第一分布特征隐藏状态、所述OD第二分布特征隐藏状态以及所述DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布预测;
所述地铁客流量分布预测模型基于所述Z个历史时刻OD客流量分布以及所述Z个历史时刻DO客流量分布,得到OD第一分布特征隐藏状态以及DO第一分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型基于所述Z个历史时刻的OD客流量分布,得到Z个历史时刻中每个历史时刻所对应的OD第一分布特征隐藏状态;
所述地铁客流量分布预测模型基于所述Z个历史时刻的DO客流量分布,得到Z个历史时刻中每个历史时刻所对应的DO第一分布特征隐藏状态;
所述地铁客流量分布预测模型基于所述Z个历史时刻的OD客流量分布,得到Z个历史时刻中每个历史时刻所对应的OD第一分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型获取第q-1OD第一分布特征隐藏状态,从所述Z个历史时刻的OD客流量分布中获取第q历史时刻的OD客流量分布,其中,q∈Z,且当q=1时,第q-1OD第一分布特征隐藏状态为0;
所述地铁客流量分布预测模型执行第一分析步骤,其中,第一分析步骤的具体过程为:
所述地铁客流量分布预测模型基于所述第q-1OD第一分布特征隐藏状态对所述第q历史时刻的OD客流量分布中已完成的订单信息进行时空表征学习,得到第q OD出站客流量特征隐藏状态;基于所述第q-1OD第一分布特征隐藏状态对所述第q历史时刻的OD客流量分布中未完成的订单信息进行时空表征学习,得到第q OD未出站客流量特征隐藏状态;基于所述第q OD出站客流量特征隐藏状态以及所述第q OD未出站客流量特征隐藏状态,得到第qOD第一分布特征隐藏状态;
令q=q+1,重新执行第一分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的OD第一分布特征隐藏状态。
2.根据权利要求1所述的一种地铁客流量分布预测方法,其特征在于,所述地铁客流量分布预测模型基于所述Z个历史时刻的DO客流量分布,得到Z个历史时刻中每个历史时刻所对应的DO第一分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型获取第q-1DO第一分布特征隐藏状态,从所述Z个历史时刻的DO客流量分布中获取第q历史时刻的DO客流量分布,其中,q∈Z,当q=1时,第q-1DO第一分布特征隐藏状态为0;
所述地铁客流量分布预测模型执行第二分析步骤,其中,第二分析步骤的具体过程为:
所述地铁客流量分布预测模型基于所述第q-1DO第一分布特征隐藏状态对所述第q历史时刻的DO客流量分布进行时空表征学习,得到第q DO第一分布特征隐藏状态;
令q=q+1,重新执行第二分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的DO第一分布特征隐藏状态。
3.根据权利要求2所述的一种地铁客流量分布预测方法,其特征在于,所述融合特征包括OD融合特征和DO融合特征。
4.根据权利要求3所述的一种地铁客流量分布预测方法,其特征在于,所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得融合特征的具体过程为:
所述地铁客流量分布预测模型对所述第q OD第一分布特征隐藏状态进行计算,得到第q OD第一分布特征隐藏状态的第q第一query值、第q OD第一分布特征隐藏状态的第q第一key值以及第q OD第一分布特征隐藏状态的第q第一value值;
所述地铁客流量分布预测模型对所述第q DO第一分布特征隐藏状态进行计算,得到第q DO第一分布特征隐藏状态的第q第二query值、第q DO第一分布特征隐藏状态的第q第二key值以及第q DO第一分布特征隐藏状态的第q第二value值;
所述地铁客流量分布预测模型基于所述第q第一query值、所述第q第二key值、所述第q第二value值以及所述第q OD第一分布特征隐藏状态,得到所述第q OD融合特征;基于所述第q第二query值、第q第一key值、所述第q第一value值以及所述第q DO第一分布特征隐藏状态,得到所述第q DO融合特征。
5.根据权利要求4所述的一种地铁客流量分布预测方法,其特征在于,所述地铁客流量分布预测模型基于由所述OD第一分布特征隐藏状态和所述DO第一分布特征隐藏状态融合后获得的融合特征,获得OD第二分布特征隐藏状态和DO第二分布特征隐藏状态的具体过程为:
所述地铁客流量分布预测模型获取第q OD融合特征、第q-1OD第二分布特征隐藏状态,第q DO融合特征以及第q-1DO第二分布特征隐藏状态;其中,q∈Z,且当q=1时,第q-1OD第二分布特征隐藏状态以及第q-1DO第二分布特征隐藏状态均为0;
所述地铁客流量分布预测模型执行第三分析步骤,其中,第三分析步骤为:
基于所述第q OD融合特征以及所述第q-1OD第二分布特征隐藏状态,得到第q OD第二分布特征隐藏状态,基于所述第q DO融合特征以及所述第q-1DO第二分布特征隐藏状态,得到第q DO第二分布特征隐藏状态;
令q=q+1,重新执行第三分析步骤,直至q=Z,得到Z个历史时刻中每个历史时刻所对应的第q OD第二分布特征隐藏状态以及第q DO第二分布特征隐藏状态。
6.根据权利要求5所述的一种地铁客流量分布预测方法,其特征在于,基于所述OD第一分布特征隐藏状态、所述DO第一分布特征隐藏状态、所述OD第二分布特征隐藏状态以及所述DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布预测的具体过程为:
所述地铁客流量分布预测模型基于第Z OD第一分布特征隐藏状态,第Z OD第二分布特征隐藏状态,第Z DO第一分布特征隐藏状态以及第Z DO第二分布特征隐藏状态,输出未来Z个时刻的OD客流量分布预测和未来Z个时刻的DO客流量分布。
7.一种地铁客流量分布预测设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至权利要求6中任一项所述的一种地铁客流量分布预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270766.1A CN113077281B (zh) | 2021-03-12 | 2021-03-12 | 一种地铁客流量分布预测方法以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270766.1A CN113077281B (zh) | 2021-03-12 | 2021-03-12 | 一种地铁客流量分布预测方法以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077281A CN113077281A (zh) | 2021-07-06 |
CN113077281B true CN113077281B (zh) | 2023-02-17 |
Family
ID=76612348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110270766.1A Active CN113077281B (zh) | 2021-03-12 | 2021-03-12 | 一种地铁客流量分布预测方法以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077281B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327871B (zh) * | 2016-09-06 | 2018-09-14 | 华南理工大学 | 一种融合历史数据和预约数据的高速公路拥挤预测方法 |
CN108877223A (zh) * | 2018-07-13 | 2018-11-23 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN112001548B (zh) * | 2020-08-25 | 2023-10-20 | 北京交通大学 | 一种基于深度学习的od客流预测方法 |
-
2021
- 2021-03-12 CN CN202110270766.1A patent/CN113077281B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113077281A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Understanding private car aggregation effect via spatio-temporal analysis of trajectory data | |
CN109919358B (zh) | 一种基于神经网络时空注意力机制的实时站点流量预测方法 | |
Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
CN111738535A (zh) | 轨道交通时空短时客流预测方法、装置、设备及存储介质 | |
Ge et al. | Temporal graph convolutional networks for traffic speed prediction considering external factors | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
Zhang et al. | A Traffic Prediction Method of Bicycle-sharing based on Long and Short term Memory Network. | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
US20240054321A1 (en) | Traffic prediction | |
CN111754025A (zh) | 基于cnn+gru的公交短时客流预测方法 | |
Wu | Spatiotemporal dynamic forecasting and analysis of regional traffic flow in urban road networks using deep learning convolutional neural network | |
CN114692984A (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
Zhang et al. | Short‐Term Passenger Flow Forecast of Rail Transit Station Based on MIC Feature Selection and ST‐LightGBM considering Transfer Passenger Flow | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN116311880A (zh) | 基于局部-全局时空特征融合的交通流量预测方法及设备 | |
CN115049152A (zh) | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 | |
Gammelli et al. | Graph meta-reinforcement learning for transferable autonomous mobility-on-demand | |
Zhao et al. | Traffic inflow and outflow forecasting by modeling intra-and inter-relationship between flows | |
Xiao et al. | Parking prediction in smart cities: A survey | |
Luo et al. | Spatiotemporal hashing multigraph convolutional network for service-level passenger flow forecasting in bus transit systems | |
Zhang et al. | Deep learning for metro short-term origin-destination passenger flow forecasting considering section capacity utilization ratio | |
CN113077281B (zh) | 一种地铁客流量分布预测方法以及设备 | |
Wang et al. | MetroEye: A weather-aware system for real-time metro passenger flow prediction | |
Huang et al. | Multistep coupled graph convolution with temporal-attention for traffic flow prediction |
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 |