CN115081717A - 融合注意力机制和图神经网络的轨道交通客流预测方法 - Google Patents

融合注意力机制和图神经网络的轨道交通客流预测方法 Download PDF

Info

Publication number
CN115081717A
CN115081717A CN202210734171.1A CN202210734171A CN115081717A CN 115081717 A CN115081717 A CN 115081717A CN 202210734171 A CN202210734171 A CN 202210734171A CN 115081717 A CN115081717 A CN 115081717A
Authority
CN
China
Prior art keywords
passenger flow
model
rail transit
time
data
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
CN202210734171.1A
Other languages
English (en)
Other versions
CN115081717B (zh
Inventor
李之红
张晶
王子男
王晓雨
许晗
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202210734171.1A priority Critical patent/CN115081717B/zh
Publication of CN115081717A publication Critical patent/CN115081717A/zh
Application granted granted Critical
Publication of CN115081717B publication Critical patent/CN115081717B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q50/40—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明涉及城市轨道交通客流数据分析技术领域，提出一种融合注意力机制和图神经网络的轨道交通客流预测方法，包括：采用基于注意力机制的时空图卷积模型，利用训练集对时空图卷积模型进行训练，获得第一预测客流量数据；计算第一预测客流量数据的损失，优化时空图卷积模型；将测试集输入优化后的时空图卷积模型，输出第二预测客流量数据；计算第二预测客流量数据的损失，将两损失进行对比，判断优化后的时空图卷积模型是否出现欠拟合或者过拟合现象，若是，则调整模型中的超参数设置；若否，则将第二预测客流量数据认定为最终客流量数据。如此方案解决现有技术中相关预测方法不足和预测结果误差大等问题，实现预测结果精准无误。

Description

融合注意力机制和图神经网络的轨道交通客流预测方法
技术领域
本发明涉及城市轨道交通客流数据分析技术领域，尤其涉及一种融合注意力机制和图神经网络的轨道交通客流预测方法、系统、电子设备以及计算机可读存储介质。
背景技术
近年来，我国城市轨道交通由大规模建设转为大规模安全服役阶段，轨道交通网络规模不断扩大，客流运营与管理压力日益提升，轨道交通网络供给与客流需求运力匹配的协调至关重要。在当前新技术、新算法和新理念的综合加持下，轨道交通系统迎来了一大波创新性的研究成果，轨道交通客流预测方法的研究也受到广泛的关注。准确的客流预测在轨道交通列车调控、轨道交通警报发布、服务效率提升的工作中起到至关重要的作用。然而，在城市轨道交通客流规模扩张和城市用地布局多变的复杂环境下，轨道交通“网-线-站”多粒度动态客流预测非常困难，同时在外部因素的干扰下，例如环境因素、节假日、大型活动等，高度的非线性和不确定性给客流预测带来了严峻的挑战。因此，构建融合巨量异构客流和复杂外在因素的轨道交通高精度预测模型是极为迫切。
目前，国内外在轨道交通乘客出行特征的研究中完成了丰富的工作，但是将乘客区域出行特征融合客流预测工作的较少。在轨道交通客流预测中，网络中站点的随地理位置的不同，具有的客流分布特征不同，且受周围例如重大活动、极端天气等影响时客流产生突变，整体客流是非线性的，基于数理统计分析的预测模型在面对较大变动的客流时往往不能实现良好的预测效果。在基于数理统计分析和浅层机器学习的模型中，通常需要通过组合模型进行交通预测工作以达到高精度的预测效果，且面对的预测对象为单条道路或者单个站点，在整个轨道线网中通常不能进行高精度的预测。而在基于深度学习的模型中，深度模型单体总体显示了高于数理统计分析和浅层机器学习模型的预测性能，且在融合CNN模块后可以进行区域性的预测工作，但是CNN的局限性在于其结构只能针对规则的网格结构进行空间特征的提取，这也就是学者们在基于CNN模型的研究中大多预测对象对可以将道路划分为网格结构的交通流数据，在轨道交通网络中各个站点之间呈现明显的非欧结构，无法使用CNN模型作为其预测框架。GCN图神经网络模型可以根据轨道交通网络拓扑结构进行站点间空间关系的学习，将基于区域预测的深度学习模型应用于轨道交通客流预测领域。在针对图神经网络的研究中，虽然学者可以将深度学习模型应用于轨道交通线网的预测中，但目前考虑到对站点客流属性加强的研究较少。
发明内容
本发明的目的在于解决背景技术中的至少一个技术问题，提供一种融合注意力机制和图神经网络的轨道交通客流预测方法、系统、电子设备和计算机可读存储介质。
为实现上述发明目的，本发明提供一种融合注意力机制和图神经网络的轨道交通客流预测方法，包括：
获取历史轨道交通客流量数据，将所述历史轨道交通客流量数据分为训练集和测试集；
采用基于注意力机制的图时空图卷积模型，利用所述训练集对所述时空图卷积模型进行训练，获得第一预测客流量数据；
计算所述第一预测客流量数据与真实客流量数据之间的损失，优化所述时空图卷积模型；
将所述测试集输入优化后的所述时空图卷积模型，输出第二预测客流量数据；
计算所述第二预测客流量数据与真实客流量数据之间的损失，将该损失与所述第一预测客流量数据与真实客流量数据之间的损失进行对比，判断优化后的所述时空图卷积模型是否出现欠拟合或者过拟合现象，若是，则调整优化后的所述时空图卷积模型中的超参数设置，调整后再对所述测试集进行测试，输出最终预测客流量数据；若否，则将所述第二预测客流量数据认定为最终客流量数据。
根据本发明的一个方面，所述时空图卷积模型包括图卷积网络GCN层、双向长短时记忆神经网络BiLSTM层、激活层和损失函数计算层。
根据本发明的一个方面，所述图卷积网络GCN层将轨道交通线网所有站点的客流量提取出空间维度的特征，计算公式为：
选择2层图卷积作为图卷积网络GCN层属性，
Figure 239254DEST_PATH_IMAGE001
Figure 154121DEST_PATH_IMAGE002
Figure 347205DEST_PATH_IMAGE003
Figure 813958DEST_PATH_IMAGE004
Figure 226747DEST_PATH_IMAGE005
Figure 679725DEST_PATH_IMAGE006
其中，D表示度矩阵，对角线上的元素为图中各个顶点的度，
Figure 258474DEST_PATH_IMAGE007
表示每个顶点的度；A表示以轨道交通线网为基础建立的邻接矩阵；
Figure 896129DEST_PATH_IMAGE008
表示邻接矩阵A上i行j列的值；i表示矩阵的第i行；j表示矩阵的第j列；
Figure 170115DEST_PATH_IMAGE009
为优化后的邻接矩阵；
Figure 551418DEST_PATH_IMAGE010
为优化后的度矩阵；
Figure 217629DEST_PATH_IMAGE011
为单位矩阵；L表示拉普拉斯矩阵；U表示是拉普拉斯矩阵经过特征值分解得到的正交矩阵；
Figure 26185DEST_PATH_IMAGE012
是矩阵U的转置，T为转置符号；
Figure 521889DEST_PATH_IMAGE013
为n个特征值构成的对角阵；
Figure 972462DEST_PATH_IMAGE014
为特征值；
Figure 994644DEST_PATH_IMAGE015
表示第l层的特征矩阵；
Figure 849468DEST_PATH_IMAGE016
表示在特定层L层中的可训练权重矩阵；
Figure 724145DEST_PATH_IMAGE017
为线网进站客流量特征矩阵；
Figure 447251DEST_PATH_IMAGE018
表示激活函数。
根据本发明的一个方面，所述双向长短时记忆神经网络BiLSTM层对融合了所述空间维度的特征的客流量提取出时间维度的特征，其中单向的LSTM模型计算公式为：
Figure 323940DEST_PATH_IMAGE019
Figure 474298DEST_PATH_IMAGE020
Figure 944594DEST_PATH_IMAGE021
Figure 975785DEST_PATH_IMAGE022
Figure 706980DEST_PATH_IMAGE023
Figure 293820DEST_PATH_IMAGE024
其中，
Figure 251411DEST_PATH_IMAGE025
表示遗忘层输出的遗忘权重结果；
Figure 316319DEST_PATH_IMAGE026
为遗忘门中
Figure 934645DEST_PATH_IMAGE027
和
Figure 567751DEST_PATH_IMAGE028
的权重矩阵；
Figure 871694DEST_PATH_IMAGE029
表示t时刻2层图神经网络输出的隐藏层的隐藏状态；
Figure 740293DEST_PATH_IMAGE030
为当前时刻输入的外部特征序列；
Figure 446080DEST_PATH_IMAGE031
为遗忘门中的偏置参数；
Figure 250088DEST_PATH_IMAGE032
表示记忆层输出的记忆权重结果；
Figure 539862DEST_PATH_IMAGE033
为记忆门中
Figure 212152DEST_PATH_IMAGE027
和
Figure 38025DEST_PATH_IMAGE028
的权重矩阵；
Figure 747355DEST_PATH_IMAGE034
为记忆门中的偏置参数；
Figure 291469DEST_PATH_IMAGE035
表示描述当前细胞记忆状态的参数；sigmiod、tanh为激活函数；
Figure 3335DEST_PATH_IMAGE036
表示记忆细胞状态储存单元中
Figure 683716DEST_PATH_IMAGE027
和
Figure 829526DEST_PATH_IMAGE028
的权重矩阵；
Figure 329778DEST_PATH_IMAGE037
表示记忆细胞状态储存单元中的偏置参数；
Figure 78291DEST_PATH_IMAGE038
表示t-1时刻的记忆状态；
Figure 129291DEST_PATH_IMAGE039
表示当前时刻的记忆状态；
Figure 305057DEST_PATH_IMAGE040
表示输出层输出的遗忘权重结果；
Figure 292605DEST_PATH_IMAGE041
为输出门中
Figure 579229DEST_PATH_IMAGE027
和
Figure 735666DEST_PATH_IMAGE028
的权重矩阵；
Figure 223280DEST_PATH_IMAGE042
为输出门中的偏置参数；
Figure 291599DEST_PATH_IMAGE043
表示模型t时刻的输出；
将正反两个方向的LSTM模型输出
Figure 381914DEST_PATH_IMAGE044
和
Figure 766759DEST_PATH_IMAGE045
结合得到BiLSTM输出；
Figure 48443DEST_PATH_IMAGE046
；
其中，
Figure 541741DEST_PATH_IMAGE047
表示BiLSTM模型t时刻的输出。
根据本发明的一个方面，所述激活层为全连接层，全连接层将BiLSTM输出的多维向量进行维度转变，最终得到所需维度进行输出，计算过程如以下公式：
Figure 311114DEST_PATH_IMAGE048
其中，y表示记
Figure 675099DEST_PATH_IMAGE049
时刻输出的进站客流预测值；Q为总时间步长。
根据本发明的一个方面，所述损失函数计算层采用损失函数loss计算预测客流量数据与真实客流量数据之间的损失，计算公式为：
Figure 629149DEST_PATH_IMAGE050
其中，yt为预测客流量数据，yyt为真实客流量数据，
Figure 845629DEST_PATH_IMAGE051
为正则化系数，
Figure 153113DEST_PATH_IMAGE052
为L2正则化项。
根据本发明的一个方面，所述注意力机制的计算公式包括：
Figure 637184DEST_PATH_IMAGE053
Figure 762135DEST_PATH_IMAGE054
Figure 839812DEST_PATH_IMAGE055
其中，Ft为预测客流量数据yt对应的特征向量；
Figure 341201DEST_PATH_IMAGE056
表示训练时的赋予包含了输入序列中
Figure 918594DEST_PATH_IMAGE057
之前时刻的进站客流信息向量ht的权重，由第
Figure 948866DEST_PATH_IMAGE058
个时刻输出的隐藏状态
Figure 638474DEST_PATH_IMAGE059
，以及ht决定的；
Figure 146816DEST_PATH_IMAGE060
表示j时刻注意力权重打分情况；
Figure 480845DEST_PATH_IMAGE061
表示k时刻注意力权重打分情况；hj表示j时刻的隐藏层状态；k和j表示相应时刻；
在所述注意力机制的解码器中，由Ft影响的对应预测客流量数据
Figure 449063DEST_PATH_IMAGE062
计算公式为：
Figure 360387DEST_PATH_IMAGE063
Figure 937999DEST_PATH_IMAGE064
其中，st表示t时刻输出的隐藏状态，st-1表示t-1时刻输出的隐藏状态，yt-1表示t-1时刻对应的客流量数据，
Figure 126535DEST_PATH_IMAGE065
对应的深度学习模型。
为实现上述目的，本发明还提供一种融合注意力机制和图神经网络的轨道交通客流预测系统，包括：
数据获取模块，获取历史轨道交通客流量数据，将所述历史轨道交通客流量数据分为训练集和测试集；
模型训练模块，采用基于注意力机制的时空图卷积模型，利用所述训练集对所述时空图卷积模型进行训练，获得第一预测客流量数据；
模型优化模块，计算所述第一预测客流量数据与真实客流量数据之间的损失，优化所述时空图卷积模型；
客流量预测模块，将所述测试集输入优化后的所述时空图卷积模型，输出第二预测客流量数据；
客流量校准模块，计算所述第二预测客流量数据与真实客流量数据之间的损失，将该损失与所述第一预测客流量数据与真实客流量数据之间的损失进行对比，判断优化后的所述时空图卷积模型是否出现欠拟合或者过拟合现象，若是，则调整优化后的所述时空图卷积模型中的超参数设置，调整后再对所述测试集进行测试，输出最终预测客流量数据；若否，则将所述第二预测客流量数据认定为最终客流量数据。
为实现上述目的，本发明还提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的融合注意力机制和图神经网络的轨道交通客流预测方法。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的融合注意力机制和图神经网络的轨道交通客流预测方法。
根据本发明的方案，本发明提出的是考虑巨量客流特征的轨道交通路网客流的预测方法。结合GCN模型（图卷积网络模型）可以捕捉轨道交通线网站点间空间关系的优点和BiLSTM模型（双向长短时记忆神经网络模型）对时间序列数据高精度预测优点，构建轨道交通客流短时预测模型框架BT-GCN。考虑轨道交通时空特征，融合注意力机制（Attention,ATT），捕捉历史进站客流数据与当前时刻进站客流量的相关程度并将相关程度以权重的形式表示。本发明所提模型可以综合考虑进站客流时空特征并以历史数据相关时间点对时空属性进行加强工作，从而进行准确的客流预测。
本发明依靠神经网络，将快速获得的规定时间段内各个站点的进出站客流数据映射到高维特征空间中的特性进行各种特征的学习，得到不同时间和不同站点之间的相关特征值。本发明提出的ATT-BT-GCN模型是由BT-GCN和注意力机制两个模块组成的神经网络模型。该模型用于轨道交通客流预测，在传统的轨道交通线网客流预测工作中增加对历史数据特征和外部影响特征的增强工作，进一步提升时空图卷积模型在轨道交通线网客流预测中的精度。本发明一方面提高了中短期进站客流预测的稳定性，另一方面在面对客流峰值以及非周期性客流变化时模型预测精度高于BT-GCN模型，且在低进站客流值情况下预测精度提高更加明显。这对轨道交通列车调控、轨道交通警报发布、以及服务效率提升的工作中起到至关重要的作用。
附图说明
图1示意性表示根据本发明的一种实施方式的融合注意力机制和图神经网络的轨道交通客流预测方法的流程图；
图2表示时空图卷积模型的结构图；
图3示意性表示融合注意力机制的时空图卷积模型（ATT-BT-GCN）的结构框图；
图4示意性表示根据本发明的一种实施方式的融合注意力机制和图神经网络的轨道交通客流预测系统的结构框图；
图5表示不同隐藏单元数下MAE、RMSE对比图；
图6表示不同隐藏单元数下Accuracy、R²和EVS对比图；
图7表示轨道线网中整体站点在早高峰时段的客流量实际值状态图；
图8表示轨道线网中整体站点在早高峰时段通过ATT-BT-GCN模型预测的客流量预测值状态图；
图9表示轨道线网中整体站点在平峰时段的客流量实际值状态图；
图10表示轨道线网中整体站点在平峰时段通过ATT-BT-GCN模型预测的客流量预测值状态图；
图11表示轨道线网中整体站点在晚高峰时段的客流量实际值状态图；
图12表示轨道线网中整体站点在晚高峰时段通过ATT-BT-GCN模型预测的客流量预测值状态图；
图13表示不同预测时长下ATT-BT-GCN模型RMSE变化图；
图14表示不同预测时长下ATT-BT-GCN模型MAE变化图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容。应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种实施方式的融合注意力机制和图神经网络的轨道交通客流预测方法的流程图。如图1所示，在本实施方式中，根据本发明的融合注意力机制和图神经网络的轨道交通客流预测方法，包括以下步骤：
a. 获取历史轨道交通客流量数据，将历史轨道交通客流量数据分为训练集和测试集；
b. 采用基于注意力机制的时空图卷积模型，利用训练集对时空图卷积模型进行训练，获得第一预测客流量数据；
c. 计算第一预测客流量数据与真实客流量数据之间的损失，优化时空图卷积模型；
d. 将测试集输入优化后的时空图卷积模型，输出第二预测客流量数据；
e. 计算第二预测客流量数据与真实客流量数据之间的损失，将该损失与第一预测客流量数据与真实客流量数据之间的损失进行对比，判断优化后的时空图卷积模型是否出现欠拟合或者过拟合现象，若是，则调整优化后的时空图卷积模型中的超参数设置，调整后再对测试集进行测试，输出最终预测客流量数据；若否，则将第二预测客流量数据认定为最终客流量数据。
根据本发明的一种实施方式，在上述a步骤中，基于研究区域内地铁运营AFC系统收集的乘客进出站数据，通过以15min粒度为单位的客流聚合工作，得到历史轨道交通客流量数据，将所述历史轨道交通客流量数据分为训练集和测试集；
根据本发明的一种实施方式，在上述b和c步骤中，时空图卷积模型包括图卷积网络GCN层、双向长短时记忆神经网络BiLSTM层、激活层和损失函数计算层，图2表示时空图卷积模型的结构图（BT-GCN）。
其中，将研究实践范围内每个时间段轨道交通线网所有站点的进站客流客流量矩阵X作为输入信息送入图卷积网络GCN层进行空间维度的特征提取工作，在本实施方式中，选择2层图卷积作为图卷积网络GCN层属性，其计算公式如下：
Figure 29769DEST_PATH_IMAGE066
Figure 661345DEST_PATH_IMAGE067
Figure 42648DEST_PATH_IMAGE068
Figure 85690DEST_PATH_IMAGE069
Figure 894246DEST_PATH_IMAGE070
Figure 514584DEST_PATH_IMAGE071
其中，D表示度矩阵，对角线上的元素为图中各个顶点的度，
Figure 840523DEST_PATH_IMAGE007
表示每个顶点的度；A表示以轨道交通线网为基础建立的邻接矩阵；
Figure 364170DEST_PATH_IMAGE008
表示邻接矩阵A上i行j列的值；i表示矩阵的第i行；j表示矩阵的第j列；
Figure 78048DEST_PATH_IMAGE009
为优化后的邻接矩阵；
Figure 451261DEST_PATH_IMAGE010
为优化后的度矩阵；
Figure 315312DEST_PATH_IMAGE011
为单位矩阵；L表示拉普拉斯矩阵；U表示是拉普拉斯矩阵经过特征值分解得到的正交矩阵；
Figure 192001DEST_PATH_IMAGE012
是矩阵U的转置，T为转置符号；
Figure 835035DEST_PATH_IMAGE013
为n个特征值构成的对角阵；
Figure 429965DEST_PATH_IMAGE072
为特征值；
Figure 691182DEST_PATH_IMAGE015
表示第l层的特征矩阵；
Figure 828902DEST_PATH_IMAGE016
表示在特定层L层中的可训练权重矩阵；
Figure 150162DEST_PATH_IMAGE017
为线网进站客流量特征矩阵；
Figure 733852DEST_PATH_IMAGE018
表示激活函数。
进一步地，在本实施方式中，双向长短时记忆神经网络BiLSTM层对融合了所述空间维度的特征的客流量提取出时间维度的特征，此时双向长短时记忆神经网络BiLSTM层中的单项LSTM模型三个门控制单元公式采用以下公式：
Figure 939706DEST_PATH_IMAGE019
Figure 790987DEST_PATH_IMAGE020
Figure 283148DEST_PATH_IMAGE021
Figure 852670DEST_PATH_IMAGE022
Figure 596635DEST_PATH_IMAGE023
Figure 800958DEST_PATH_IMAGE024
其中，
Figure 729600DEST_PATH_IMAGE025
表示遗忘层输出的遗忘权重结果；
Figure 520838DEST_PATH_IMAGE026
为遗忘门中
Figure 68494DEST_PATH_IMAGE027
和
Figure 894368DEST_PATH_IMAGE028
的权重矩阵；
Figure 229796DEST_PATH_IMAGE029
表示t时刻2层图神经网络输出的隐藏层的隐藏状态；
Figure 773910DEST_PATH_IMAGE030
为当前时刻输入的外部特征序列；
Figure 125257DEST_PATH_IMAGE031
为遗忘门中的偏置参数；
Figure 540058DEST_PATH_IMAGE032
表示记忆层输出的记忆权重结果；
Figure 544923DEST_PATH_IMAGE033
为记忆门中
Figure 815148DEST_PATH_IMAGE027
和
Figure 704607DEST_PATH_IMAGE028
的权重矩阵；
Figure 239493DEST_PATH_IMAGE034
为记忆门中的偏置参数；
Figure 680839DEST_PATH_IMAGE035
表示描述当前细胞记忆状态的参数；sigmiod、tanh为激活函数；
Figure 668387DEST_PATH_IMAGE036
表示记忆细胞状态储存单元中
Figure 456476DEST_PATH_IMAGE027
和
Figure 252394DEST_PATH_IMAGE028
的权重矩阵；
Figure 864641DEST_PATH_IMAGE037
表示记忆细胞状态储存单元中的偏置参数；
Figure 73905DEST_PATH_IMAGE038
表示t-1时刻的记忆状态；
Figure 429800DEST_PATH_IMAGE039
表示当前时刻的记忆状态；
Figure 172235DEST_PATH_IMAGE040
表示输出层输出的遗忘权重结果；
Figure 96329DEST_PATH_IMAGE041
为输出门中
Figure 324048DEST_PATH_IMAGE027
和
Figure 952475DEST_PATH_IMAGE028
的权重矩阵；
Figure 316460DEST_PATH_IMAGE042
为输出门中的偏置参数；
Figure 506395DEST_PATH_IMAGE043
表示模型t时刻的输出。
将正反两个方向的LSTM模型输出
Figure 955831DEST_PATH_IMAGE044
和
Figure 528895DEST_PATH_IMAGE045
结合得到BiLSTM输出；
Figure 12966DEST_PATH_IMAGE046
。
由此可以得到分别经过图卷积网络GCN层和双向长短时记忆神经网络BiLSTM层后融合了时间和空间特征属性的轨道交通线网进站客流。
进一步地，在本实施方式中，激活层为全连接层，计算过程如以下公式：
Figure 137917DEST_PATH_IMAGE048
其中，y表示记
Figure 590762DEST_PATH_IMAGE073
时刻输出的进站客流预测值；Q为总时间步长；
Figure 701938DEST_PATH_IMAGE047
表示BiLSTM模型t时刻的输出。
进一步地，在本实施方式中，损失函数计算层在针对轨道交通线网进站客流预测的过程中，为了追求预测误差的最小化，采用损失函数
Figure 40515DEST_PATH_IMAGE074
来判定预测的结果好坏，同时还要防止过度关注测试集误差时所导致的模型过拟合情况。因此在损失函数的计算中，定义
Figure 336367DEST_PATH_IMAGE075
为模型预测值（即第一预测客流量数据），
Figure 760395DEST_PATH_IMAGE076
为实际的进站客流量（即真实客流量数据），引入
Figure 675262DEST_PATH_IMAGE077
正则化项
Figure 635390DEST_PATH_IMAGE078
加强模型的抗扰动性，具体计算公式如下：
Figure 836564DEST_PATH_IMAGE050
其中，
Figure 482309DEST_PATH_IMAGE051
为正则化系数，合理的系数
Figure 325500DEST_PATH_IMAGE051
可以减小正则化中代价函数最值参数，起到避免模型的过拟合现象，但是过大的系数
Figure 514036DEST_PATH_IMAGE051
会导致模型欠拟合现象的出现。故在本实施方式中通过逐渐增大系数
Figure 650226DEST_PATH_IMAGE051
值的方式找出模型最适合的正则化系数
Figure 783267DEST_PATH_IMAGE051
，从而优化上述基于（融合）注意力机制的时空图卷积模型。
进一步地，在本实施方式中，注意力机制的计算公式包括：
Figure 898990DEST_PATH_IMAGE053
Figure 801087DEST_PATH_IMAGE054
Figure 111108DEST_PATH_IMAGE055
其中，Ft为预测客流量数据yt对应的特征向量；Q为总时间步长；
Figure 731445DEST_PATH_IMAGE056
表示训练时的赋予包含了输入序列中
Figure 791805DEST_PATH_IMAGE057
之前时刻的进站客流信息向量ht的权重，由第
Figure 79567DEST_PATH_IMAGE058
个时刻输出的隐藏状态
Figure 59024DEST_PATH_IMAGE079
，以及ht决定的；
Figure 307603DEST_PATH_IMAGE060
表示j时刻注意力权重打分情况；
Figure 269524DEST_PATH_IMAGE080
表示k时刻注意力权重打分情况；hj表示j时刻的隐藏层状态；k和j表示相应时刻。
在所述注意力机制的解码器中，由
Figure 411792DEST_PATH_IMAGE081
影响的对应预测客流量数据
Figure 562151DEST_PATH_IMAGE062
计算公式为：
Figure 32446DEST_PATH_IMAGE063
Figure 559243DEST_PATH_IMAGE064
其中，st表示t时刻输出的隐藏状态，st-1表示t-1时刻输出的隐藏状态，yt-1表示t-1时刻对应的客流量数据，
Figure 323062DEST_PATH_IMAGE065
对应的深度学习模型。
图3示意性表示融合注意力机制的时空图卷积模型（ATT-BT-GCN）的结构框图。在本实施方式中，在对上述时空图卷积模型训练的同时引入注意力机制的帮助对目标相关特征进行强化聚焦，达到为模型减少参数、加快学习效率以及提高预精度的效果。
进一步地，根据本发明的一种实施方式，在上述d和e步骤中，将测试集输入上述优化后的时空图卷积模型后会得到第二预测客流量数据。得到第二客流量数据后，按照上述方式，通过损失函数
Figure 519688DEST_PATH_IMAGE074
来计算第二预测客流量数据与真实客流量数据之间的损失，然后将该损失与上述第一预测客流量数据与真实客流量数据之间的损失进行对比，通过对比结果判断优化后的时空图卷积模型是否出现欠拟合或者过拟合现象，若是（欠拟合：两者损失值很大，且模型损失函数未收敛；过拟合：训练集损失值很小，但预测集损失随迭代次数的增加变大），则调整优化后的时空图卷积模型中的超参数（对于欠拟合可以进行增加迭代次数和增大学习率的策略；对于过拟合可以采用提前终止模型或者增加数据集等策略来避免）设置，调整后再对测试集进行测试，输出最终预测客流量数据；若否（模型损失函数基本收敛，且预测集和训练集损失值差距小于10%），则将上述第二预测客流量数据认定为最终客流量数据。如此方案可以有效地提高本发明的预测轨道交通客流的模型的稳定性，加强模型的抗扰动性，使得轨道交通客流的预测结果精准有效，对于轨道交通列车调控、轨道交通警报发布、以及服务效率提升的工作中起到至关重要的作用。
根据本发明的上述方案，本发明提出的是考虑巨量客流特征的轨道交通路网客流的预测方法。结合GCN模型（图卷积网络模型）可以捕捉轨道交通线网站点间空间关系的优点和BiLSTM模型（双向长短时记忆神经网络模型）对时间序列数据高精度预测优点，构建轨道交通客流短时预测模型框架BT-GCN。考虑轨道交通时空特征，融合注意力机制（Attention,ATT），捕捉历史进站客流数据与当前时刻进站客流量的相关程度并将相关程度以权重的形式表示。本发明所提模型可以综合考虑进站客流时空特征并以历史数据相关时间点对时空属性进行加强工作，从而进行准确的客流预测。
本发明依靠神经网络，将快速获得的规定时间段内各个站点的进出站客流数据映射到高维特征空间中的特性进行各种特征的学习，得到不同时间和不同站点之间的相关特征值。本发明提出的ATT-BT-GCN模型是由BT-GCN和注意力机制两个模块组成的神经网络模型。该模型用于轨道交通客流预测，在传统的轨道交通线网客流预测工作中增加对历史数据特征和外部影响特征的增强工作，进一步提升时空图卷积模型在轨道交通线网客流预测中的精度。本发明一方面提高了中短期进站客流预测的稳定性，另一方面在面对客流峰值以及非周期性客流变化时模型预测精度高于BT-GCN模型，且在低进站客流值情况下预测精度提高更加明显。这对轨道交通列车调控、轨道交通警报发布、以及服务效率提升的工作中起到至关重要的作用。
为实现上述目的，本发明还提供一种融合注意力机制和图神经网络的轨道交通客流预测系统，其结构框图如图4所示，具体包括：
数据获取模块，获取历史轨道交通客流量数据，将历史轨道交通客流量数据分为训练集和测试集；
模型训练模块，采用基于注意力机制的时空图卷积模型，利用训练集对时空图卷积模型进行训练，获得第一预测客流量数据；
模型优化模块，计算第一预测客流量数据与真实客流量数据之间的损失，优化时空图卷积模型；
客流量预测模块，将测试集输入优化后的时空图卷积模型，输出第二预测客流量数据；
客流量校准模块，计算第二预测客流量数据与真实客流量数据之间的损失，将该损失与第一预测客流量数据与真实客流量数据之间的损失进行对比，判断优化后的时空图卷积模型是否出现欠拟合或者过拟合现象，若是，则调整优化后的时空图卷积模型中的超参数设置，调整后再对测试集进行测试，输出最终预测客流量数据；若否，则将第二预测客流量数据认定为最终客流量数据。
根据本发明的一种实施方式，在上述数据获取模块中，基于研究区域内地铁运营AFC系统收集的乘客进出站数据，通过以15min粒度为单位的客流聚合工作，得到历史轨道交通客流量数据，将历史轨道交通客流量数据分为训练集和测试集；
根据本发明的一种实施方式，在上述模型训练模块和模型优化模块中，时空图卷积模型包括图卷积网络GCN层、双向长短时记忆神经网络BiLSTM层、激活层和损失函数计算层，时空图卷积模型的结构如图2所示。
其中，将研究实践范围内每个时间段轨道交通线网所有站点的进站客流客流量作为输入信息
Figure 601913DEST_PATH_IMAGE082
（t取0，1,···，n）送入图卷积网络GCN层进行空间维度的特征提取工作，在本实施方式中，选择2层图卷积作为图卷积网络GCN层属性，其计算公式如下：
Figure 666821DEST_PATH_IMAGE083
Figure 518103DEST_PATH_IMAGE084
Figure 151209DEST_PATH_IMAGE003
Figure 219266DEST_PATH_IMAGE004
Figure 87865DEST_PATH_IMAGE005
Figure 793653DEST_PATH_IMAGE006
式中，D表示度矩阵，对角线上的元素为图中各个顶点的度，
Figure 597661DEST_PATH_IMAGE007
表示每个顶点的度；A表示以轨道交通线网为基础建立的邻接矩阵；
Figure 388899DEST_PATH_IMAGE008
表示邻接矩阵A上i行j列的值；i表示矩阵的第i行；j表示矩阵的第j列；
Figure 562654DEST_PATH_IMAGE009
为优化后的邻接矩阵；
Figure 122948DEST_PATH_IMAGE010
为优化后的度矩阵；
Figure 363437DEST_PATH_IMAGE011
为单位矩阵；L表示拉普拉斯矩阵；U表示是拉普拉斯矩阵经过特征值分解得到的正交矩阵；
Figure 376392DEST_PATH_IMAGE012
是矩阵U的转置，T为转置符号；
Figure 586793DEST_PATH_IMAGE013
为n个特征值构成的对角阵；
Figure 494270DEST_PATH_IMAGE085
为特征值；
Figure 764714DEST_PATH_IMAGE015
表示第l层的特征矩阵；
Figure 671490DEST_PATH_IMAGE016
表示在特定层L层中的可训练权重矩阵；
Figure 420004DEST_PATH_IMAGE017
为线网进站客流量特征矩阵；
Figure 954890DEST_PATH_IMAGE018
表示激活函数。
进一步地，在本实施方式中，双向长短时记忆神经网络BiLSTM层对融合了所述空间维度的特征的客流量提取出时间维度的特征，此时双向长短时记忆神经网络BiLSTM层中的单项LSTM模型三个门控制单元公式采用以下公式：
Figure 537181DEST_PATH_IMAGE019
Figure 291773DEST_PATH_IMAGE020
Figure 578398DEST_PATH_IMAGE021
Figure 233370DEST_PATH_IMAGE022
Figure 580038DEST_PATH_IMAGE023
Figure 195827DEST_PATH_IMAGE024
其中，
Figure 50257DEST_PATH_IMAGE025
表示遗忘层输出的遗忘权重结果；
Figure 559736DEST_PATH_IMAGE026
为遗忘门中
Figure 342884DEST_PATH_IMAGE027
和
Figure 445969DEST_PATH_IMAGE028
的权重矩阵；
Figure 339976DEST_PATH_IMAGE029
表示t时刻2层图神经网络输出的隐藏层的隐藏状态；
Figure 471005DEST_PATH_IMAGE030
为当前时刻输入的外部特征序列；
Figure 300421DEST_PATH_IMAGE031
为遗忘门中的偏置参数；
Figure 749857DEST_PATH_IMAGE032
表示记忆层输出的记忆权重结果；
Figure 447554DEST_PATH_IMAGE033
为记忆门中
Figure 931625DEST_PATH_IMAGE027
和
Figure 931942DEST_PATH_IMAGE028
的权重矩阵；
Figure 373069DEST_PATH_IMAGE034
为记忆门中的偏置参数；
Figure 608878DEST_PATH_IMAGE035
表示描述当前细胞记忆状态的参数；sigmiod、tanh为激活函数；
Figure 947456DEST_PATH_IMAGE036
表示记忆细胞状态储存单元中
Figure 118674DEST_PATH_IMAGE027
和
Figure 542702DEST_PATH_IMAGE028
的权重矩阵；
Figure 83667DEST_PATH_IMAGE037
表示记忆细胞状态储存单元中的偏置参数；
Figure 276751DEST_PATH_IMAGE038
表示t-1时刻的记忆状态；
Figure 618871DEST_PATH_IMAGE039
表示当前时刻的记忆状态；
Figure 795774DEST_PATH_IMAGE040
表示输出层输出的遗忘权重结果；
Figure 373386DEST_PATH_IMAGE041
为输出门中
Figure 919511DEST_PATH_IMAGE027
和
Figure 432532DEST_PATH_IMAGE028
的权重矩阵；
Figure 831153DEST_PATH_IMAGE042
为输出门中的偏置参数；
Figure 478035DEST_PATH_IMAGE043
表示模型t时刻的输出。
由此可以得到分别经过图卷积网络GCN层和双向长短时记忆神经网络BiLSTM层后融合了时间和空间特征属性的轨道交通线网进站客流。
进一步地，在本实施方式中，激活层为全连接层，计算过程如以下公式：
Figure 380132DEST_PATH_IMAGE048
其中，y表示记
Figure 329633DEST_PATH_IMAGE086
时刻输出的进站客流预测值；Q为总时间步长；
Figure 717014DEST_PATH_IMAGE047
表示BiLSTM模型t时刻的输出。
进一步地，在本实施方式中，损失函数计算层在针对轨道交通线网进站客流预测的过程中，为了追求预测误差的最小化，采用损失函数
Figure 636429DEST_PATH_IMAGE074
来判定预测的结果好坏，同时还要防止过度关注测试集误差时所导致的模型过拟合情况。因此在损失函数的计算中，定义
Figure 533978DEST_PATH_IMAGE075
为模型预测值（即第一预测客流量数据），
Figure 779014DEST_PATH_IMAGE076
为实际的进站客流量（即真实客流量数据），引入
Figure 886648DEST_PATH_IMAGE077
正则化项
Figure 125866DEST_PATH_IMAGE078
加强模型的抗扰动性，具体计算公式如下：
Figure 143501DEST_PATH_IMAGE050
其中，
Figure 28280DEST_PATH_IMAGE051
为正则化系数，合理的系数
Figure 623210DEST_PATH_IMAGE051
可以减小正则化中代价函数最值参数，起到避免模型的过拟合现象，但是过大的系数
Figure 150006DEST_PATH_IMAGE051
会导致模型欠拟合现象的出现。故在本实施方式中通过逐渐增大系数
Figure 648246DEST_PATH_IMAGE051
值的方式找出模型最适合的正则化系数
Figure 703926DEST_PATH_IMAGE051
，从而优化上述基于（融合）注意力机制的时空图卷积模型。
进一步地，在本实施方式中，注意力机制的计算公式包括：
Figure 661518DEST_PATH_IMAGE053
Figure 726426DEST_PATH_IMAGE054
Figure 577707DEST_PATH_IMAGE055
其中，Ft为预测客流量数据yt对应的特征向量；Q为总时间步长；
Figure 833983DEST_PATH_IMAGE056
表示训练时的赋予包含了输入序列中
Figure 137925DEST_PATH_IMAGE057
之前时刻的进站客流信息向量ht的权重，由第
Figure 616311DEST_PATH_IMAGE058
个时刻输出的隐藏状态
Figure 587678DEST_PATH_IMAGE079
，以及ht决定的；
Figure 250741DEST_PATH_IMAGE060
表示j时刻注意力权重打分情况；
Figure 809023DEST_PATH_IMAGE087
表示k时刻注意力权重打分情况；hj表示j时刻的隐藏层状态；k和j表示相应时刻。
在所述注意力机制的解码器中，由Ft影响的对应预测客流量数据yt计算公式为：
Figure 91100DEST_PATH_IMAGE063
Figure 182553DEST_PATH_IMAGE064
其中，st表示t时刻输出的隐藏状态，st-1表示t-1时刻输出的隐藏状态，yt-1表示t-1时刻对应的客流量数据，
Figure 282096DEST_PATH_IMAGE065
对应的深度学习模型。
融合注意力机制的时空图卷积模型（ATT-BT-GCN）的结构框图如图3所示。在本实施方式中，在对上述时空图卷积模型训练的同时引入注意力机制的帮助对目标相关特征进行强化聚焦，达到为模型减少参数、加快学习效率以及提高预精度的效果。
进一步地，根据本发明的一种实施方式，在上述客流量预测模块和客流量校准模块中，将测试集输入上述优化后的时空图卷积模型后会得到第二预测客流量数据。得到第二客流量数据后，按照上述方式，通过损失函数
Figure 295051DEST_PATH_IMAGE074
来计算第二预测客流量数据与真实客流量数据之间的损失，然后将该损失与上述第一预测客流量数据与真实客流量数据之间的损失进行对比，通过对比结果判断优化后的时空图卷积模型是否出现欠拟合或者过拟合现象，若是（欠拟合：两者损失值很大，且模型损失函数未收敛；过拟合：训练集损失值很小，但预测集损失随迭代次数的增加变大），则调整优化后的时空图卷积模型中的超参数（对于欠拟合可以进行增加迭代次数和增大学习率的策略；对于过拟合可以采用提前终止模型或者增加数据集等策略来避免）设置，调整后再对测试集进行测试，输出最终预测客流量数据；若否（模型损失函数基本收敛，且预测集和训练集损失值差距小于10%），则将上述第二预测客流量数据认定为最终客流量数据。如此方案可以有效地提高本发明的预测轨道交通客流的模型的稳定性，加强模型的抗扰动性，使得轨道交通客流的预测结果精准有效，对于轨道交通列车调控、轨道交通警报发布、以及服务效率提升的工作中起到至关重要的作用。
根据本发明的上述方案，本发明提出的是考虑巨量客流特征的轨道交通路网客流的预测方法。结合GCN模型（图卷积网络模型）可以捕捉轨道交通线网站点间空间关系的优点和BiLSTM模型（双向长短时记忆神经网络模型）对时间序列数据高精度预测优点，构建轨道交通客流短时预测模型框架BT-GCN。考虑轨道交通时空特征，融合注意力机制（Attention,ATT），捕捉历史进站客流数据与当前时刻进站客流量的相关程度并将相关程度以权重的形式表示。本发明所提模型可以综合考虑进站客流时空特征并以历史数据相关时间点对时空属性进行加强工作，从而进行准确的客流预测。
本发明依靠神经网络，将快速获得的规定时间段内各个站点的进出站客流数据映射到高维特征空间中的特性进行各种特征的学习，得到不同时间和不同站点之间的相关特征值。本发明提出的ATT-BT-GCN模型是由BT-GCN和注意力机制两个模块组成的神经网络模型。该模型用于轨道交通客流预测，在传统的轨道交通线网客流预测工作中增加对历史数据特征和外部影响特征的增强工作，进一步提升时空图卷积模型在轨道交通线网客流预测中的精度。本发明一方面提高了中短期进站客流预测的稳定性，另一方面在面对客流峰值以及非周期性客流变化时模型预测精度高于BT-GCN模型，且在低进站客流值情况下预测精度提高更加明显。这对轨道交通列车调控、轨道交通警报发布、以及服务效率提升的工作中起到至关重要的作用。
为实现上述发明目的，本发明还提供一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上所述的融合注意力机制和图神经网络的轨道交通客流预测方法。
为实现上述发明目的，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上所述的融合注意力机制和图神经网络的轨道交通客流预测方法。
基于以上本发明的技术方案，为了验证本发明的效果，本发明配置以下实验验证本发明的效果：
1.实验设置
（1）实验环境
本发明的优化所述时空图卷积模型模型在Windows系统中Pycharm集成开发环境下利用Python进行编译，具体的实验环境配置如以下表1所示。
Figure 380819DEST_PATH_IMAGE088
表1
（2）实验数据集
实验数据集选择2016年4月到6月武汉市轨道交通线网中全部96个站点以15min为时间粒度的进站客流量，数据集形状为
Figure 300014DEST_PATH_IMAGE089
的矩阵。
（3）实验评价指标
回归评价指标是对模型预测工作效果的评价的定量指标，不同的评价方法可以从预测数据的不同角度对模型的性能进行反应。因为关于轨道交通客流预测的工作中，在每天的预测期起始点进站客流量值与峰值相比相差很远，此时段MAPE评价效果影响效果较大，且存在有些站点进站客流量为0的情况存在，故本发明所提模型选择平均绝对误差（MAE）、均方根误差（RMSE）、准确度（Accuracy）、决定系数(
Figure 304879DEST_PATH_IMAGE090
)、可释方差得分（EVS）五个评价指标进行评价工作。
（4）实验超参数设置
神经网络中的超参数设置很大程度上决定了网络训练速度快慢和结果准确性。实验中的主要超参数包括6种：学习率、迭代次数、训练集和预测集大小比例、批量大小、优化器选择以及隐藏单元数。
1）学习率（learning rate）
学习率作为深度学习中的重要参数，在神经网络中通过控制模型每次利用反向传播的误差大小来控制模型的内部参数调整，使得模型向误差减小的方向发展。学习率的大小会影响到神经网络的敛散性，在本发明构建的模型中选择0.01作为学习率的大小。
2）迭代次数（epoch）
迭代次数表示神经网络模型对整体训练集的遍历次数，遍历次数越多训练越充分。经过多次实验，将迭代次数设定为3000。
3）训练集和预测集大小比例
将整体数据集分为训练数据集和预测数据集，先前学者经验表明，数据量小于万级别时将训练集和预测集比例分为4：1较为合理。处理后数据量为6451，属于万级别以下数据集，故选择4：1作为训练集和预测集大小比例。
4）批量大小（batch size）
批量大小的设置表示每次训练输入训练集中数据的个数，可以帮助神经网络模型找到正确的梯度下降方向。通过多次实验验证，设置批量大小为100时可以兼顾收敛速度和运行内存两方面收益，故选择100作为实验批量大小。
5）优化器选择（optimizer）
优化器通过优化训练中的参数降低模型的损失函数。本实验选择一种结合了Momentum和RMSProp算法的自适应学习率优化算法Adam作为优化器帮助模型寻找正确梯度下降的方向。
6）隐藏单元数（hidden units）
隐藏单元的作用是将输入数据的特征映射到高维空间中，达到对输入数据特征的线性划分工作。本实验以其余超参数数值选择为基础，将隐藏单元数分为8、16、32、64、128个数量分类，并分别做了5组对比实验，以选择的评价指标作为最终选取隐藏单元数量的依据。
ATT-BT-GCN模型在不同隐藏单元下的预测效果如以下表2所示。将评价指标以自身性质为基础分为以低值为目标的MAE、RMSE以及以高值为目标的Accuracy、R2、EVS两类进行分析。
Figure 805131DEST_PATH_IMAGE091
表2
由表2可知，在MAE和RMSE评价指标中，当隐藏单元数为64时，MAE和RMSE值同时达到最小，相较其他隐藏单元数分别降低了4.36%-21.23%和4.94%-23.42%。
在Accuracy、R2和EVS评价指标中，隐藏单元为16、32、64、128时数值相近，其中单元数为64时略高一点。两类评价指标的对比分别如图5和图6所示。
故选择隐藏单元为64作为输入。
综上所述，本发明提出的ATT-BT-GCN模型超参数设置如以下表3所示。
Figure 553644DEST_PATH_IMAGE092
表3
（5）基线模型的选择
基线模型以不同模型的典型特点分别选择了线性模型ARIMA、浅层机器学习方法SVR、循环神经网络方法BiLSTM、图卷积方法GCN以及本发明提出的基础模型BT-GCN。
2.实验结果分析
（1）实验结果
在预测工作中，经过3000次迭代，本发明提出的ATT-BT-GCN模型达到收敛状态，未出现过拟合情况。所有模型都以前1小时的进站客流量分别对15min、30min、60min后的进站客流量进行预测，并分别作为短期、中期、长期的预测结果，具体模型预测结果如表4所示。
Figure 855575DEST_PATH_IMAGE093
表4
注：*表示数值很小或负值，其预测效果小于直接取历史平均值预测效果。
由表4可知，实验结果表明，本发明提出的ATT-BT-GCN模型在短期和中期的预测中有着优异的预测效果，在长期预测结果中，ATT-BT-GCN模型与BT-GCN模型预测精度相似，总体来说，本发明提出的ATT-BT-GCN模型有着最好的预测性能。
轨道线网中整体站点在早高峰、平峰和晚高峰时段的对比情况如下图7-12所示，其中，在早高峰时段轨道网络进站客流分布相较晚高峰和平峰时段分布更加均匀，反映了居住区域的分布，在晚高峰和平峰时段进站客流分布相似，主要集中于办公区域。ATT-BT-GCN模型在不同时段的进站客流预测中捕捉的整体线网客流分布特征与实际进站客流分布吻合。
而且，在考虑不同预测时长的预测效果对比中，ARIMA模型的稳定性最强，预测时长对其影响最小，但是不同时长下的误差值最大；本发明提出的ATT-BT-GCN模型在短期和中期预测中效果最好，相较基线模型在短期预测中RMSE和MAE分别降低了7.33%-63.29%和9.38%-66.65%，中期预测中RMSE和MAE分别降低了12.30%-62.60%和15.37%-66.71%，在长期预测中模型精度下降速度较大，其中RMSE略高于BT-GCN模型0.93%，相较其他基线模型降低了22.16%-47.57%，MAE相比基线模型同样是最优选择，分别降低了2.58%-53.97%。
由此可知，本发明提出的ATT-BT-GCN模型在中短期进站客流预测中有着较强的稳定性，在短期预测中有着最好的预测效果，在中期进站客流预测中误差值相较基线模型下降比例最大，模型性价比最高，随着预测时间的上升融合注意力机制的效果下降明显，在长期预测中预测效果与不包含注意力机制的BT-GCN模型相近。
综上所述，本发明的ATT-BT-GCN模型在中短期的客流预测中有着突出的效果。不同预测时长下的RMSE和MAE对比图如图13和图14所示。
不仅如此，本发明的ATT-BT-GCN模型在面对客流峰值以及非周期性客流变化时模型预测精度高于BT-GCN模型，且在低进站客流值情况下预测精度提高更加明显。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，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，所述模块的划分，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，例如多个模块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，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块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节能信号发送/接收的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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (10)

1.融合注意力机制和图神经网络的轨道交通客流预测方法，其特征在于，包括：
获取历史轨道交通客流量数据，将所述历史轨道交通客流量数据分为训练集和测试集；
采用基于注意力机制的图时空图卷积模型，利用所述训练集对所述时空图卷积模型进行训练，获得第一预测客流量数据；
计算所述第一预测客流量数据与真实客流量数据之间的损失，优化所述时空图卷积模型；
将所述测试集输入优化后的所述时空图卷积模型，输出第二预测客流量数据；
计算所述第二预测客流量数据与真实客流量数据之间的损失，将该损失与所述第一预测客流量数据与真实客流量数据之间的损失进行对比，判断优化后的所述时空图卷积模型是否出现欠拟合或者过拟合现象，若是，则调整优化后的所述时空图卷积模型中的超参数设置，调整后再对所述测试集进行测试，输出最终预测客流量数据；若否，则将所述第二预测客流量数据认定为最终客流量数据。
2.根据权利要求1所述的融合注意力机制和图神经网络的轨道交通客流预测方法，其特征在于，所述时空图卷积模型包括图卷积网络GCN层、双向长短时记忆神经网络BiLSTM层、激活层和损失函数计算层。
3.根据权利要求2所述的融合注意力机制和图神经网络的轨道交通客流预测方法，其特征在于，所述图卷积网络GCN层将轨道交通线网所有站点的客流量提取出空间维度的特征，计算公式为：
选择2层图卷积作为图卷积网络GCN层属性，
Figure 642607DEST_PATH_IMAGE001
Figure 861099DEST_PATH_IMAGE002
Figure 454892DEST_PATH_IMAGE003
Figure 421317DEST_PATH_IMAGE004
Figure 391547DEST_PATH_IMAGE005
Figure 730125DEST_PATH_IMAGE006
其中，D表示度矩阵，对角线上的元素为图中各个顶点的度，
Figure 261862DEST_PATH_IMAGE007
表示每个顶点的度；A表示以轨道交通线网为基础建立的邻接矩阵；
Figure 217049DEST_PATH_IMAGE008
表示邻接矩阵A上i行j列的值；i表示矩阵的第i行；j表示矩阵的第j列；
Figure 725391DEST_PATH_IMAGE009
为优化后的邻接矩阵；
Figure 324999DEST_PATH_IMAGE010
为优化后的度矩阵；
Figure 57332DEST_PATH_IMAGE011
为单位矩阵；L表示拉普拉斯矩阵；U表示是拉普拉斯矩阵经过特征值分解得到的正交矩阵；
Figure 207471DEST_PATH_IMAGE012
是矩阵U的转置，T为转置符号；
Figure 519504DEST_PATH_IMAGE013
为n个特征值构成的对角阵；
Figure 973619DEST_PATH_IMAGE014
为特征值；
Figure 876853DEST_PATH_IMAGE015
表示第l层的特征矩阵；
Figure 744315DEST_PATH_IMAGE016
表示在特定层L层中的可训练权重矩阵；
Figure 532142DEST_PATH_IMAGE017
为线网进站客流量特征矩阵；
Figure 670125DEST_PATH_IMAGE018
表示激活函数。
4.根据权利要求3所述的融合注意力机制和图神经网络的轨道交通客流预测方法，其特征在于，所述双向长短时记忆神经网络BiLSTM层对融合了所述空间维度的特征的客流量提取出时间维度的特征，其中单向的LSTM模型计算公式为：
Figure 9839DEST_PATH_IMAGE019
Figure 364597DEST_PATH_IMAGE020
Figure 690536DEST_PATH_IMAGE021
Figure 447140DEST_PATH_IMAGE022
Figure 659553DEST_PATH_IMAGE023
Figure 298345DEST_PATH_IMAGE024
其中，
Figure 490292DEST_PATH_IMAGE025
表示遗忘层输出的遗忘权重结果；
Figure 39085DEST_PATH_IMAGE026
为遗忘门中
Figure 658285DEST_PATH_IMAGE027
和
Figure 285838DEST_PATH_IMAGE028
的权重矩阵；
Figure 281476DEST_PATH_IMAGE029
表示t时刻2层图神经网络输出的隐藏层的隐藏状态；
Figure 12671DEST_PATH_IMAGE030
为当前时刻输入的外部特征序列；
Figure 740456DEST_PATH_IMAGE031
为遗忘门中的偏置参数；
Figure 557102DEST_PATH_IMAGE032
表示记忆层输出的记忆权重结果；
Figure 583527DEST_PATH_IMAGE033
为记忆门中
Figure 700388DEST_PATH_IMAGE027
和
Figure 864653DEST_PATH_IMAGE028
的权重矩阵；
Figure 903016DEST_PATH_IMAGE034
为记忆门中的偏置参数；
Figure 37194DEST_PATH_IMAGE035
表示描述当前细胞记忆状态的参数；sigmiod、tanh为激活函数；
Figure 978868DEST_PATH_IMAGE036
表示记忆细胞状态储存单元中
Figure 376351DEST_PATH_IMAGE027
和
Figure 839693DEST_PATH_IMAGE028
的权重矩阵；
Figure 715245DEST_PATH_IMAGE037
表示记忆细胞状态储存单元中的偏置参数；
Figure 72277DEST_PATH_IMAGE038
表示t-1时刻的记忆状态；
Figure 139197DEST_PATH_IMAGE039
表示当前时刻的记忆状态；
Figure 824256DEST_PATH_IMAGE040
表示输出层输出的遗忘权重结果；
Figure 503500DEST_PATH_IMAGE041
为输出门中
Figure 715038DEST_PATH_IMAGE027
和
Figure 454324DEST_PATH_IMAGE028
的权重矩阵；
Figure 361100DEST_PATH_IMAGE042
为输出门中的偏置参数；
Figure 345499DEST_PATH_IMAGE043
表示模型t时刻的输出；
将正反两个方向的LSTM模型输出
Figure 411544DEST_PATH_IMAGE044
和
Figure 259414DEST_PATH_IMAGE045
结合得到BiLSTM输出；
Figure 981382DEST_PATH_IMAGE046
；
其中，
Figure 64745DEST_PATH_IMAGE047
表示BiLSTM模型t时刻的输出。
5.根据权利要求4所述的融合注意力机制和图神经网络的轨道交通客流预测方法，其特征在于，所述激活层为全连接层，全连接层将BiLSTM输出的多维向量进行维度转变，最终得到所需维度进行输出，计算过程如以下公式：
Figure 427374DEST_PATH_IMAGE048
其中，y表示记
Figure 446146DEST_PATH_IMAGE049
时刻输出的进站客流预测值；Q为总时间步长。
6.根据权利要求5所述的融合注意力机制和图神经网络的轨道交通客流预测方法，其特征在于，所述损失函数计算层采用损失函数loss计算预测客流量数据与真实客流量数据之间的损失，计算公式为：
Figure 655410DEST_PATH_IMAGE050
其中，yt为预测客流量数据，yyt为真实客流量数据，
Figure 745726DEST_PATH_IMAGE051
为正则化系数，
Figure 786363DEST_PATH_IMAGE052
为L2正则化项。
7.根据权利要求6所述的融合注意力机制和图神经网络的轨道交通客流预测方法，其特征在于，所述注意力机制的计算公式包括：
Figure 274238DEST_PATH_IMAGE053
Figure 908482DEST_PATH_IMAGE054
Figure 271330DEST_PATH_IMAGE055
其中，Ft为预测客流量数据yt对应的特征向量；
Figure 432053DEST_PATH_IMAGE056
表示训练时的赋予包含了输入序列中
Figure 589365DEST_PATH_IMAGE057
之前时刻的进站客流信息向量ht的权重，由第
Figure 710905DEST_PATH_IMAGE058
个时刻输出的隐藏状态
Figure 375979DEST_PATH_IMAGE059
，以及ht决定的；
Figure 125629DEST_PATH_IMAGE060
表示j时刻注意力权重打分情况；
Figure 719422DEST_PATH_IMAGE061
表示k时刻注意力权重打分情况；hj表示j时刻的隐藏层状态；k和j表示相应时刻；
在所述注意力机制的解码器中，由Ft影响的对应预测客流量数据
Figure 62678DEST_PATH_IMAGE062
计算公式为：
Figure 32908DEST_PATH_IMAGE063
Figure 404109DEST_PATH_IMAGE064
其中，st表示t时刻输出的隐藏状态，st-1表示t-1时刻输出的隐藏状态，yt-1表示t-1时刻对应的客流量数据，
Figure 168803DEST_PATH_IMAGE065
对应的深度学习模型。
8.融合注意力机制和图神经网络的轨道交通客流预测系统，其特征在于，包括：
数据获取模块，获取历史轨道交通客流量数据，将所述历史轨道交通客流量数据分为训练集和测试集；
模型训练模块，采用基于注意力机制的时空图卷积模型，利用所述训练集对所述时空图卷积模型进行训练，获得第一预测客流量数据；
模型优化模块，计算所述第一预测客流量数据与真实客流量数据之间的损失，优化所述时空图卷积模型；
客流量预测模块，将所述测试集输入优化后的所述时空图卷积模型，输出第二预测客流量数据；
客流量校准模块，计算所述第二预测客流量数据与真实客流量数据之间的损失，将该损失与所述第一预测客流量数据与真实客流量数据之间的损失进行对比，判断优化后的所述时空图卷积模型是否出现欠拟合或者过拟合现象，若是，则调整优化后的所述时空图卷积模型中的超参数设置，调整后再对所述测试集进行测试，输出最终预测客流量数据；若否，则将所述第二预测客流量数据认定为最终客流量数据。
9.电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的融合注意力机制和图神经网络的轨道交通客流预测方法。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的融合注意力机制和图神经网络的轨道交通客流预测方法。
CN202210734171.1A 2022-06-27 2022-06-27 融合注意力机制和图神经网络的轨道交通客流预测方法 Active CN115081717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210734171.1A CN115081717B (zh) 2022-06-27 2022-06-27 融合注意力机制和图神经网络的轨道交通客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210734171.1A CN115081717B (zh) 2022-06-27 2022-06-27 融合注意力机制和图神经网络的轨道交通客流预测方法

Publications (2)

Publication Number Publication Date
CN115081717A true CN115081717A (zh) 2022-09-20
CN115081717B CN115081717B (zh) 2023-03-24

Family

ID=83256286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210734171.1A Active CN115081717B (zh) 2022-06-27 2022-06-27 融合注意力机制和图神经网络的轨道交通客流预测方法

Country Status (1)

Country Link
CN (1) CN115081717B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271833A (zh) * 2022-09-28 2022-11-01 湖北省楚天云有限公司 一种共享单车需求量预测方法及预测系统
CN116050673A (zh) * 2023-03-31 2023-05-02 深圳市城市交通规划设计研究中心股份有限公司 基于CNN-BiLSTM的城市公交客流短时预测方法
CN116311951A (zh) * 2023-05-25 2023-06-23 湖南工商大学 一种交通出行量数据处理方法、装置、设备及存储介质
CN116542391A (zh) * 2023-05-24 2023-08-04 重庆邮电大学 一种基于大数据的城市区域客流量预测方法

Citations (7)

* Cited by examiner, † Cited by third party
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
CN111489013A (zh) * 2020-03-11 2020-08-04 北京交通大学 一种基于时空多图卷积网络的交通站点流量预测方法
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
US20210366287A1 (en) * 2020-05-20 2021-11-25 Nature Mobility Co., Ltd. System for providing big data-based artificial intelligence automatic allocation matching service using taxi demand prediction
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置
CN114330868A (zh) * 2021-12-27 2022-04-12 西北工业大学 基于自注意力的个性化增强图卷积网络的客流预测方法
CN114626585A (zh) * 2022-02-28 2022-06-14 北京交通大学 一种基于生成对抗网络的城市轨道交通短时客流预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN111489013A (zh) * 2020-03-11 2020-08-04 北京交通大学 一种基于时空多图卷积网络的交通站点流量预测方法
US20210366287A1 (en) * 2020-05-20 2021-11-25 Nature Mobility Co., Ltd. System for providing big data-based artificial intelligence automatic allocation matching service using taxi demand prediction
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置
CN114330868A (zh) * 2021-12-27 2022-04-12 西北工业大学 基于自注意力的个性化增强图卷积网络的客流预测方法
CN114626585A (zh) * 2022-02-28 2022-06-14 北京交通大学 一种基于生成对抗网络的城市轨道交通短时客流预测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115271833A (zh) * 2022-09-28 2022-11-01 湖北省楚天云有限公司 一种共享单车需求量预测方法及预测系统
CN115271833B (zh) * 2022-09-28 2023-08-25 湖北省楚天云有限公司 一种共享单车需求量预测方法及预测系统
CN116050673A (zh) * 2023-03-31 2023-05-02 深圳市城市交通规划设计研究中心股份有限公司 基于CNN-BiLSTM的城市公交客流短时预测方法
CN116050673B (zh) * 2023-03-31 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 基于CNN-BiLSTM的城市公交客流短时预测方法
CN116542391A (zh) * 2023-05-24 2023-08-04 重庆邮电大学 一种基于大数据的城市区域客流量预测方法
CN116542391B (zh) * 2023-05-24 2024-01-05 上海纳儿电子科技有限公司 一种基于大数据的城市区域客流量预测方法
CN116311951A (zh) * 2023-05-25 2023-06-23 湖南工商大学 一种交通出行量数据处理方法、装置、设备及存储介质
CN116311951B (zh) * 2023-05-25 2023-08-22 湖南工商大学 一种交通出行量数据处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115081717B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115081717B (zh) 融合注意力机制和图神经网络的轨道交通客流预测方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
CN111860951B (zh) 一种基于动态超图卷积网络的轨道交通客流预测方法
CN108985965A (zh) 一种结合神经网络和参数估计的光伏功率区间预测方法
CN107610464B (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
US20170308934A1 (en) Management method of power engineering cost
CN115392554A (zh) 基于深度图神经网络和环境融合的轨道客流预测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及系统
CN108280551A (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN113887787B (zh) 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN110135643A (zh) 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法
CN114693064B (zh) 一种建筑群方案生成性能评价方法
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
CN114120637A (zh) 一种基于连续监测器的智慧高速交通流量预测方法
CN114781723A (zh) 一种基于多模型融合的短期光伏出力预测方法
Fan Research on deep learning energy consumption prediction based on generating confrontation network
CN116011871A (zh) 基于空间更新敏感度量化传统村落空间更新可能性的方法
Guo An integrated PSO for parameter determination and feature selection of SVR and its application in STLF
Jiao et al. Multi-step traffic flow prediction method based on the Conv1D+ LSTM
Sun et al. Multi-Channel Temporal Graph Convolutional Network for Stock Return Prediction
Bao-yu et al. Research on prediction of short-term passenger flow of urban rail transit based on deep neural network
Liu The analysis of differential high-quality development of economy by deep neural network and internet of things

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220920

Assignee: Beijing Changzhida Technology Co.,Ltd.

Assignor: Beijing University of Civil Engineering and Architecture

Contract record no.: X2023980040301

Denomination of invention: A Method for Predicting Rail Transit Passenger Flow by Integrating Attention Mechanism and Graph Neural Network

Granted publication date: 20230324

License type: Common License

Record date: 20230822