CN116311939A - 基于动态时空相关性的od需求预测方法及系统 - Google Patents
基于动态时空相关性的od需求预测方法及系统 Download PDFInfo
- Publication number
- CN116311939A CN116311939A CN202310294370.XA CN202310294370A CN116311939A CN 116311939 A CN116311939 A CN 116311939A CN 202310294370 A CN202310294370 A CN 202310294370A CN 116311939 A CN116311939 A CN 116311939A
- Authority
- CN
- China
- Prior art keywords
- demand
- period
- time
- matrixes
- demand prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 59
- 238000000605 extraction Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 12
- 230000002123 temporal effect Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了基于动态时空相关性的OD需求预测方法及系统,涉及交通客流预测领域,获取与目标城市相关的历史乘客需求数据记录,并计算与目标时段相关的不同周期的历史OD矩阵,构建OD需求数据集;基于OD需求数据集,以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出,对构建的OD需求预测模型进行训练;采样与待预测时段相关的不同周期的OD矩阵,输入到OD需求预测模型,得到待预测时段的OD矩阵;本发明为了实现最优交通预测,提出一种基于动态时空相关性的OD需求预测模型,充分考虑OD需求趋势相关特征,有效学习节点之间的时空信息以捕获时空特征,在长期预测和短期预测上都可以准确地预测未来的OD需求。
Description
技术领域
本发明属于交通客流预测领域,尤其涉及基于动态时空相关性的OD需求预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
交通在每个人的日常生活中起着至关重要的作用,准确的交通预测是智能交通系统中的一项重要任务。出租车作为道路交通系统中重要的一部分,是人们日常出行方式中的普遍选择。目前出租车服务常见的问题有供需关系不匹配、乘客等待时间长、空余行程过多等等。了解乘客的移动模式对提高公路系统的服务效率非常重要。因此,越来越多的工作关注于起始点-目的点(Origin-Destination,OD)预测。起始点-目的点需求反应了乘客的流动性,包含了区域之间的流量信息。如果能够准确预测乘客的起点和终点区域,就可以合理地分配出租车以减少行程时间和空车率,避免道路拥堵,促进城市智能交通系统的运营和管理。
目前为止,已经提出了多种方法来解决流量预测问题,这些方法可分为三类,第一类是传统方法,如历史平均(HA)、自回归综合移动平均(ARIMA)和向量自回归(VAR)等等,但是这些方法只适用于较小的数据集。第二类是机器学习方法,如支持向量回归(SVR)和随机森林回归(RFR)等等,但机器学习方法无法学习复杂的交通模式,很难获取到时空相关性,效率低下。第三类是深度学习方法,深度学习框架用的较多的方法有卷积神经网络(CNN)、图卷积网络(GCN)等等,此外,递归神经网络(RNN)及其变体长短期记忆网络(Long ShortTerm Memory,LSTM)或门控循环单元(Gated Recurrent Unit,GRU)通常用于建模时间依赖性。
近年来,更多工作尝试利用注意力机制、扩散模型和transformer方法对交通数据建模来动态获取空间和时间相关性;尽管一些研究利用各种方法进行时间和空间相关性建模,例如,利用注意力机制获取空间信息,利用LSTM提取OD对的时间特征,或者使用编码器-解码器来建模不同OD对之间的空间和时间特征等等,然而,上述方法都没有考虑到OD需求变化相关性,即1)相邻区域到所有目的地区域的乘客需求变化是相似的;2)到达相邻区域时,来自所有始发区域的乘客需求变化相似。此外,OD需求量会受到相关区域的客流量以及所处时间段等因素影响,总之,现有的OD需求预测方案,存在预测准确率低的问题,影响流量控制、线路规划和车辆调度。
发明内容
为克服上述现有技术的不足,实现最优交通预测,本发明提供了基于动态时空相关性的OD需求预测方法及系统,提出了一种基于动态时空相关性的OD需求预测模型,充分考虑OD需求趋势相关特征,有效学习节点之间的时空信息以捕获时空特征,在长期预测和短期预测上准确地预测未来的OD需求。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了基于动态时空相关性的OD需求预测方法;
基于动态时空相关性的OD需求预测方法,包括:
获取与目标城市相关的历史乘客需求数据记录,并计算与目标时段相关的不同周期的历史OD矩阵,构建OD需求数据集;
构建OD需求预测模型,基于OD需求数据集,以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出,对构建的OD需求预测模型进行训练;
采样与待预测时段相关的不同周期的OD矩阵,输入到训练好的OD需求预测模型,得到待预测时段的OD矩阵;
其中,所述OD需求预测模型,利用动态时空相关性,提取需求变化特征和城市区域相似性特征,基于两个特征的融合结果,进行OD需求的学习和预测。
进一步的,所述乘客需求数据,包含起始区域、终点区域和时间戳信息;
所述与目标时段相关的不同周期,具体为:周周期数据、日周期数据和近期数据。
进一步的,所述周周期数据为:获取目标时段的前预设周数范围对应时段的历史OD矩阵,并连接得到周周期数据;
所述日周期数据为:获取目标时段的前预设天数范围对应时段的历史OD矩阵,并连接得到日周期数据;
所述近期数据为:获取目标时段的前预设时段数范围对应时段的历史OD矩阵,并连接得到近期数据。
进一步的,所述OD需求预测模型,包括需求变化特征提取层、城市区域相似性特征提取层、特征融合层、GRU层和多头时间卷积层。
进一步的,所述需求变化特征提取层,具体为:
(1)基于BiLSTM模型,分别在目的地方向和起始点方向上,获取城市区域之间的需求变化趋势特征;
(2)利用图卷积方法,在相邻时间步长上,执行空间图卷积,聚合每个区域及其相邻区域的时空卷积特征;
(3)对所述需求变化趋势特征和时空卷积特征进行融合,得到需求变化特征。
进一步的,所述城市区域相似性特征提取层,具体为:
通过卷积运算聚合相邻网格的特征信息,提取网格流量特征;
提取目标时段的外部因素信息,包括目标时段的周属性和时属性;
基于提取的网格流量特征和外部因素信息,使用transformer计算网格之间相似性,得到城市网格嵌入特征;
基于城市网格嵌入特征,进行形状变化和上采样,得到城市区域相似性特征。
进一步的,所述多头时间卷积层,具体为:
将需求变化特征和城市区域相似性特征的融合结果拆分为多头,使用时间卷积层融合相邻时间信息,得到最终的目标时段OD矩阵。
本发明第二方面提供了基于动态时空相关性的OD需求预测系统。
基于动态时空相关性的OD需求预测系统,包括数据构建模块、模型构建模块和需求预测模块:
数据构建模块,被配置为:获取与目标城市相关的历史乘客需求数据记录,并计算与目标时段相关的不同周期的历史OD矩阵,构建OD需求数据集;
模型构建模块,被配置为:构建OD需求预测模型,基于OD需求数据集,以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出,对构建的OD需求预测模型进行训练;
需求预测模块,被配置为:采样与待预测时段相关的不同周期的OD矩阵,输入到训练好的OD需求预测模型,得到待预测时段的OD矩阵;
其中,所述OD需求预测模型,利用动态时空相关性,提取需求变化特征和城市区域相似性特征,基于两个特征的融合结果,进行OD需求的学习和预测。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的基于动态时空相关性的OD需求预测方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的基于动态时空相关性的OD需求预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
(1)首次尝试建模和利用OD需求趋势相关性,在OD需求预测问题中,在目的地方向和起始点方向上分别建模,以获得城市区域之间的需求变化。
(2)提出了一个捕获网格相似性的模块,以学习OD矩阵中任何城市区域之间的动态相关性,并获得城市网格需求之间的相似性特征,随后开发了一种细粒度特征提取方法,以改进每个区域的特定表示。
(3)有效融合需求变化特征和城市网格区域特征,并通过良好的多头时间卷积层,合并相邻时间片上的信息。
(4)本发明设计的模型优于其他用于OD需求预测的先进方法,该发明可迁移到其他交通数据集上用于预测。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例的OD需求预测模型结构图。
图3为第一个实施例的利用BiLSTM获取需求变化趋势特征示意图。
图4为第一个实施例的OD矩阵示意图。
图5为第一个实施例的城市网格区域特征提取流程图。
图6为第二个实施例的系统结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
OD需求预测的挑战在于:
1)同时预测目的地以及分布:需要同时预测整个城市网络中目的地以及前往各个目的地的乘客数量。
2)OD矩阵中复杂的时空相关性:考虑OD需求变化相关性,有效利用时空相关性来建模OD需求变化趋势。
可见,OD需求预测是智能交通领域中的一项关键任务,准确的OD需求预测对于流量控制、线路规划和车辆调度等尤为重要,受以上问题的启发,本发明设计了一种基于动态时空相关性的OD需求预测模型来有效预测OD需求,即待预测时段的OD矩阵。
为了便于理解,先对OD矩阵作出说明:
OD矩阵(指origin-destination的缩写)以所有交通分区按行(起始区域)与列(终点区域)排序,以任意两个分区之间的乘客出行量(OD量)为元素的矩阵,所以,本发明中,起始区域与目的区域之间的乘客流量表现形式为一个OD矩阵,有N个区域的城市的完整OD矩阵有N×N个网格。
实施例一
本实施例公开了基于动态时空相关性的OD需求预测方法;
如图1所示,基于动态时空相关性的OD需求预测方法,包括:
步骤S1:获取与目标城市相关的历史乘客需求数据记录,并计算与目标时段相关的不同周期的历史OD矩阵,构建OD需求数据集,具体步骤为:
步骤S101:获取OD需求张量数据:对城市真实的历史乘客需求数据记录集合进行统计,形成OD需求张量。
首先,从公开的数据网站上获取城市历史乘客需求数据记录集合,城市区域被划分为N个区域,每条记录包含有乘客ID、起始区域、终点区域和时间戳等信息;然后,对数据集合进行筛选与删除,例如剔除数据集中年份或月份不符合的记录,剔除起始区域或者终点区域不属于目标城市的记录等等。根据起始区域、终点区域和时间戳三者的列信息,遍历所有符合要求的交易记录形成了OD需求张量,即起始区域、终点区域和时间戳组成的三维向量。
步骤S102:从OD需求张量中采样不同周期的历史需求数据:构建三种不同周期的历史数据,用于预测未来时段的OD需求,即周周期数据、日周期数据和近期数据。
从OD需求张量中,采样目标时段相关的周周期数据Xw、日周期数据Xd和近期数据Xr,其比例为Xw,Xd,Xr=2:1:2,对Xw,Xd和Xr进行串联得到不同周期的OD矩阵XM=[Xw,Xd,Xr],其中M表示时间片段个数,M=2+1+2=5;然后借助交通网络G=(V,E,A)和外部因素ε的辅助预测作用,将XM、G和ε作为OD需求预测模型的输入来预测未来时段的交通流量,公式表示为:
为了提高OD需求预测模型的预测准确性,需要构建训练数据集对其进行学习和训练,以不同周期的OD矩阵XM、交通网络G和外部因素ε为输入,以目标时段t的OD矩阵为标签,对OD需求预测模型进行训练,所以,训练数据集的构建方式为:
与目标时段t相关的周周期数据Xw、日周期数据Xd和近期数据Xr,具体采样方式为:
获取目标时段t的前预设周数范围对应时段的历史OD矩阵,并连接得到日周期数据Xw,本实施例中,前预设周数范围为前1周到前2周。
获取目标时段t的前预设天数范围对应时段的历史OD矩阵,并连接得到日周期数据Xd,本实施例中,前预设天数范围为前1天。
获取目标时段t的前预设时段数范围对应时段的历史OD矩阵,并连接得到近期数据Xr,本实施例中,前预设时段数范围为前2个时段。
步骤S2:构建OD需求预测模型,基于OD需求数据集,以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出,对构建的OD需求预测模型进行训练。
OD需求预测模型,用于根据历史OD矩阵,预测目标时段的OD矩阵,如图2所示,具体包括需求变化特征提取层、城市区域相似性特征提取层、特征融合层、GRU层和多头时间卷积层。
1.需求变化特征提取层
获取需求变化特征包括获取目的地需求变化特征和来自起始区域的需求变化特征,在目的地方向和起始点方向上分别获取需求变化特征。由于获取目的地需求变化特征和获取来自起始区域的需求变化特征的步骤类似,只是方向不同,下面重点介绍获取目的地需求变化特征的过程:
(1)基于BiLSTM模型,在目的地方向方向上,获取城市区域之间的需求变化趋势特征。
图3是利用BiLSTM获取需求变化趋势特征示意图,图3中有两个捕获方向:(a)是目的地方向,(b)是起始点方向,具体的,(a)为BiLSTM在目的地方向上建模捕获各个区域到达所有目的地需求变化趋势特征,(b)为BiLSTM在起始区域方向上建模捕获来自所有起始区域的需求变化趋势特征。
BiLSTM模型由一个正向的LSTM和一个反向的LSTM组成,LSTM是长短期记忆网络,可以捕获得节点流量变化趋势长期的依赖性;如图3中(a)方向所示,是输入序列。在本实例中,/> 表示区域o到d的乘客数量。/>也是XM的一部分, 代表了区域i到所有目的地区域的流量需求,/>是/>的反向排序,代表着区域i到按相反顺序排列所有目的地区域的流量需求。/>和/>分别是通过LSTM处理/>和/>得到的输出,分别表示区域i到所有目的地区域的需求变化趋势特征和i到按相反顺序排列的所有目的地区域的需求变化趋势特征。/>是/>按原始顺序的反向排列,串联和/>得到区域i的目的地需求变化特征hi,具体用公式表示如下:
其中,concatenate表示串联操作。
以上(2)、(3)、(4)公式可以概况为hi=BiLSTMi(Xi),得到的hi表示区域i的目的地需求变化特征,假设共有N个区域,因此BiLSTM=(BiLSTM1,…BiLSTMi,…,BiLSTMN),通过BiLSTM在目的地方向上建模可以捕获从每个区域到所有目的地区域的需求变化趋势,过程公式如下:
HD=BiLSTM(XM) (5)
其中,HD包含了各个起始区域到所有目的地区域的需求变化趋势特征。
(2)利用图卷积方法,在相邻时间步长上,执行空间图卷积,聚合每个区域及其相邻区域的时空卷积特征。
其中,表示在t-1、t、t+1时段上时间图卷积的结果,fD={fD(X1),…,fD(XM-2)}表示经过前M-2次循环的图卷积的结果,fD中的每个区域聚集了自身和相邻时间步长中的相邻区域的时空卷积特征。
(3)对所述需求变化趋势特征和时空卷积特征进行融合,得到需求变化特征。
为了动态探索目的地方向上区域之间的OD需求趋势相关性,对需求变化趋势特征HD和图卷积特征结果fD进行融合得到需求变化特征XDGlstm,XDGlstm包含了所有区域在目的地方向上的OD需求趋势特征,公式如下:
XDGlstm=HD·tanh(HDGlstm) (8)
以上是获取目的地需求变化特征的过程。和获取目的地需求变化特征的步骤类似的,通过BiLSTM模型在起始点方向上得到HO,具体步骤如图3中(b)方向所示,HO包含了到达各个目的地来自所有起始区域的需求变化趋势特征;通过图卷积进行建模得到每个起始区域的需求特征fO,之后对HO与fO进行融合得到XOGlstm,XOGlstm包含了所有区域在起始点方向上的OD需求趋势特征。
为同时从目的地方向和起始点方向学习流量的变化趋势,对目的地需求变化特征XDGlstm和起始点需求变化特征XOGlstm进行融合得到需求变化特征XGslstm,融合过程公式如下:
Hcon=concatenate(XDGlstm,XOGlstm) (9)
XGlstm=FC(Hcon) (10)
XGlstm包含了区域的出发需求变化特征和来自其他区域的需求变化特征。
2.城市区域相似性特征提取层
图4显示了从实施例区域中选择的部分区域在某个时段的OD矩阵,相同深色的网格表示相似的乘客需求,即使网格位置相距较远,但是客流量相似,说明网格之间有相似性,本实施例设计一个层来捕获城市网格相似性特征,捕获城市区域相似性特征由以下4个步骤组成:
首先,我们通过卷积运算来聚合相邻网格的特征信息,提取网格的流量信息特征。之后提取OD需求矩阵t时刻所属的week和hour因素编码为时间向量,将时间嵌入向量与上述得到的网格流量信息特征进行融合得到的新特征Xxext,再通过transformer中的注意力机制对Xxext进行建模,计算区域网格之间的相似性然后获取城市网格的嵌入向量。最后对嵌入特征向量进行细粒度提取得到区域网格的高维特征Xdeconv,最后将Xdeconv与原始特征X进行残差连接得到Xsimformer。
(1)通过卷积运算聚合相邻网格的特征信息,提取网格流量特征,具体为:
根据Nsm×Nsm网格流量特征来学习城市网格之间的动态相关性。
(2)提取目标时段的外部因素信息,包括目标时段的周属性和时属性。
将目标时段或待预测时段的时间属性作为外部因素,即周属性week和时属性hour,使用热编码将时间属性编码为时间向量,t时段的week属性被编码为7维空间Eweek∈R7,表示时段所在周内的第几天,hour属性被编码为24维空间Ehour∈R24,表示时段所在二十四小时制中的第几个小时,对Eweek和Ehour进行全连接和平铺,得到和/>然后将Ef′week和Ef′hour与XFaltten进行组合得到Xxext,作为transformer的输入用于特征学习,Xxext用公式表示为:
Xxext=XFaltten+Ef′week+Ef′hour (11)
(3)基于提取的网格流量特征和外部因素信息,使用transformer计算网格之间相似性,得到城市网格嵌入特征。
使用transformer计算网格之间相似性,将外部因素信息Xxext作为输入,首先通过多头注意力机制获得注意力得分,基于注意力得分,聚合所有网格的流量特征,生成了包含每个网格的空间相关性的高级特征hi,然后串联所有的hi得到所有网格的高级特征Xtrans,最后通过一层MLP模块,获得城市网格嵌入特征Xtrans_b。
(4)基于城市网格嵌入特征,进行形状变化和上采样,得到城市区域相似性特征。
对城市网格嵌入特征Xtrans_进行形状变化和上采样,得到每个城市网格区域特征Xdeconv∈R(N×N)×D,具体过程如图5所示,Xdeconv中的D维仅包括一个网格的需求特征,例如,从区域i到区域j的需求特征;采用的特征提取过程更加细粒度化,Xdeconv包含OD矩阵中网格的高维特征。
为了保留原始需求特征信息,设计了一个残差结构,Xdeconv与原始特征X进行残差连接,得到城市区域相似性特征,具体表示为:
Xsimformer=Xdeconv+FC(XM) (12)
其中,Xsimformer∈R(N×N)×D包含了OD矩阵的原始需求和网格高维特征。
3.特征融合层
对上面得到的需求变化特征XGlstm和城市区域相似性特征Xsimformer进行融合,得到最终的嵌入特征向量Xfusion,具体公式如下:
Xfusion=FC(XGlstm·tanh(H) (14)
4.GRU层
通过GRU方法对得到的嵌入特征向量Xfusion在时间维度上进行特征提取,获得区域需求特征的潜在表示特征Xgru。
相比于LSTM,GRU单元只有两个门,参数少,训练时间短,GRU的公式如下:
rt=σ([Ht-1,Ut]·Wr+br) (15)
zt=σ([Ht-1,Ut]·Wu+bu) (16)
其中,rt是遗忘门,zt是更新门;Ht是GRU单元的输出,Ht-1是上次迭代的隐藏状态,σ是sigmoid函数.t表示输入的历史流量数据的时间片段。Wr、Wu、Wh、br和bu是可训练参数,通过GRU模型,得到Xgru∈RD×N×M。
5.多头时间卷积层
将需求变化特征和城市区域相似性特征的融合结果拆分为多头,使用时间卷积层融合相邻时间信息,得到最终的目标时段或待预测时段的OD矩阵。
具体的,首先,采用多头结构,将潜在表示特征Xgru中的M个时间片段拆分为Mi长度的h′个时间段,即然后,对/>使用时间卷积将Mi时间段长度正则化为P时间段长度,最后,聚合起来得到目标时段或待预测时段的OD矩阵Xout,具体过程用公式表示为:
在训练前,将OD需求数据集按照6:2:2的比例,分为训练集、验证集和测试集,训练集用于训练模型以及确定参数,验证集用于确定模型结构以及调整模型的超参数,测试集用于检验模型的泛化能力。
通过训练集和验证集对模型进行训练和验证,选择验证效果最好的模型对测试集进行预测,计算预测的OD矩阵与真实OD矩阵的误差,并计算评价指标MAE(Mean AbsoluteError,平均绝对误差)和RMSE(Root Mean Square Error,均方根误差)对本模型的表现进行评估。MAE和RMSE的公式如下:
步骤S3:采样与待预测时段相关的不同周期的OD矩阵,输入到训练好的OD需求预测模型,得到待预测时段的OD矩阵。
例如,以2023-03-24 16:00-16:30作为待预测时段,要预测这一时段的OD矩阵,即目标城市N个区域相互之间的乘客需求值,先从历史数据中采样与待预测时段相关的不同周期的OD矩阵,即周周期数据、日周期数据和近期数据,串联得到历史OD矩阵XM,输入到OD需求预测模型中,输出待预测时段的OD矩阵。
实施例二
本实施例公开了基于动态时空相关性的OD需求预测系统;
如图6所示,基于动态时空相关性的OD需求预测系统,包括数据构建模块、模型构建模块和需求预测模块:
数据构建模块,被配置为:获取与目标城市相关的历史乘客需求数据记录,并计算与目标时段相关的不同周期的历史OD矩阵,构建OD需求数据集;
模型构建模块,被配置为:构建OD需求预测模型,基于OD需求数据集,以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出,对构建的OD需求预测模型进行训练;
需求预测模块,被配置为:采样与待预测时段相关的不同周期的OD矩阵,输入到训练好的OD需求预测模型,得到待预测时段的OD矩阵;
其中,所述OD需求预测模型,利用动态时空相关性,提取需求变化特征和城市区域相似性特征,基于两个特征的融合结果,进行OD需求的学习和预测。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例一所述的基于动态时空相关性的OD需求预测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的基于动态时空相关性的OD需求预测方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于动态时空相关性的OD需求预测方法,其特征在于,包括:
获取与目标城市相关的历史乘客需求数据记录,并计算与目标时段相关的不同周期的历史OD矩阵,构建OD需求数据集;
构建OD需求预测模型,基于OD需求数据集,以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出,对构建的OD需求预测模型进行训练;
采样与待预测时段相关的不同周期的OD矩阵,输入到训练好的OD需求预测模型,得到待预测时段的OD矩阵;
其中,所述OD需求预测模型,利用动态时空相关性,提取需求变化特征和城市区域相似性特征,基于两个特征的融合结果,进行OD需求的学习和预测。
2.如权利要求1所述的基于动态时空相关性的OD需求预测方法,其特征在于,所述乘客需求数据,包含起始区域、终点区域和时间戳信息;
所述与目标时段相关的不同周期,具体为:周周期数据、日周期数据和近期数据。
3.如权利要求2所述的基于动态时空相关性的OD需求预测方法,其特征在于,所述周周期数据为:获取目标时段的前预设周数范围对应时段的历史OD矩阵,并连接得到周周期数据;
所述日周期数据为:获取目标时段的前预设天数范围对应时段的历史OD矩阵,并连接得到日周期数据;
所述近期数据为:获取目标时段的前预设时段数范围对应时段的历史OD矩阵,并连接得到近期数据。
4.如权利要求1所述的基于动态时空相关性的OD需求预测方法,其特征在于,所述OD需求预测模型,包括需求变化特征提取层、城市区域相似性特征提取层、特征融合层、GRU层和多头时间卷积层。
5.如权利要求4所述的基于动态时空相关性的OD需求预测方法,其特征在于,所述需求变化特征提取层,具体为:
(1)基于BiLSTM模型,分别在目的地方向和起始点方向上,获取城市区域之间的需求变化趋势特征;
(2)利用图卷积方法,在相邻时间步长上,执行空间图卷积,聚合每个区域及其相邻区域的时空卷积特征;
(3)对所述需求变化趋势特征和时空卷积特征进行融合,得到需求变化特征。
6.如权利要求4所述的基于动态时空相关性的OD需求预测方法,其特征在于,所述城市区域相似性特征提取层,具体为:
通过卷积运算聚合相邻网格的特征信息,提取网格流量特征;
提取目标时段的外部因素信息,包括目标时段的周属性和时属性;
基于提取的网格流量特征和外部因素信息,使用transformer计算网格之间相似性,得到城市网格嵌入特征;
基于城市网格嵌入特征,进行形状变化和上采样,得到城市区域相似性特征。
7.如权利要求4所述的基于动态时空相关性的OD需求预测方法,其特征在于,所述多头时间卷积层,具体为:
将需求变化特征和城市区域相似性特征的融合结果拆分为多头,使用时间卷积层融合相邻时间信息,得到最终的目标时段OD矩阵。
8.基于动态时空相关性的OD需求预测系统,其特征在于,包括数据构建模块、模型构建模块和需求预测模块:
所述数据构建模块,被配置为:获取与目标城市相关的历史乘客需求数据记录,并计算与目标时段相关的不同周期的历史OD矩阵,构建OD需求数据集;
所述模型构建模块,被配置为:构建OD需求预测模型,基于OD需求数据集,以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出,对构建的OD需求预测模型进行训练;
所述需求预测模块,被配置为:采样与待预测时段相关的不同周期的OD矩阵,输入到训练好的OD需求预测模型,得到待预测时段的OD矩阵;
其中,所述OD需求预测模型,利用动态时空相关性,提取需求变化特征和城市区域相似性特征,基于两个特征的融合结果,进行OD需求的学习和预测。
9.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1-7任一项所述的方法。
10.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294370.XA CN116311939A (zh) | 2023-03-21 | 2023-03-21 | 基于动态时空相关性的od需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294370.XA CN116311939A (zh) | 2023-03-21 | 2023-03-21 | 基于动态时空相关性的od需求预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116311939A true CN116311939A (zh) | 2023-06-23 |
Family
ID=86777687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294370.XA Pending CN116311939A (zh) | 2023-03-21 | 2023-03-21 | 基于动态时空相关性的od需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311939A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091802A (zh) * | 2023-07-26 | 2023-11-21 | 上海勘测设计研究院有限公司 | 基于实测数据的风速湍流模型的标定方法 |
CN117829375A (zh) * | 2024-02-29 | 2024-04-05 | 华侨大学 | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
-
2023
- 2023-03-21 CN CN202310294370.XA patent/CN116311939A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091802A (zh) * | 2023-07-26 | 2023-11-21 | 上海勘测设计研究院有限公司 | 基于实测数据的风速湍流模型的标定方法 |
CN117091802B (zh) * | 2023-07-26 | 2024-03-01 | 上海勘测设计研究院有限公司 | 基于实测数据的风速湍流模型的标定方法 |
CN117829375A (zh) * | 2024-02-29 | 2024-04-05 | 华侨大学 | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
CN117829375B (zh) * | 2024-02-29 | 2024-05-28 | 华侨大学 | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Contextualized spatial–temporal network for taxi origin-destination demand prediction | |
Pan et al. | Predicting bike sharing demand using recurrent neural networks | |
CN116311939A (zh) | 基于动态时空相关性的od需求预测方法及系统 | |
CN111145541B (zh) | 交通流量数据预测方法、存储介质和计算机设备 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN112330215B (zh) | 一种城市用车需求量预测方法、设备及存储介质 | |
CN109166309A (zh) | 一种面向复杂城市交通网络的缺失流量数据恢复方法 | |
CN110009046B (zh) | 一种基于大数据的城市社区安全预测方法 | |
CN113298319B (zh) | 一种基于跳跃图注意力门控循环网络的交通速度预测方法 | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
Bao et al. | Spatial–temporal complex graph convolution network for traffic flow prediction | |
CN108446798A (zh) | 基于双路径时空残差网络的城市人群流动预测方法 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN113112793A (zh) | 一种基于动态时空相关性的交通流预测方法 | |
Deng et al. | The pulse of urban transport: Exploring the co-evolving pattern for spatio-temporal forecasting | |
Prado-Rujas et al. | Combining heterogeneous data sources for spatio-temporal mobility demand forecasting | |
Qiu et al. | Taxi origin-destination demand prediction with contextualized spatial-temporal network | |
Zhou et al. | Exploiting multiple correlations among urban regions for crowd flow prediction | |
Liu et al. | Exploiting spatiotemporal correlations of arrive-stay-leave behaviors for private car flow prediction | |
Bapaume et al. | Forecasting passenger flows and headway at train level for a public transport line: Focus on atypical situations | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
CN116629460B (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
CN116110588B (zh) | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 | |
Liu et al. | Acfm: A dynamic spatial-temporal network for traffic prediction | |
Zhang et al. | An improved convolutional network capturing spatial heterogeneity and correlation for crowd 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 |