CN116542438B - 一种基于无基准真相的公交乘客起止点估计修补方法 - Google Patents

Abstract

本发明提供一种基于无基准真相的公交乘客起止点估计修补方法。本发明方法以自监督学习方法为主，采用特定的生成对抗网络对噪声数据训练，以实际真实数据进行验证，建立深度学习模型；通过构建不同网络模型的级联对乘客起止点交通需求的时间、空间特征进行获取挖掘，并对有缺陷的乘客起止点交通需求矩阵完成修补，得到真实矩阵，高效准确地对公交线路的乘客起止点需求进行估计。本发明的技术方案解决了现有技术中的下车信息未知、计算难度大、不适用于复杂庞大的公共交通路网等技术问题。

Description

一种基于无基准真相的公交乘客起止点估计修补方法

技术领域

本发明涉及公交线路的交通需求出行量估计修补技术领域，具体而言，尤其涉及一种基于无基准真相的公交乘客起止点估计修补方法。

背景技术

当前，随着城市居民的人数不断增加，公共交通服务也正不断发展，越来越多的居民选择公交车出行。但由于目前居民的公共交通需求不稳定，公交运营面临极大的不确定性，同时车辆的无效派遣增大了运营成本，导致城市交通拥堵现象愈加严重。为解决上述问题，亟需一种能够对公共交通路线上乘客的起止点交通需求量准确、高效的估计方法。面对目前城市交通拥堵的现状，获取乘客出发地和目的地成为公交运营方合理派遣车辆，高效缓解公共交通运营压力的最有效方法。获取乘客出行需求能够给公交运营提供建议，而从城市居民的角度来说，能够根据个人需求准时合理乘坐公交车，满足自身出行需求。但是，现有技术中，对公交线路起止点交通需求量的估计存在以下问题：

一、目前随着城市一卡通(IC卡)的市场普及，乘客均可利用IC卡交易上车享受公共交通的服务，与其他交通工具不同的是，公交的下车刷卡并非公共交通服务的必要步骤，因此，公交下车的IC卡交易市场渗透率较低，乘客下车信息缺失，整理得到的乘客起止点需求矩阵是有缺陷的；现有系统一般通过多次刷卡匹配估计下车站点，实际上无法获知真实OD(以下统称为基准真相)，而现有的基于基准真相的估计方法过度依赖于系统匹配估计的结果，容易导致乘客公交出行OD估计造成很大误差；

二、已有的估计方法中，较多的估计方法仅结合时间特征或空间特征对乘客的出行需求进行估计，建立的估计模型较为单一，很难能够对时间和空间特征进行深度挖掘，这使得模型的泛化能力较弱，在实际本就复杂多变的交通道路网中很难适应其不确定性。

因此，如何提供一种不考虑基准真相，通过构建深度学习框架对有缺陷的乘客起止点需求矩阵进行修补，得到一个真实的出行需求矩阵，同时能够适用于庞大复杂的城市公共交通道路网的方法，是本领域技术人员亟需解决的问题。

发明内容

根据上述提出的现有估计方法下车信息未知、计算难度大、不适用于复杂庞大的公共交通路网等技术问题，提供一种基于无基准真相的公交乘客起止点估计修补方法。本发明以自监督学习方法为主，采用特定的生成对抗网络对噪声数据训练，以实际真实数据进行验证，建立深度学习模型；通过构建不同网络模型的级联对乘客起止点交通需求的时间、空间特征进行获取挖掘，并对有缺陷的乘客起止点交通需求矩阵完成修补，得到真实矩阵，高效准确地对公交线路的乘客起止点需求进行估计。

本发明采用的技术手段如下：

一种基于无基准真相的公交乘客起止点估计修补方法，包括：

采集乘客公交起点至终点的IC卡交易信息，将采集的IC卡交易信息数据进行再处理，定义数据复杂度；结合上车交易地理经纬度与城市公交线路站台的地理经纬度匹配上下车站台，并根据时间戳进行数据整理得到当日城市公交线路的起止点交通需求量；

考虑上述起止点交通需求量的时间和空间特征，构建特定的生成对抗网络，设计两种不同模型作为生成器和鉴别器来捕获起止点交通需求量的时间和空间的相关性；

生成器利用多层长短期记忆神经网络M-LSTM捕获起止点交通需求量的时间特征，将输出数据接入注意力机制进行权重分配，捕获更高的空间相关性；利用卷积神经网络起止点交通需求量的时间和空间特征进行深度挖掘，对特征进行整合作为网络输出；

生成器输出接入鉴别器，引入自监督损失函数对经验风险进行定义，通过最小化自监督损失函数获得去噪函数的最优参数对有缺陷的矩阵进行修复，得到真实矩阵。

进一步地，所述采集的乘客公交起点至终点的IC卡交易信息包括乘客出发地交易地理经纬度、乘客目的地交易地理经纬度、交易时间戳。

进一步地，所述定义数据复杂度中，数据复杂度考虑时间和空间两个维度进行定义，分别考虑到不同时间戳内的乘客IC卡交易量和公交站台级的乘客起止点交通需求量，具体表达式如下：

式中，N表示总乘客数；T_hour表示数据的观察总小时数；L_valid表示该日存在乘客IC卡交易的公交线路数总和，也可看作是该日公交运营的线路总和；表示每小时进行IC卡的乘客数；/>表示在该j小时内存在的不同交易时刻数；x_m表示每条线路上行乘客数；/>表示每条线路下行乘客数；D_r ^s表示上述线路的站点数；L表示总公交线路序数；τ表示每小时内的存在不同交易时间的时刻序数；l_n表示每条公交线路对应的站点序数。

进一步地，所述结合上车交易地理经纬度与城市公交线路站台的地理经纬度匹配上下车站台，并根据时间戳进行数据整理得到当日城市公交线路的起止点交通需求量，具体包括：

将乘客出发地经纬度、目的地经纬度进行最短距离匹配，计算经纬度坐标系下乘客出发地经纬度、目的地经纬度与每个已知站台间的欧式距离：

式中，La_i和La_j分别表示乘客交易纬度坐标和j站台的纬度坐标；Lo_i和Lo_j分别表示乘客交易经度坐标和j站台的经度坐标；Dis_ij表示乘客交易地与站台之间的欧式距离；

取欧式距离最小值所对应的站台作为乘客进行交易的站台：

Station＝argmin Dis_ij,Dis_ji

式中，Station表示上述欧式距离最小值所对应的索引车站；

匹配交易站台所对应的公交线路；

根据匹配方法计算日公交线路上下行的起止点交通需求量。

进一步地，所述构建特定的生成对抗网络，包括设计一个发生器G和一个鉴别器D，具体包括：

发生器G通过随机修复创建逼真的动脉起止点交通需求量，起止点交通需求在时间和空间上是相关的；

鉴别器D旨在对生成的真动脉起止点交通需求矩阵和假动脉起止点交通需求矩阵进行分类，鉴别器的结构和发生器相同；

生成器的生成输出将被送入鉴别器进行训练，生成对抗神经网络由所述多层长短期记忆神经网络M-LSTM、注意力机制和卷积神经网络CNN组成，三者作为生成对抗神经网络的神经元，目标函数为：

式中，f为参数向量，n为训练样本的数量，x_i作为深度神经网络的输入，y_i为真实数据。

进一步地，所述生成器利用多层长短期记忆神经网络M-LSTM以获取起止点交通需求量的更多时间特征，每层长短期记忆LSTM作为类似神经网络神经元的特征细胞元逐步估计，首层特征细胞元捕获IC卡交易数据，采集其时间特征进行初步估计，进而作为下一层特征细胞元输入，网络层数具体由首层捕获的IC卡交易数据复杂程度确定；网络结构中每层长短期记忆LSTM的计算过程表述为如下：

式中，τ_i,τ_f,τ_o分别代表输入门，遗忘门，输出门；作为候选细胞状态，用于更新当前时间步的细胞状态；h_t是当前步骤的状态；x_t是当前时间步的输入；W_i,W_f,W_o,W_c为权重值；b_i,b_f,b_o,b_c表示偏置；σ，tanh为激活函数。

进一步地，所述将输出数据接入注意力机制进行权重分配，捕获更高的空间相关性，包括：

所述注意力机制在每个时间间隔中为不同的起止点交通需求量分配不同的权重值，注意力函数将查询、键和值映射作为输出，同时查询、键和值均以向量的形式出现，每一个输入网络的向量均将乘以三个矩阵从而创建一个查询向量、一个键向量和一个值向量，利用缩放点积对输入向量进行权重分配，最终将结果进行连接，完成起止点交通需求量向量的权重值分配；

为捕获更多空间相关性，采用多头注意力机制方法对输入向量进行处理，具体步骤如下：

注意力机制接受由多层长短期记忆神经网络M-LSTM所输出的序列向量：J＝(a₁,a₂,a₃,···,a_n)作为该注意力机制的结构输入；

结合注意力机制所训练出来的参数矩阵W_q进行线性变化，创建查询向量Q_n：

Q_n＝W_q·a_i

结合注意力机制所训练出来的参数矩阵W_k进行线性变换，创建键向量K_m：

K_m＝W_k·a_i

为使得网络模型获得较好的泛化能力，结合子注意力机制训练出来的参数矩阵W_v对输入的序列向量进行线性变换，创建值向量V_s：

V_s＝W_v·a_i

采用4头注意力机制方法，将上述得到的查询向量Q_n，键向量K_m，值向量V_s按照词向量维度进行拆分为多个头：

将拆分后的查询向量和键向量/>依次进行缩放点积运算，计算得到每一头注意力机制的相关性分数α_i,j：

为使得输入数据的同一性，采用Softmax激活函数对相关性分数α_i,j进行归一化操作得到归一后的向量α'_i,j：

α'_i,j＝Softmax(α_i,j,α_i,*)＝exp(α_i,j)/∑_texp(α_i,t)

将拆分后的值向量V_s ^j分别和相关性分数α'_i,j进行加权求和，得到每一头的注意力向量

将每一头注意力向量进行连接，得到与输入向量长度大小相等的注意力向量I：

引入注意力机制所训练出来的参数矩阵W_o对上述注意力向量I进行线性变换，得到多头注意力机制的输出向量I_final：

I_final＝I·W_o。

进一步地，所述卷积神经网络CNN对数据进行时间和空间上特征的深入挖掘，卷积神经网络CNN以卷积层和池化层为主要结构，使用9个卷积层，从首层开始，每个神经元通过这9个卷积层依次连接到前一层的小区域中，采用多层卷积层连接输入数据，保留每层卷积层能够过滤一个特征的特性，从而分别在时间和空间上对输入数据进行获取，具体过程表述如下：

y＝σ(W_c*I_final+b)

式中，y表示卷积层的输出；W_c表示权重；I_final表示为输入数据；b为偏置值；所述卷积神经网络CNN根据数据复杂度选择是否应用池化层，若数据复杂度并不高，选择不应用池化层，具体步骤如下：

在所述卷积神经网络CNN中，卷积神经网络CNN将注意力机制中的输出经过一个全连接层后作为网络输入，将输入重塑为大小h*w*c的张量；

将重塑后的张量进行卷积操作，使得成为h*w*64c大小的特征向量并进行归一化处理；

结合ReLU激活函数弱化神经网络层与层之间的线性关系，增加了各层的非线性关系，ReLU激活函数表达式如下：

将该层输出作为下一层输入，不断进行卷积操作，直至第9层网络输出；

经过上述操作后经过一个全连接层，将上述向量重塑为大小h*w*c的张量作为起止点交通需求量的估计输出，该输出的起止点交通需求量特征将被连接为一个密集向量，最后通过一个全连接层转换为网络输出。

进一步地，所述引入的自监督损失函数表述如下：

式中，L(f)表示自监督损失函数；J表示矩阵的给定维数划分；j表示J的子维度；表示j维下的有缺陷的矩阵；/>表示j的不变函数f使用j的补集j^c来对j维下有缺陷的矩阵进行修复。

较现有技术相比，本发明具有以下优点：

1、本发明提供的基于无基准真相的公交乘客起止点估计修补方法，不依赖于基准真相，摒弃本就具有较大误差的现有系统估计的结果，采用自监督学习方法建立深度学习模型，意义在于通过自监督学习方法对有缺陷的乘客交通起止点需求矩阵进行修补，得到一个可靠准确的真实乘客起止点交通需求矩阵输出。

2、本发明提供的基于无基准真相的公交乘客起止点估计修补方法，结合自监督学习方法，搭建特定的生成对抗网络模型，该网络计算过程中不依赖于历史数据，较具有时序性的估计方法来说，减少了对庞大复杂的数据库挖掘分析的过程，能够适用于公交站台多、交通线路复杂庞大的道路交通网；通过构建多个深度学习框架，从时间和空间两个维度进行特征提取，并且能够基于上述两个特征进行深度挖掘，得到具有既具有时间特性，有具有空间相关性的估计输出。

3、本发明提供的基于无基准真相的公交乘客起止点估计修补方法，结合自监督损失函数对该方法的训练过程中经验风险进行评估，通过最小化自监督损失函数，获得去噪的最优参数，从而对有缺陷的乘客起止点需求矩阵进行修复，输出真实矩阵，完成在没有基准真相下的公交线路乘客起止点需求量的估计，为公交运营带来可靠的数据支持。

基于上述理由本发明可在公交线路的交通需求出行量估计修补等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为使本发明实施例的目的、技术方案和优点更加清楚，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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做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。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

如图1所示，本发明提供了一种基于无基准真相的公交乘客起止点估计修补方法，包括：

S1、采集乘客公交起点至终点的IC卡交易信息，将采集的IC卡交易信息数据进行再处理，定义数据复杂度；结合上车交易地理经纬度与城市公交线路站台的地理经纬度匹配上下车站台，并根据时间戳进行数据整理得到当日城市公交线路(包含上下行)的起止点交通需求量；

S2、考虑上述起止点交通需求量的时间和空间特征，构建特定的生成对抗网络，设计两种不同模型作为生成器和鉴别器来捕获起止点交通需求量的时间和空间的相关性；其中，生成器用来对有缺陷的乘客需求矩阵进行修补，鉴别器使用真实数据进行验证，与生成器进行对抗训练，提出一种基于该数据的自监督训练方法；

S3、生成器利用多层长短期记忆神经网络M-LSTM捕获起止点交通需求量的时间特征，将输入数据接入注意力机制进行权重分配，捕获更高的空间相关性；利用卷积神经网络起止点交通需求量的时间和空间特征进行深度挖掘，对特征进行整合作为网络输出；

S4、生成器输出接入鉴别器，引入自监督损失函数对经验风险进行定义，通过最小化自监督损失函数获得去噪函数的最优参数对有缺陷的矩阵进行修复，得到真实矩阵。

具体实施时，作为本发明优选的实施方式，所述步骤S1中，采集的乘客公交起点至终点的IC卡交易信息包括乘客出发地交易地理经纬度、乘客目的地交易地理经纬度、交易时间戳。

具体实施时，作为本发明优选的实施方式，所述步骤S1中，定义数据复杂度，其数据复杂度考虑时间和空间两个维度进行定义，分别考虑到不同时间戳内的乘客IC卡交易量和公交站台级的乘客起止点交通需求量，具体表达式如下：

式中，N表示总乘客数；T_hour表示数据的观察总小时数；L_valid表示该日存在乘客IC卡交易的公交线路数总和，也可看作是该日公交运营的线路总和；表示每小时进行IC卡的乘客数；/>表示在该j小时内存在的不同交易时刻数(分钟以下不同不做考虑，将交易间隔在同一分钟内的乘客列为相同交易时刻)；x_m表示每条线路上行乘客数；/>表示每条线路下行乘客数；/>表示上述线路的站点数；L表示总公交线路序数；τ表示每小时内的存在不同交易时间的时刻序数；l_n表示每条公交线路对应的站点序数。

具体实施时，作为本发明优选的实施方式，所述步骤S1中，结合上车交易地理经纬度与城市公交线路站台的地理经纬度匹配上下车站台，并根据时间戳进行数据整理得到当日城市公交线路(包含上下行)的起止点交通需求量，具体包括：

S11、将乘客出发地经纬度、目的地经纬度进行最短距离匹配，计算经纬度坐标系下乘客出发地经纬度、目的地经纬度与每个已知站台间的欧式距离：

式中，La_i和La_j分别表示乘客交易纬度坐标和j站台的纬度坐标；Lo_i和Lo_j分别表示乘客交易经度坐标和j站台的经度坐标；Dis_ij表示乘客交易地与站台之间的欧式距离；

S12、取欧式距离最小值所对应的站台作为乘客进行交易的站台：

Station＝argmin Dis_ij,Dis_ji

式中，Station表示上述欧式距离最小值所对应的索引车站；

S13、匹配交易站台所对应的公交线路；

S14、根据匹配方法计算日公交线路上下行的起止点交通需求量。

具体实施时，作为本发明优选的实施方式，所述步骤S2中，构建特定的生成对抗网络，包括设计一个发生器G和一个鉴别器D，具体包括：

S21、发生器G通过随机修复创建逼真的动脉起止点交通需求量，起止点交通需求在时间和空间上是相关的；

S22、鉴别器D旨在对生成的真动脉起止点交通需求矩阵和假动脉起止点交通需求矩阵进行分类，鉴别器的结构和发生器相同；

S23、生成器的生成输出将被送入鉴别器进行训练，生成对抗神经网络由所述多层长短期记忆神经网络M-LSTM、注意力机制和卷积神经网络CNN组成，三者作为生成对抗神经网络的神经元，目标函数为：

式中，f为参数向量，n为训练样本的数量，x_i作为深度神经网络的输入，y_i为真实数据。

具体实施时，作为本发明优选的实施方式，所述步骤S3中，所述生成器利用多层长短期记忆神经网络M-LSTM以获取起止点交通需求量的更多时间特征，每层长短期记忆LSTM作为类似神经网络神经元的特征细胞元逐步估计，首层特征细胞元捕获IC卡交易数据，采集其时间特征进行初步估计，进而作为下一层特征细胞元输入，网络层数具体由首层捕获的IC卡交易数据复杂程度确定；网络结构中每层长短期记忆LSTM的计算过程表述为如下：

式中，τ_i,τ_f,τ_o分别代表输入门，遗忘门，输出门；作为候选细胞状态，用于更新当前时间步的细胞状态；h_t是当前步骤的状态；x_t是当前时间步的输入；W_i,W_f,W_o,W_c为权重值；b_i,b_f,b_o,b_c表示偏置；σ，tanh为激活函数。

具体实施时，作为本发明优选的实施方式，所述步骤S3中，将输出数据接入注意力机制进行权重分配，捕获更高的空间相关性，包括：

所述注意力机制在每个时间间隔中为不同的起止点交通需求量分配不同的权重值，注意力函数将查询、键和值映射作为输出，同时查询、键和值均以向量的形式出现，每一个输入网络的向量均将乘以三个矩阵从而创建一个查询向量、一个键向量和一个值向量，利用缩放点积对输入向量进行权重分配，最终将结果进行连接，完成起止点交通需求量向量的权重值分配；

为捕获更多空间相关性，采用多头注意力机制方法对输入向量进行处理，具体步骤如下：

S311、注意力机制接受由多层长短期记忆神经网络M-LSTM所输出的序列向量：J＝(a₁,a₂,a₃,···,a_n)作为该注意力机制的结构输入；

S312、结合注意力机制所训练出来的参数矩阵W_q进行线性变化，创建查询向量Q_n：

Q_n＝W_q·a_i

S313、结合注意力机制所训练出来的参数矩阵W_k进行线性变换，创建键向量K_m：

K_m＝W_k·a_i

S314、为使得网络模型获得较好的泛化能力，结合子注意力机制训练出来的参数矩阵W_v对输入的序列向量进行线性变换，创建值向量V_s：

V_s＝W_v·a_i

S315、采用4头注意力机制方法，将上述得到的查询向量Q_n，键向量K_m，值向量V_s按照词向量维度进行拆分为多个头：

S316、将拆分后的查询向量和键向量/>依次进行缩放点积运算，计算得到每一头注意力机制的相关性分数α_i,j：

S317、为使得输入数据的同一性，采用Softmax激活函数对相关性分数α_i,j进行归一化操作得到归一后的向量α'_i,j：

α'_i,j＝Softmax(α_i,j,α_i,*)＝exp(α_i,j)/Σ_texp(α_i,t)

S318、将拆分后的值向量V_s ^j分别和相关性分数α'_i,j进行加权求和，得到每一头的注意力向量

将每一头注意力向量进行连接，得到与输入向量长度大小相等的注意力向量I：

S319、引入注意力机制所训练出来的参数矩阵W_o对上述注意力向量I进行线性变换，得到多头注意力机制的输出向量I_final：

I_final＝I·W_o。

具体实施时，作为本发明优选的实施方式，所述步骤S3中，所述卷积神经网络CNN对数据进行时间和空间上特征的深入挖掘，卷积神经网络CNN以卷积层和池化层为主要结构，使用9个卷积层，从首层开始，每个神经元通过这9个卷积层依次连接到前一层的小区域中，采用多层卷积层连接输入数据，保留每层卷积层能够过滤一个特征的特性，从而分别在时间和空间上对输入数据进行获取，具体过程表述如下：

y＝σ(W_c*I_final+b)

式中，y表示卷积层的输出；W_c表示权重；I_final表示为输入数据；b为偏置值；所述卷积神经网络CNN根据数据复杂度选择是否应用池化层，若数据复杂度并不高，选择不应用池化层，具体步骤如下：

S321、在所述卷积神经网络CNN中，卷积神经网络CNN将注意力机制中的输出经过一个全连接层后作为网络输入，将输入重塑为大小h*w*c的张量；

S322、将重塑后的张量进行卷积操作，使得成为h*w*64c大小的特征向量并进行归一化处理；

S323、结合ReLU激活函数弱化神经网络层与层之间的线性关系，增加了各层的非线性关系，ReLU激活函数表达式如下：

S324、将该层输出作为下一层输入，不断进行卷积操作，直至第9层网络输出；

S325、经过上述操作后经过一个全连接层，将上述向量重塑为大小h*w*c的张量作为起止点交通需求量的估计输出，该输出的起止点交通需求量特征将被连接为一个密集向量，最后通过一个全连接层转换为网络输出。

具体实施时，作为本发明优选的实施方式，所述步骤S4中，引入的自监督损失函数表述如下：

式中，L(f)表示自监督损失函数；J表示矩阵的给定维数划分；j表示J的子维度；表示j维下的有缺陷的矩阵；/>表示j的不变函数f使用j的补集j^c来对j维下有缺陷的矩阵进行修复。

综上所述，本实施例中提供的方法采用自监督学习，在无基准真相的基础上对有缺陷的乘客起止点交通需求矩阵进行修补，从而得到真实的乘客起止点交通需求矩阵，该方法通过构建深度学习模型，获取数据对其时间和空间特征进行深度挖掘，最终输出为一个完整的、真实的乘客交通起止点需求矩阵，为城市公共交通运营提供可靠的数据支持，提供一种基于无基准真相的公交线路乘客起止点交通需求估计方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于无基准真相的公交乘客起止点估计修补方法，其特征在于，包括：

采集乘客公交起点至终点的IC卡交易信息，将采集的IC卡交易信息数据进行再处理，定义数据复杂度；结合上车交易地理经纬度与城市公交线路站台的地理经纬度匹配上下车站台，并根据时间戳进行数据整理得到当日城市公交线路的起止点交通需求量；所述定义数据复杂度中，数据复杂度考虑时间和空间两个维度进行定义，分别考虑到不同时间戳内的乘客IC卡交易量和公交站台级的乘客起止点交通需求量，具体表达式如下：

式中，N表示总乘客数；T_hour表示数据的观察总小时数；L_valid表示该日存在乘客IC卡交易的公交线路数总和，也可看作是该日公交运营的线路总和；表示每小时进行IC卡交易的乘客数；/>表示在该a小时内存在的不同交易时刻数；x_m表示每条线路上行乘客数；/>表示每条线路下行乘客数；/>表示上述线路的站点数；L表示总公交线路序数；τ表示每小时内的存在不同交易时间的时刻序数；l_n表示每条公交线路对应的站点序数；

考虑上述起止点交通需求量的时间和空间特征，构建生成对抗网络，设计两种不同模型作为生成器和鉴别器来捕获起止点交通需求量的时间和空间的相关性；构建的生成对抗网络，包括设计一个发生器G和一个鉴别器D，具体包括：

发生器G通过随机修复创建逼真的动脉起止点交通需求量，起止点交通需求在时间和空间上是相关的；

鉴别器D旨在对生成的真动脉起止点交通需求矩阵和假动脉起止点交通需求矩阵进行分类，鉴别器的结构和发生器相同；

生成器的生成输出将被送入鉴别器进行训练，生成对抗神经网络由多层长短期记忆神经网络M-LSTM、注意力机制和卷积神经网络CNN组成，三者作为生成对抗神经网络的神经元，目标函数为：

式中，f_θ为参数向量，n为训练样本的数量，x_i作为深度神经网络的输入，y_i为真实数据；

卷积神经网络CNN对数据进行时间和空间上特征的深入挖掘，卷积神经网络CNN以卷积层和池化层为主要结构，使用9个卷积层，从首层开始，每个神经元通过这9个卷积层依次连接到前一层的小区域中，采用多层卷积层连接输入数据，保留每层卷积层能够过滤一个特征的特性，从而分别在时间和空间上对输入数据进行获取，具体过程表述如下：

y＝σ(W_c*I_final+b)

式中，y表示卷积层的输出；W_c表示权重；I_final表示为输入数据；b为偏置值；

卷积神经网络CNN根据数据复杂度选择是否应用池化层，若数据复杂度并不高，选择不应用池化层，具体步骤如下：

在卷积神经网络CNN中，卷积神经网络CNN将注意力机制中的输出经过全连接层后作为网络输入，将输入重塑为大小h*w*c的张量；

将重塑后的张量进行卷积操作，使得成为h*w*64c大小的特征向量并进行归一化处理；

结合ReLU激活函数弱化神经网络层与层之间的线性关系，增加了各层的非线性关系，ReLU激活函数表达式如下：

将该层输出作为下一层输入，不断进行卷积操作，直至第9层网络输出；

经过上述操作后经过一个全连接层，将上述向量重塑为大小h*w*c的张量作为起止点交通需求量的估计输出，该输出的起止点交通需求量特征将被连接为一个密集向量，最后通过一个全连接层转换为网络输出；

生成器利用多层长短期记忆神经网络M-LSTM捕获起止点交通需求量的时间特征，将输出数据接入注意力机制进行权重分配，捕获更高的空间相关性；利用卷积神经网络起止点交通需求量的时间和空间特征进行深度挖掘，对特征进行整合作为网络输出；

生成器输出接入鉴别器，引入自监督损失函数对经验风险进行定义，通过最小化自监督损失函数获得去噪函数的最优参数对有缺陷的矩阵进行修复，得到真实矩阵。

2.根据权利要求1所述的基于无基准真相的公交乘客起止点估计修补方法，其特征在于，采集的乘客公交起点至终点的IC卡交易信息包括乘客出发地交易地理经纬度、乘客目的地交易地理经纬度、交易时间戳。

3.根据权利要求1所述的基于无基准真相的公交乘客起止点估计修补方法，其特征在于，所述结合上车交易地理经纬度与城市公交线路站台的地理经纬度匹配上下车站台，并根据时间戳进行数据整理得到当日城市公交线路的起止点交通需求量，具体包括：

将乘客出发地经纬度、目的地经纬度进行最短距离匹配，计算经纬度坐标系下乘客出发地经纬度、目的地经纬度与每个已知站台间的欧式距离：

式中，La_i和La_j分别表示乘客交易纬度坐标和j站台的纬度坐标；Lo_i和Lo_j分别表示乘客交易经度坐标和j站台的经度坐标；Dis_ij表示乘客交易地与站台之间的欧式距离；

取欧式距离最小值所对应的站台作为乘客进行交易的站台：

Station＝argmin(Dis_ij,Dis_ji)

式中，Station表示上述欧式距离最小值所对应的索引车站；

匹配交易站台所对应的公交线路；

根据匹配方法计算日公交线路上下行的起止点交通需求量。

4.根据权利要求1所述的基于无基准真相的公交乘客起止点估计修补方法，其特征在于，所述生成器利用多层长短期记忆神经网络M-LSTM以获取起止点交通需求量的更多时间特征，每层长短期记忆LSTM作为类似神经网络神经元的特征细胞元逐步估计，首层特征细胞元捕获IC卡交易数据，采集其时间特征进行初步估计，进而作为下一层特征细胞元输入，网络层数具体由首层捕获的IC卡交易数据复杂程度确定；网络结构中每层长短期记忆LSTM的计算过程表述为如下：

式中，τ_i,τ_f,τ_o分别代表输入门，遗忘门，输出门；作为候选细胞状态，用于更新当前时间步的细胞状态；h_t是当前步骤的状态；x_t是当前时间步的输入；W_i,W_f,W_o,W_c为权重值；b_i,b_f,b_o,b_c表示偏置；σ，tanh为激活函数。

5.根据权利要求1所述的基于无基准真相的公交乘客起止点估计修补方法，其特征在于，所述将输出数据接入注意力机制进行权重分配，捕获更高的空间相关性，包括：

所述注意力机制在每个时间间隔中为不同的起止点交通需求量分配不同的权重值，注意力函数将查询、键和值映射作为输出，同时查询、键和值均以向量的形式出现，每一个输入网络的向量均将乘以三个矩阵从而创建一个查询向量、一个键向量和一个值向量，利用缩放点积对输入向量进行权重分配，最终将结果进行连接，完成起止点交通需求量向量的权重值分配；

为捕获更多空间相关性，采用多头注意力机制方法对输入向量进行处理，具体步骤如下：

注意力机制接受由多层长短期记忆神经网络M-LSTM所输出的序列向量：J＝(a₁,a₂,a₃,···,a_n)作为该注意力机制的结构输入；

结合注意力机制所训练出来的参数矩阵W_q进行线性变化，创建查询向量Q_n：

Q_n＝W_q·a_i

结合注意力机制所训练出来的参数矩阵W_k进行线性变换，创建键向量K_m：

K_m＝W_k·a_i

为使得网络模型获得较好的泛化能力，结合子注意力机制训练出来的参数矩阵W_v对输入的序列向量进行线性变换，创建值向量V_s：

V_s＝W_v·a_i

采用4头注意力机制方法，将上述得到的查询向量Q_n，键向量K_m，值向量V_s按照词向量维度进行拆分为多个头：

V_s ¹,V_s ²,V_s ³,V_s ⁴＝spiltV_s

将拆分后的查询向量和键向量/>依次进行缩放点积运算，计算得到每一头注意力机制的相关性分数α_i,j：

为使得输入数据的同一性，采用Softmax激活函数对相关性分数α_i,j进行归一化操作得到归一后的向量α'_i,j：

α'_i,j＝Softmax(α_i,j,α_i,*)＝exp(α_i,j)/∑_texp(α_i,t)

将拆分后的值向量V_s ^j分别和相关性分数α'_i,j进行加权求和，得到每一头的注意力向量

将每一头注意力向量进行连接，得到与输入向量长度大小相等的注意力向量I：

引入注意力机制所训练出来的参数矩阵W_o对上述注意力向量I进行线性变换，得到多头注意力机制的输出向量I_final：

I_final＝I·W_o。

6.根据权利要求1所述的基于无基准真相的公交乘客起止点估计修补方法，其特征在于，引入的自监督损失函数表述如下：

式中，L(f)表示自监督损失函数；J表示矩阵的给定维数划分；j表示J的子维度；表示j维下的有缺陷的矩阵；/>表示j的不变函数f使用j的补集j^c来对j维下有缺陷的矩阵进行修复。