CN113298314B - 一种考虑动态时空相关性的轨道交通客流预测方法 - Google Patents

Abstract

本发明涉及一种考虑动态时空相关性的轨道交通客流预测方法，属于城市轨道交通管理领域。该方法在通过时空注意力机制学习轨道交通客流中的动态时空相关性后，运用图卷积网络GCN和一维卷积网络CNN分别学习轨道交通网络客流的空间特性以及时间特性，再通过提取外部特征，进行加权融合之后得到预测结果，实现对轨道交通客流的精确预测；具体步骤如下：定义考虑动态时空相关性的轨道交通客流预测模型；引入空间注意力机制，学习轨道交通客流中的动态空间相关性；引入时间注意力机制，学习轨道交通客流中的动态时间相关性；进行全连接网络的外部特征提取；进行模型搭建，实现对轨道交通客流的预测。本发明能显著提升轨道交通管理调度的效率和精确度。

Description

一种考虑动态时空相关性的轨道交通客流预测方法

技术领域

本发明涉及交通管理领域，特别是城市轨道交通智能管理技术领域，涉及一种考虑动态时空相关性的轨道交通客流预测方法。

背景技术

随着社会经济的发展和城市化进程的加快，城市规模越来越大，人口越来越多，城市所面临的交通拥堵、环境污染等问题日益严重。城市轨道交通以其低成本、低能耗、高运载量等特点，成为解决上述问题的一剂良方。

目前，我国的轨道交通运营面临两个方面的挑战。从个人方面出发，随着地铁客流的增加，乘客对于轨道交通的运输服务质量要求越来越高。从城市方面出发，随着轨道网络的发展，其运营变得越来越复杂。针对这些问题，精准的客流预测，可以帮助优化列车的调度和制定合理的运营方案，从而降低轨道交通的运输压力和提升乘客的舒适度。由于预测结果的精确性直接影响运营管理部门进行组织实施相关措施的合理性，而地铁客流在时间维度上具有周期性与随机性，在空间维度上具有相关性等特点，同时也受一些外界因素的影响，这使得轨道交通客流预测成为一个亟待解决的关键问题，而现有的交通流预测方法在建模时大多缺乏对交通数据的动态时空相关性以及外部特征的考虑，所以需要一种新的基于轨道刷卡数据且考虑动态时空相关性的轨道交通客流预测方法，并以此来提升轨道交通管理调度的效率和精确度。

发明内容

有鉴于此，本发明的目的在于提供一种考虑动态时空相关性的轨道交通客流预测方法，该方法在通过时空注意力机制学习轨道交通客流中的动态时空相关性后，运用图卷积网络GCN和一维卷积网络CNN分别学习轨道交通网络客流的空间特性以及时间特性，再通过全连接网络提取外部特征，进行加权融合之后得到预测结果，从而实现对轨道交通客流的精确预测。

为达到上述目的，本发明提供如下技术方案：

一种考虑动态时空相关性的轨道交通客流预测方法，该方法具体包括以下步骤：

S1：定义考虑动态时空相关性的轨道交通客流预测模型；S2：引入空间注意力机制，学习轨道交通客流中的动态空间相关性；S3：引入时间注意力机制，学习轨道交通客流中的动态时间相关性；S4：进行全连接网络的外部特征提取；S5：进行模型搭建，实现对轨道交通客流的预测。

进一步，在步骤S1中，具体包括：

首先定义一个轨道交通网络图G＝(V，E，A)，其中V表示轨道站点集合，V＝{v₁，...，v_n}，E表示图中连接两个轨道站点的边，A表示邻接矩阵；令表示车站i第t时段的c个属性的值，这里的c为进站客流量、出站客流量、工作日与日期编码、天气编码、电子地图兴趣点POI编码，/>表示所有车站在t时刻的所有属性值，表示所有车站在t时刻的客流量；短时客流预测问题被定义为求解一个函数f，能够得到所有车站I未来第t+1到t+Δ时段的客流预测值

进一步，在步骤S2中，所述引入空间注意力机制具体包括：

分别定义查询向量Q，键向量K，其公式计算分别为，Query＝x^TW_q，Key＝xW_k1W_k2，其中x∈R^N×C×T，x^T∈R^N×T×C，为输入，W_k1∈R^C×T，W_k2∈R^T，W_q∈R^C为可训练学习的权重矩阵；空间注意力矩阵S的计算公式为：

S＝V_s·σ((KeyQuery^T)+B_S)

V_s，B_S∈R^N×N是可以学习的权重矩阵，σ是激活函数，S∈R^N×N为站点间相关程度评分矩阵，S_i，j表示站点j对于站点i的相关程度评分，关联度越高，评分就越高；

使用SoftMax函数对空间注意力评分矩阵按列进行归一化，确保每个节点的总的注意力权重为1，在后续进行图卷积时，使用空间注意力矩阵S’与邻接矩阵A来动态调整节点间的互相影响权重。

进一步，在步骤S3中，所述引入时间注意力机制具体包括：

分别定义查询向量Q，键向量K，其公式计算分别为，Query＝W_qx，Key＝x^TW_k1W_k2，其中x∈R^N×C×T，x^T∈R^T×C×N，为输入，W_k1∈R^N，W_k2∈R^C×N，W_q∈R^C为可训练学习的权重矩阵；时间注意力矩阵E的计算公式为：

E＝V_e·σ((Key^TQuery)+B_e)

V_e，B_e∈R^T×T是可以学习的权重矩阵，σ是激活函数，E∈R^T×T为时间片之间关联程度评分矩阵，E_i，j表示时间片j对于时间片i的关联程度评分，关联度越高，评分就越高；

使用SoftMax函数对时间注意力评分矩阵按列进行归一化，确保每个时间片点的总的注意力权重为1；将归一化后的时间注意力矩阵S′与输入x相乘得到通过合并相关信息动态调整输入。

进一步，在步骤S4中，所述进行外部特征提取包括：使用百度地图API获取某一地区的电子地图兴趣点POI数据，数据包括了餐饮、旅游景点、公共设施、交通设施、购物、教育、金融、商务住宅、生活服务、体育、医疗、政府办公、住宿服务13个大类。更具体的小类有21类，由于POI数据字段中的类型种类过多，需要所有的POI进行归类，在参照2012年新版《城市用地分类与规划建设用地标准》(标准号GB50137-2011)之后，将POI划分为7类：商业娱乐、交通管理、商务办公、公共服务、住宅住宿、教育、旅游。

进一步，在步骤S5中，在交通流预测中，在对真实的路网进行建模时往往采用无向图，路网所对应的邻接矩阵为对称矩阵。由于轨道交通网络与道路网络的特性不同，在构造邻接矩阵时不能选择抽取真实轨道交通网络作为邻接图，因此在本发明中，所述进行模型搭建采用基于站点客流转移矩阵的邻接矩阵构造方法。

本发明的有益效果在于：本发明针对现有技术中存在的问题，提出一种考虑动态时空相关性的轨道交通客流预测方法，该方法在通过时空注意力机制学习轨道交通客流中的动态时空相关性后，运用图卷积网络GCN和一维卷积网络CNN分别学习轨道交通网络客流的空间特性以及时间特性，再通过全连接网络提取外部特征，进行加权融合之后得到预测结果，从而实现对轨道交通客流的精确预测。本发明提供的方法具有很好的应用前景，能显著提升轨道交通管理调度的效率和精确度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明的总体模型框架图；

图2为本发明的总体客流预测图；

图3为站点周围的POI数据表。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

图1为本发明的总体模型框架图，如图所示，本发明提供了一种考虑时空相关性的轨道客流预测方法，该模型由四个组件组成，前三个组件分别对近邻依赖、日周期依赖、周周期依赖三个时间特性进行建模，第四个组件对天气、地理信息等外部特征进行建模。具体步骤包括：

步骤1：运用时空注意力机制学习动态时空相关性。在引入空间注意力机制以及时间注意力机制后，将二者合并成时空注意模块，该模块使得网络可以自动将有价值的信息赋予更多的关注，经过注意力机制调整的输入被输入到时空特征网络模块中，时空特征网络模块包含下文将要论述的一个在空间维度上的图卷积，以及一个在时间维度上的卷积。图卷积主要用于获取领域中获取空间相关性，卷积主要用于获取相邻时间的时间相关性。

步骤2：运用图卷积网络GCN提取空间特征。根据卷积定理，即函数卷积的傅里叶变换是函数傅立叶变换的乘积，图卷积是一种卷积运算，可以通过使用在傅里叶域中对角化的线性算子来代替经典的卷积算子来实现。因此信号x在图G上通过卷积核g_θ来滤波：

g_θ*Gx＝g_θ(UΛU^T)x＝Ug_θ(Λ)U^Tx

y_output＝σ(g_θ*Gx)

其中*G代表在图上的卷积操作。但是由于在进行神经网络的前向传播时都要进行矩阵分解计算U、Λ、U^T，当图G的规模特别大时，计算代价非常高。因此本发明使用切比雪夫多项式来近似代替卷积核，公式如下：

其中β_k多项式系数向量，重新缩放的特征值对角矩阵，λ_max是拉普拉斯矩阵的最大特征值，T_k(·)是k阶切比雪夫多项式，其递归计算公式如下：

利用切比雪夫多项式的近似展开式求解该公式，相当于利用卷积核g_θ提取以网络中每个节点为中心的周围0到K-1阶邻域的信息。图卷积模块的激活函数σ使用整流线性单元(ReLU)。为了动态调整节点间的联系性，将切比雪夫多项式的每一项与空间注意力矩阵S’进行组合，再将上述定义推广到带有时间注意力的多通道图信号此时图卷积公式为：

步骤3：运用一维卷积CNN提取时间特征。在图卷积操作后，已经在空间维度上捕获了图中每个节点的相邻信息，之后需要在时间维度上再堆叠一个标准卷积层，通过该卷积层合并相邻时间片的信息更新节点的信号。某个组件的第r层的时空卷积如下：

其中*代表卷积操作，Φ是时间维卷积核的参数，时间维度的激活函数为ReLU。带有时空注意机制的时空卷积模块简称为时空块，多个时空块以残差方式连接，最终成为一个组件。最后再用一个全连接网络提取外部特征，将输出进行加权融合后产生预测结果，从而显著提升轨道交通管理调度的效率和精确度。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种考虑动态时空相关性的轨道交通客流预测方法，其特征在于：该方法具体包括以下步骤：

S1：定义考虑动态时空相关性的轨道交通客流预测模型；

S2：引入空间注意力机制，学习轨道交通客流中的动态空间相关性；

S3：引入时间注意力机制，学习轨道交通客流中的动态时间相关性；

S4：进行全连接网络的外部特征提取；

S5：进行模型搭建，实现对轨道交通客流的预测；

在步骤S1中，具体包括：

首先定义一个轨道交通网络图G＝(V,E,A)，其中V表示轨道站点集合，V＝{v1,...,vn}，E表示图中连接两个轨道站点的边，A表示邻接矩阵；令表示车站i第t时段的c个属性的值，这里的c为进站客流量、出站客流量、工作日与日期编码、天气编码和电子地图兴趣点POI编码，/>表示所有车站在t时刻的所有属性值，表示所有车站在t时刻的客流量；短时客流预测问题被定义为求解一个函数f，能够得到所有车站I未来第t+1到t+Δ时段的客流预测值在步骤S2中，引入空间注意力机制具体包括：

分别定义查询向量Q，键向量K，其公式计算分别为，Query＝x^TW_q，Key＝xW_k1W_k2，其中x∈R^N×C×T,x^T∈R^N×T×C,为输入，W_k1∈R^C×T，W_k2∈R^T，W_q∈R^C为训练学习的权重矩阵；空间注意力矩阵S的计算公式为：

S＝V_s·σ((KeyQuery^T)+B_S)，V_S,B_S∈R^N×N是学习的权重矩阵，σ是激活函数，S∈R^N×N为站点间相关程度评分矩阵，S_i,j表示站点j对于站点i的相关程度评分，关联度越高，评分就越高；

使用SoftMax函数对空间注意力评分矩阵按列进行归一化，确保每个节点的总的注意力权重为1，在后续进行图卷积时，使用空间注意力矩阵S'与邻接矩阵A来动态调整节点间的互相影响权重；

在步骤S3中，引入时间注意力机制具体包括：

分别定义查询向量Q，键向量K，其公式计算分别为，Query＝W_qx，Key＝x^TW_k1W_k2，其中x∈R^N×C×T,x^T∈R^T×C×N,为输入，W_k1∈R^N，W_k2∈R^C×N，W_q∈R^C为训练学习的权重矩阵；时间注意力矩阵E的计算公式为：E＝Ve·σ((Key^TQuery)+Be)

Ve,Be∈R^T×T是学习的权重矩阵，σ是激活函数，E∈R^T×T为时间片之间关联程度评分矩阵，E_i,j表示时间片j对于时间片i的关联程度评分，关联度越高，评分就越高；

使用SoftMax函数对时间注意力评分矩阵按列进行归一化，确保每个时间片点的总的注意力权重为1；将归一化后的时间注意力矩阵S'与输入x相乘得到通过合并相关信息动态调整输入；

在步骤S4中，进行外部特征提取包括：使用百度地图API获取某一地区的电子地图兴趣点POI数据，数据包括餐饮、旅游景点、公共设施、交通设施、购物、教育、金融、商务住宅、生活服务、体育、医疗、政府办公、住宿服务13个大类；

在步骤S5中，进行模型搭建采用基于站点客流转移矩阵的邻接矩阵构造方法。