CN117475638B - 基于多通道超图卷积网络的交通od客流预测方法及系统 - Google Patents

基于多通道超图卷积网络的交通od客流预测方法及系统 Download PDF

Info

Publication number
CN117475638B
CN117475638B CN202311797056.XA CN202311797056A CN117475638B CN 117475638 B CN117475638 B CN 117475638B CN 202311797056 A CN202311797056 A CN 202311797056A CN 117475638 B CN117475638 B CN 117475638B
Authority
CN
China
Prior art keywords
passenger flow
channel
hypergraph
time
space
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
Application number
CN202311797056.XA
Other languages
English (en)
Other versions
CN117475638A (zh
Inventor
赵霞
张勇
王铭
李之红
常程凯
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 CN202311797056.XA priority Critical patent/CN117475638B/zh
Publication of CN117475638A publication Critical patent/CN117475638A/zh
Application granted granted Critical
Publication of CN117475638B publication Critical patent/CN117475638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多通道超图卷积网络的交通OD客流预测方法及系统，涉及交通运输信息工程领域，所述方法通过提取O、D和OD三个通道下的客流分布矩阵，为O和D通道下的客流构建各自的邻域超图，生成时空超图卷积模块，学习各个通道客流的隐含时空近邻关系；为OD通道下的客流构建其邻域超图和语义超图，生成时空OD卷积模块，综合建模OD客流在时空近邻性和历史语义关联性上的隐含表达；最后构建多通道特征融合模块，融合上述三个通道的时空超图卷积结果，增强OD客流在多通道之间的隐含特征表示，应用于OD客流的预测，得到交通区域在未来时段OD的客流量预测值。本发明能提高交通OD客流预测的准确性。

Description

基于多通道超图卷积网络的交通OD客流预测方法及系统
技术领域
本发明涉及交通运输信息工程领域，特别是涉及一种基于多通道超图卷积网络的交通OD客流预测方法及系统。
背景技术
随着城市化进程的快速推进，城市交通流量爆发式激增，使城市基础设施实际供给能力远远赶不上居民出行需求的快速增长，导致交通供需失衡严重，拥挤状态频发。例如，城市出租车司机常常因为未能精准获取乘客的用车需求，而选择长时间停留在乘客用车需求较低的地区，形成供需不匹配现象，无形中造成大量能源消耗、资源浪费，并增加乘客的等待时长。除出租车外乘客也经常在高峰时间找不到闲置的出租车而增加不必要的等待时间和出行成本。有必要对表达城市公众出行需求的起讫对（Origin-Destination，OD）客流数据进行准确预测，从而为合理调节交通供需矛盾、有效调配城市客运资源、精准管理场所拥挤客流、有效保障城市交通系统安全运营、大力提升公共出行效率提供重要理论参考。
在早期的OD客流预测研究中，传统的时间序列方法如ARIMA、SVM、非集计模型等被广泛应用于客流需求预测中。例如，一种基于极大似然估计的交通客流分布预测模型，结合轨道站点的发生吸引量、网络的拓扑结构以及相关运营参数，构建客流分布预测模型的效用函数，运用极大似然估计标定客流分布模型并预测。这类方法建立在客流数据服从既有统计模型的基础上，但是在大数据时代背景下，全量客流分布是否能服从既有统计模型尚还存疑。考虑到统计分布模型对客流数据表达的不确定性，提出诸如循环神经网络（RNN）、长短时记忆网络（LSTM）以及门控循环单元（GRU）等深度学习模型能建模交通时序数据之间的关联关系。但由于上述方法无法有效表达多元时序数据之间的空间关联特性，提出利用卷积神经网络方法，栅格化交通路网拓扑结构，捕获客流数据的空间关联特征。然而，由于交通数据具有天然图拓扑结构，这类栅格化路网切割方式不能有效表达其中不规则的路网拓扑结构特性。基于此，提出利用图结构方式建模上述非结构化数据，引入图卷积网络（Graph Convolution Network，GCN）预测OD客流。但是这类方法往往通过构建空间邻接矩阵的方式来预测OD客流，而忽略其历史OD分布池中也包含一定程度的语义信息来指导未来OD预测。基于此，提出一种数字孪生模型预测轨道交通客流的状态分布。通过获取乘客的语义出行特征，如：出行时间、地点、频率、OD路径等，虚拟重建轨道交通系统数字孪生模型，预测它在仿真系统中线网客流的分布状况。但是该方法尚不能克服由乘客出行模式动态多变所引发的OD客流时空稀疏的现象，导致虚拟场景重建困难。为克服OD客流数据的稀疏特性，引入质量良好、维度密集的交通网络拓扑节点中的流入或流出客流数据，提出一种基于多视图客流变化趋势建模方法，增强其对OD数据在全局空间维度的关联性表达，辅助预测乘客在出行时的起讫OD分布。但是该方法忽略了起始地之间、目的地之间、起讫对OD之间均存在“多对多”的复杂关联特性，是难以通过传统图结构“两点连接一边”的方式进行精准刻画。超图中“超边连接多点”的方式可有效克服上述挑战，但至今尚未有利用这种新兴图结构来建模OD客流中的隐含高阶关联特性进而提升其预测效果的方案出现。因此，如何提高交通OD客流预测的准确性仍为目前亟待解决的问题。
发明内容
基于此，本发明实施例提供一种基于多通道超图卷积网络的交通OD客流预测方法及系统，以提高交通OD客流预测的准确性。
为实现上述目的，本发明实施例提供了如下方案。
基于多通道超图卷积网络的交通OD客流预测方法，包括：获取交通区域在当前时段的客流量数据；所述客流量数据包括：离开O的流出客流量、到达D的流入客流量以及OD的客流量真实值；其中，O表示起始地；D表示目的地；OD表示起讫对。
从当前时段的客流量数据中提取当前时段O通道、D通道和OD通道下的客流分布矩阵。
根据当前时段O通道、D通道和OD通道下的客流分布矩阵构建当前时段的超图集合；所述超图集合包括：O通道的邻域超图、D通道的邻域超图、OD通道下的邻域超图以及OD通道下的语义超图。
将当前时段的超图集合输入交通OD客流预测模型中，得到交通区域在未来时段OD的客流量预测值。
其中，所述交通OD客流预测模型是采用训练数据对多通道超图卷积网络模型训练得到的；所述多通道超图卷积网络模型包括：依次连接的编码器、多通道特征融合模块和解码器；所述编码器和所述解码器均是基于超图卷积网络和门控循环单元构建的。
所述编码器用于根据超图集合提取O通道、D通道和OD通道的客流量特征；O通道的客流量特征表征O通道下流出客流的隐含时空近邻关系；D通道的客流量特征表征D通道下流入客流的隐含时空近邻关系；OD通道的客流量特征表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系。
所述多通道特征融合模块用于将O通道、D通道和OD通道的客流量特征进行融合，得到OD客流分布特征。
所述解码器用于根据OD客流分布特征得到OD的客流量预测值。
本发明还提供了基于多通道超图卷积网络的交通OD客流预测系统，包括：数据获取模块，用于获取交通区域在当前时段的客流量数据；所述客流量数据包括：离开O的流出客流量、到达D的流入客流量以及OD的客流量真实值；其中，O表示起始地；D表示目的地；OD表示起讫对。
客流矩阵提取模块，用于从当前时段的客流量数据中提取当前时段O通道、D通道和OD通道下的客流分布矩阵。
超图集合构建模块，用于根据当前时段O通道、D通道和OD通道下的客流分布矩阵构建当前时段的超图集合；所述超图集合包括：O通道的邻域超图、D通道的邻域超图、OD通道下的邻域超图以及OD通道下的语义超图。
客流量预测模块，用于将当前时段的超图集合输入交通OD客流预测模型中，得到交通区域在未来时段OD的客流量预测值。
其中，所述交通OD客流预测模型是采用训练数据对多通道超图卷积网络模型训练得到的；所述多通道超图卷积网络模型包括：依次连接的编码器、多通道特征融合模块和解码器；所述编码器和所述解码器均是基于超图卷积网络和门控循环单元构建的。
所述编码器用于根据超图集合提取O通道、D通道和OD通道的客流量特征；O通道的客流量特征表征O通道下流出客流的隐含时空近邻关系；D通道的客流量特征表征D通道下流入客流的隐含时空近邻关系；OD通道的客流量特征表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系。
所述多通道特征融合模块用于将O通道、D通道和OD通道的客流量特征进行融合，得到OD客流分布特征。
所述解码器用于根据OD客流分布特征得到OD的客流量预测值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明实施例基于多通道超图卷积网络模型，提取表征O通道下流出客流的隐含时空近邻关系的客流量特征、表征D通道下流入客流的隐含时空近邻关系的客流量特征以及表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系的客流量特征，将三种特征进行融合从而实现交通OD客流预测，提高了交通OD客流预测的准确性。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的基于多通道超图卷积网络的交通OD客流预测方法的流程图。
图2为本发明实施例提供的流入客流量的分布图。
图3为本发明实施例提供的流出客流量的分布图。
图4为本发明实施例提供的客流量真实值的分布图。
图5为本发明实施例提供的时空超图卷积模块的结构图。
图6为本发明实施例提供的时空OD卷积模块的结构图。
图7为本发明实施例提供的特征融合模块的操作过程示意图。
图8为本发明实施例提供的多通道超图卷积网络的交通OD客流预测方法在具体应用中的实现过程图。
图9为本发明实施例提供的在JAPAN_47数据集上OD客流矩阵多步预测平均绝对误差MAE的示意图。
图10为本发明实施例提供的在JAPAN_47数据集上OD客流矩阵多步预测均方根误差RMSE的示意图。
图11为本发明实施例提供的在JAPAN_47数据集上OD客流矩阵多步预测平均绝对百分比误差MAPE的示意图。
图12为本发明实施例提供的在JAPAN_47数据集上OD客流矩阵一步预测的真实OD客流分布图。
图13为本发明实施例提供的在JAPAN_47数据集上OD客流矩阵一步预测的MPGCN方法预测的OD客流分布图。
图14为本发明实施例提供的在JAPAN_47数据集上OD客流矩阵一步预测的ODCRN方法预测的OD客流分布图。
图15为本发明实施例提供的在JAPAN_47数据集上OD客流矩阵一步预测的MC-HGCN方法预测的OD客流分布图。
图16为本发明实施例提供的基于多通道超图卷积网络的交通OD客流预测系统的结构图。
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描述。
本发明的目的是提供一种基于多通道超图卷积网络的交通OD客流预测方法及系统，从多通道融合视角，将原本孤立的起始地Origin（O）、目的地Destination（D）和起讫对（OD）在时空、语义方面隐含的客流关联关系通过多类超图的方式量化建模，并利用深度学习技术挖掘各类客流潜在的时空、语义分布特征，辅助推算全网OD客流分布量，有效提升节点在交通路网中感知未来客流分布的能力，从而提高交通OD客流预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一：参见图1，本实施例的基于多通道超图卷积网络的交通OD客流预测方法，包括如下步骤。
步骤101：获取交通区域在当前时段的客流量数据；所述客流量数据包括：离开O的流出客流量、到达D的流入客流量以及OD的客流量真实值。其中，O表示起始地；D表示目的地；OD表示起讫对。
步骤102：从当前时段的客流量数据中提取当前时段O通道、D通道和OD通道下的客流分布矩阵。
步骤103：根据当前时段O通道、D通道和OD通道下的客流分布矩阵构建当前时段的超图集合；所述超图集合包括：O通道的邻域超图、D通道的邻域超图、OD通道下的邻域超图以及OD通道下的语义超图。
步骤104：将当前时段的超图集合输入交通OD客流预测模型中，得到交通区域在未来时段OD的客流量预测值。
其中，所述交通OD客流预测模型是采用训练数据对多通道超图卷积网络模型（Multi-channel Hypergraph Convolutional Network，MC-HGCN）训练得到的；所述多通道超图卷积网络模型包括：依次连接的编码器、多通道特征融合模块和解码器；所述编码器和所述解码器均是基于超图卷积网络和门控循环单元构建的。
所述编码器用于根据超图集合提取O通道、D通道和OD通道的客流量特征；O通道的客流量特征表征O通道下流出客流的隐含时空近邻关系；D通道的客流量特征表征D通道下流入客流的隐含时空近邻关系；OD通道的客流量特征表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系。所述多通道特征融合模块用于将O通道、D通道和OD通道的客流量特征进行融合，得到OD客流分布特征。所述解码器用于根据OD客流分布特征得到OD的客流量预测值。
在一个示例中，步骤101和102实现交通区域各通道客流分布矩阵的提取，步骤101和102具体包括：从当前时段的客流量数据（即历史数据）中提取到达D的流入客流量、离开O的流出客流量/>和OD的客流量真实值/>。其中，T表示全体时间序列，t表示T中的某个时刻。交通区域集合表示为{1，2，···i···，N}，N为交通区域的总数。/>中的元素/>表示t时刻发生在交通区域i的流入客流量；/>中的元素/>表示t时刻发生在交通区域i的流出客流量；/>中的元素Xt i,j表示在t时刻从作为起始点的交通区域i到作为目的点的交通区域j的出行客流量。这三类客流量的分布图如图2-图4所示。
在一个示例中，步骤103实现邻域超图和语义超图的构建，步骤103具体包括如下步骤。
（1）构建邻域超图。
地理位置关系越接近的多个交通区域越有可能生成相似的客流移动模式。换言之，单个交通区域的流入或流出客流可能会同时受到周边多个交通区域流量分布的影响。因而需要引入一种图结构来建模上述多个交通区域之间的高阶影响关系。相比于传统图结构仅能描述成对节点之间的关联性，超图能聚合邻近多节点的交互关联信息，因而更适用于表达交通区域之间“多对多”的高阶关联关系。本实施例把这种复杂的空间近邻关联关系称为邻域相似性，并生成邻域超图结构来分别建模交通区域客流在O、D、OD三类通道下的空间近邻关联关系。
具体根据步骤101和步骤102中各个通道在t时刻的输入客流量，构建各自的邻域超图。其中，/>。当/>时，/>，代表通道O的流出客流；当/>时，/>，表示通道D的流入客流；当/>时，，表示通道OD的OD客流分布。无论是何种流量通道，均需要聚焦道路交通拓扑结构网，将其中每一个区域视为超图的节点，得N个节点；同时，选取与任一区域地理位置最近邻的K个区域作为超边，得N条超边，构建出邻域超图/>。其中，/>、/>、/>分别表示邻域超图的顶点集、超边集和边权值，ei为/>中的元素。该超图对应形成具有N个节点和N条超边的关联矩阵/>∈/>。/>表示维度为N×N的矩阵空间。Ha的内部元素计算方式如公式（1）所示，ω(e)表示/>对应的权重。/>和/>分别是/>和/>中的任一节点或任一条超边。/>表示节点在超边上。/>和/>分别为节点/>和超边/>的度矩阵，描述任一节点或超边在超图中的重要程度，其内部元素/>和/>分别通过公式（2）~（3）计算。对于邻域超图中的节点/>，其度/>为所有连接到该顶点/>的超边的权重之和。对于邻域超图中的超边/>，其度/>为超图中所有被该超边/>连接的节点的数量之和。
。
（2）构建交通区域OD通道下的语义超图。
邻域超图只能度量那些距离较近的交通区域之间的关联情况，而无法考虑一些距离较远但关联性极强的起讫对的连通情况。后者情况在现实场景中比比皆是。例如，中国北京市居民通常居住在远郊区，但需极限通勤于市中心以开展工作、商务、孩子教育等各类社会活动。本实施例把这种复杂的语义近邻关联关系称为语义相似性，并生成语义超图结构来建模OD客流的语义近邻关联关系，挖掘历史OD客流分布中频繁连通的OD，用于未来OD客流的预测。
具体根据步骤101和步骤102针对OD通道提出的，构建它的语义超图。将OD客流分布矩阵中的每一条OD视为超图的节点，得/>个节点。将历史OD客流数据转换为一维数据/>，度量历史OD客流序列之间的欧式距离，并采用K近邻算法查找每条OD序列最近邻的OD客流，形成N×N个超边，/>表示维度为N×N×1的矩阵空间。在此基础上构建语义超图/>。其中，/>、/>、/>分别表示语义超图的顶点集、超边集和边权值。该超图对应形成具有/>个节点和/>条超边的关联矩阵，/>表示维度为（N×N）×（N×N）的矩阵空间。
在一个示例中，所述编码器包括：并列的流入通道特征提取模块、流出通道特征提取模块和OD通道特征提取模块；所述流入通道特征提取模块和所述流出通道特征提取模块均包括多个时空超图卷积模块；所述OD通道特征提取模块包括多个时空OD卷积模块。
下面对各个模块进行详细介绍。
（1）构建时空超图卷积模块。
首先，构建超图卷积网络（Hypergraph Convolutional Network，HGCN）。依托上述构建的邻域超图，联合各个通道的客流分布X=/>，利用HGCN建模X在空间维度的隐含局部关联特性，如公式（4）所示。其中，/>为激活函数，/>为卷积操作中的超参数集合，/>为HGCN的输出。H、W、/>和/>分别为超图的关联矩阵、边权值矩阵、节点度矩阵和超边度矩阵，具体计算方式见上述的公式（1）~公式（3），即H、W、/>和/>是根据通道channel的邻域超图确定的。
（4）。
其次，嵌入门控循环单元构建时空超图卷积模块。
提取各个通道在t时刻的输入客流量，以及上述超图卷积操作在t-1时刻输出的隐含空间局部关联结构/>，在通道维度对二者进行合并；利用门控循环单元学习输入客流数据/>的时序依赖特性，建模各个通道客流/>隐含时空关联特性的效果，完成时空超图卷积模块的构建。
因此所述时空超图卷积模块的计算公式见下式（5），用于加权度量时空超图卷积模块从t-1时刻变化到t时刻时channel通道中更新门和重启门/>的隐含客流量值。
（5）。
其中，表示时空超图卷积模块t时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征，是所述时空超图卷积模块的输出值；/>为时空超图卷积模块t-1时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征；当t=1时，表示时空超图卷积模块初始时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征；/>的取值即HGCN的输出/>，因此，/>最终也是根据通道channel的邻域超图确定的；此处，通道channel只有两种取值，分别为O或者D。当/>时，，/>表示时空超图卷积模块t时刻在O通道输出的表达隐含空间局部关联关系的流出客流量特征；当/>时，/>，/>表示时空超图卷积模块t时刻在D通道输出的表达隐含空间局部关联关系的流入客流量特征；/>为门控循环单元的更新门，用于更新通道channel在t时刻的初始输入客流量值；candi表示门控循环单元的候选值，用于在通道channel维度合并下列3种客流量值：时空超图卷积模块在t时刻的初始输入客流量值/>、时空超图卷积模块在t时刻经重启门更新后的隐含客流量值/>、时空超图卷积模块在t-1时刻表达隐含空间局部关联特征的客流量值/>。/>表示哈马达乘积，用于增强两类客流量的叠加效应。
上述公式（5）中的以及/>通过公式（6）计算，式中，Sigmoid为激活函数。
（6）。
上述公式（5）中的通过公式（7）计算，式中，tanh是激活函数。
（7）。
图5详细展示了时空超图卷积模块的构建过程。
（2）嵌入邻域超图与语义超图构建时空OD卷积模块。
依托上述构建的邻域超图和语义超图，引入超图卷积网络，建模OD通道下客流量值的空间依赖性，在此基础上设计多个时空OD卷积模块的堆叠结构，来建模OD客流表示的时空关联性。每个时空OD卷积模块包括：依次连接的二维超图卷积网络（2D-HGCN）、超图卷积网络（HGCN）和门控循环单元，以捕获双边邻域空间信息和隐含的语义客流信息。所述二维超图卷积网络用于对由OD通道下的邻域超图和语义超图建立的客流分布矩阵进行超图卷积操作，得到二维OD客流分布矩阵。这个矩阵可以看作是起始地和目的地的二维坐标。横轴表示某一个区域到其他区域的客流发生量，纵轴表示其他区域到一个区域的客流到达量。考虑到传统图卷积受自身限制仅能解决OD双边的空间依赖性建模问题，并没有很好地捕获OD客流之间高阶的空间关联，因此，利用提出的二维超图卷积网络捕捉OD之间复杂的、多对多的空间依赖性。二维超图卷积网络在超图卷积的基础上，对输入的OD客流矩阵特征在空间上进行二维超图卷积操作，根据公式（8）对OD客流的空间关联性进行融合。
（8）。
其中，表示二维客流分布矩阵；/>表示由OD通道下的邻域超图和语义超图建立的客流分布矩阵；/>表示激活函数；/>表示通道O下的客流分布矩阵经超图拉普拉斯变换后的矩阵；/>表示通道D下的客流分布矩阵经超图拉普拉斯变换后的矩阵；N表示交通区域的总数；/>表示交通区域i对应的切比雪夫多项式；/>表示交通区域j对应的切比雪夫多项式；Θ表示可学习的卷积核；b表示可学习的偏置参数。
所述超图卷积网络用于将二维OD客流分布矩阵经过格式转化后，得到一维数据，将每个OD客流视为一个节点，学习OD客流节点在空间维度的依赖特性，建模不同的起始地或目的地之间可能存在的相似流动模式和隐含空间语义信息。所述门控循环单元用于提取所述一维数据的时序特征，得到OD通道t时刻的隐藏状态，最后一个时刻的隐藏状态为OD通道编码器的最终输出，即学习到的OD通道的客流量特征/>，由此建模OD通道下客流量在时间维度的依赖特性。图6详细展示了时空OD卷积模块的构建过程。
在一个示例中，所述多通道特征融合模块包括：第一融合单元和第二融合单元。所述第一融合单元用于对O通道的客流量特征和D通道的客流量特征进行维度统一编码，再实现二者的特征合并，得到初步融合客流分布特征。所述第一融合单元的计算过程如公式（9）所示。
（9）。
其中，表示初步融合客流分布特征；N表示交通区域的总数；/>表示交通区域i在D通道的客流量特征；/>表示交通区域i在O通道的客流量特征；concat表示拼接操作。
所述第二融合单元用于对所述第一融合单元的初步融合客流分布特征与所述OD通道的客流量特征/>进行特征合并，利用特征标准化层来消除各个通道之间的特征差异性，构建线性层将特征降低为二维，通过Softmax层自适应学习通道OD、O与D融合通道下对应客流的权重值分布比例α和β，再将各通道特征加权乘以相应的权重值分布比例α和β，获取最终的OD客流分布特征/>。所述第二融合单元的计算过程如公式（10）所示。
（10）。
其中，表示OD客流分布特征；/>表示OD通道的客流量特征；/>表示初步融合客流分布特征；/>表示OD通道下对应客流量的权重值分布比例；/>表示O通道和D通道下对应客流量的权重值分布比例。图7详细展示了特征融合模块的构建过程。
在一个示例中，根据真实交通客流数据开展OD预测任务，所述多通道超图卷积网络模型在训练过程中采用均方根范数（即L2范数）作为损失函数，以计算OD客流预测数据与真实值间的差值，来优化预测问题。所述损失函数的计算过程如公式（11）所示。
（11）。
其中，Loss表示损失函数；T表示全体时间序列；N表示交通区域的总数；表示t时刻从交通区域i到交通区域j的OD的客流量预测值；/>表示t时刻从交通区域i到交通区域j的OD的客流量真实值。
上述实施例依托融合超图表示、超图卷积网络、门控循环单元等深度学习技术，设计一个多通道融合架构，分别学习各通道客流的隐含时空分布特征，包括：离开起始地O的流出客流量、到达目的地D的流入客流量、起讫对OD中OD客流量，并进行多通道特征融合，辅助增强历史OD客流在时空及语义维度的高阶隐含特征表示，提升OD客流的预测精度和效度。本实施例能精准预测交通拓扑路网结构中OD客流的宏观分布情况，有效提升交通拓扑路网中各个节点感知未来客流分布的能力，有利于帮助交通管理部门从宏观客流角度掌握乘客的出行需求，以便后续施行精细化的出行需求管理方案；能有效服务于公共场所交通安全监管领域，为合理调节交通供需矛盾、有效调配城市客运资源、精准管理场所拥挤客流、有效保障城市交通系统安全运营、大力提升公出行效率提供重要理论参考。
下面结合图8，对上述实施例的多通道超图卷积网络的交通OD客流预测方法在实际应用中的具体实现过程进行进一步说明，并对上述方法的有效性进行验证。
本具体示例的多通道超图卷积网络的交通OD客流预测方法，具体技术构思为：通过提取起始地O、目的地D和起讫对OD三个通道下的客流分布矩阵，为O和D通道下的客流构建其邻域超图，生成时空超图卷积模块，学习各个通道客流的隐含时空近邻关系；为OD通道下的客流构建其邻域超图和语义超图，生成时空OD卷积模块，综合建模OD客流在时空近邻性和历史语义关联性上的隐含表达；最后构建多通道特征融合模块，融合上述三个通道的时空超图卷积结果，增强OD客流在多通道之间的隐含特征表示，应用于OD客流的预测应用。在实证数据上开展的一系列OD客流预测实验证明所提模型较以往方法拥有更好的预测性能。参见图8，具体实现过程如下。
步骤1：时空超图卷积模块构建。
对于所有交通区域，分别提取起始地Origin、目的地Destination两个通道下的客流分布矩阵，构建各自的邻域超图，在此基础上组合超图卷积模块和门控循环单元生成时空超图卷积模块，学习各个通道下流入或流出客流的隐含时空近邻关系，辅助OD客流预测。
步骤2：时空OD卷积模块构建。
对于所有交通区域，提取起讫对OD通道下的客流分布矩阵，先后为其构建其邻域超图和语义超图，在此基础上组合超图卷积模块和门控循环单元生成时空OD卷积模块，综合建模OD客流在时空近邻性和历史语义关联性上的隐含表达，辅助增强其预测性能。
步骤3：多通道特征融合模块构建。
构建一个多通道特征融合模块，融合起始地Origin、目的地Destination、起讫对OD通道下的时空超图卷积结果，增强OD客流在多通道之间的隐含特征表示。
步骤4：OD客流预测及实例验证。
输入k个时间步的历史客流分布序列{，...，/>}，{/>，…，/>}以及{/>，...，/>}，预测未来m个时间步的OD矩阵序列{/>，/>，…，/>}。所提模型应用于两类公开数据集的OD预测，并辅助开展多组消融实验，来验证本发明所提OD客流预测方法及各组模块的有效性。
本示例所提的交通OD客流预测方法将具体作用于两类公开数据集中，即：日本个体移动GPS定位数据集、纽约出租车数据集，来测试其OD客流数据预测的性能。同时也开展了多组消融实验，来验证所提模型各个模块的预测性能。下面结合附图和实例对本发明的工作环境、数据集、实验参数设置、评价指标选取、基准模型选取、实验结果分析做进一步说明。
（1）工作环境。
本示例运用PyTorch框架来编写模型代码。所有实验代码均在Linux软件环境上编译和执行，并在配备有型号为“Intel(R)Xeon(R)CPUE5-2620v4@2.10GHz”的CPU和型号为“NvidiaP100 16GTesla”的GPU显卡的硬件工作站上运行。
（2）公开数据集介绍。
第一个公开数据集为日本个体移动GPS定位数据集（JAPAN_47）。该数据集通过智能手机应用程序获取，是一个涵盖日本47个县、500万人的大型GPS轨迹数据集。具体选取2020年1月1日至2021年2月28日共计425天的数据进行OD客流预测。将单位时间切片设置为24小时，将每一个县视为1个区域，从而将上述数据集转换为一个（425，47，47）的OD客流张量。
第二个公开数据集为纽约出租车数据集（NYC_TAXI）。该数据集记载了2014年1月1日至2014年3月1日共计59天的出租车出行记录。将单位时间切片设置为30分钟，将纽约市切割为5×15个区域，从而将上述数据集转换为一个（59，5，15）的OD客流张量。
（3）实验参数设置。
对于流入/流出通道，输入N×1的流入/流出客流和N×N的邻域超图，通过7个时空卷积块后输出的特征均为N×64；对于OD通道，输入为N×N×1的OD客流、N×N的邻域超图以及N²×N²的语义超图，通过7个编码时空OD卷积块后输出的特征为N×N×64。然后通过多通道融合模块融合三个通道的输出N×64、N×64、N×N×64，输出N×N×64的OD特征，然后再通过7个解码时空OD卷积块逐步输出N×N的预测OD客流。将上述两个数据集按照6.4：1.6：2的比例分割数据，从而得到训练、验证和测试数据集。使用“AdamW”优化器，在两个数据集上分别进行200次的训练，学习率设置为10-4。
（4）评价指标选取。
使用下列指标评估所提方法的预测性能，即平均绝对误差（Mean AbsoluteError，MAE）、均方根误差（Root Mean Square Error，RMSE）、平均绝对百分比误差（MeanAbsolute Percentage Error，MAPE）。各个指标数值越小，模型预测精确越高。各指标计算方式见公式（12）~（14）。
（12）。
（13）。
（14）。
（5）基准模型选取。
选取9个基准模型与所提模型进行性能对比，验证它们在两个公开数据集上的性能优劣。各基准模型介绍如下。
Lasso：该模型利用一种逐步回归策略，同时引入收缩的思想估计压缩系数，在减小预测方差的同时，实现OD客流的多步预测。
ElasticNet：该模型是一个线性回归模型，利用L1和L2先验范数构建正则化矩阵，来预测未来OD流量分布。
STGCN：该模型融合时间卷积网络和图卷积网络，采用时空图卷积网络捕捉时间序列的时空依赖特性，进行OD客流预测。
DCRNN：该模型通过图上的双向随机游走策略捕获拓扑网络的空间关联特性，在此基础上使用“编码器—解码器”架构对数据的时间依赖关系进行建模并预测。
GWN：该模型通过自适应学习依赖矩阵以发现潜在图结构，同时开发了堆叠扩展1D卷积组件来建模长时间序列。
GEML：该模型是一种基于图的过渡预测模型，利用图嵌入策略和周期性渐变规律跳过LSTM来预测OD矩阵。
CSTN：该模型将交通路网拓扑结构进行栅格化处理，在此基础上提取OD矩阵和DO矩阵，并度量其欧氏距离进行OD矩阵的预测。
MPGCN：该模型利用LSTM提取每个OD对的时间特征，然后通过二维图卷积学习起始地和目的地之间的空间依赖关系。
ODCRN：该模型融合递归网络和二维图卷积神经网络来建模OD分布矩阵中高度复杂的时空依赖关系并进行OD预测。
（6）实验结果及分析。
如表1和表2所示，本示例分别在JAPAN_47和NYC_TAXI数据集上验证所提模型在多步OD矩阵预测任务中的性能。在所有模型中，Lasso、ElasticNet为传统机器学习领域的预测方法，而其他方法为深度学习领域的预测方法。根据对比实验可知，所选取的机器学习领域方法对OD客流的预测性能均不及深度学习领域方法的预测性能。究其原因，前类方法无法捕捉空间和时间信息之间的非线性关系。在深度学习方法中，STGCN、DCRNN、GWM、GEML、CSTN和MPGCN模型均表示了OD数据中的时空关联特性，但也仅局限在单通道维度，尚未考虑联合多通道信息增强OD客流数据的表达性能。ODCRN模型虽引入O、D通道客流数据增强OD数据在时空依赖性维度的特征表达，但仍未考虑OD客流数据之间的复杂高阶空间关联性。而本示例所提模型MC-HGCN较上述基准模型而言，在如表1所示的JAPAN_47数据集和如表2所示的NYC_TAXI数据集上一直能取得更低的预测误差，反映其更优的预测性能。究其原因，本示例所提方法不仅引入邻域超图和语义超图结构建模OD客流数据在空间、语义维度的复杂高阶关联特性，也引入多通道客流数据增强OD客流数据的隐含时空特征表达，极大提升OD客流的预测效果。
。/>
。
本示例依托JAPAN_47数据集和NYC_TAXI数据集，开展多组消融实验，验证当所提模型在嵌入多通道特征融合模块、时空OD卷积模块和语义超图构建模块后是否能有效提升OD客流的预测性能。实验结果见表3、表4。其中，“√”表示具有相应子模块的MC-HGCN，“×”表示没有该子模块的MC-HGCN。基于下列消融实验可知，本示例通过构建语义超图有效建模了历史OD分布池的规律；通过设计时空OD卷积模块有效建模了OD客流的双边高阶空间关联特性；通过多通道融合模块综合表达了通道O、D、OD下多类客流的复杂高阶关联关系，提升了OD客流的预测性能。因此，当MC-HGCN嵌入上述所有子模块后能够取得最好的预测结果。
。/>
。
本示例进一步依托JAPAN_47先验数据集，选取了2种性能较优的基准模型MPGCN和ODCRN，与本示例所提的MC-HGCN模型进行对比，来对比分析它们在不同时间步长的预测误差分布（如图9-图11所示）和预测可视化效果（如图12-图15所示）。图9-图15可视化了选定模型在多步及单步状态下OD客流分布的预测结果。可见，本示例所提MC-HGCN无论在长步预测还是短步预测时均更接近真实的OD客流分布效果。
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种基于多通道超图卷积网络的交通OD客流预测系统。参见图16，所述系统，包括：数据获取模块201，用于获取交通区域在当前时段的客流量数据；所述客流量数据包括：离开O的流出客流量、到达D的流入客流量以及OD的客流量真实值；其中，O表示起始地；D表示目的地；OD表示起讫对。
客流矩阵提取模块202，用于从当前时段的客流量数据中提取当前时段O通道、D通道和OD通道下的客流分布矩阵。
超图集合构建模块203，用于根据当前时段O通道、D通道和OD通道下的客流分布矩阵构建当前时段的超图集合；所述超图集合包括：O通道的邻域超图、D通道的邻域超图、OD通道下的邻域超图以及OD通道下的语义超图。
客流量预测模块204，用于将当前时段的超图集合输入交通OD客流预测模型中，得到交通区域在未来时段OD的客流量预测值。
其中，所述交通OD客流预测模型是采用训练数据对多通道超图卷积网络模型训练得到的；所述多通道超图卷积网络模型包括：依次连接的编码器、多通道特征融合模块和解码器；所述编码器和所述解码器均是基于超图卷积网络和门控循环单元构建的。
所述编码器用于根据超图集合提取O通道、D通道和OD通道的客流量特征；O通道的客流量特征表征O通道下流出客流的隐含时空近邻关系；D通道的客流量特征表征D通道下流入客流的隐含时空近邻关系；OD通道的客流量特征表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系。所述多通道特征融合模块用于将O通道、D通道和OD通道的客流量特征进行融合，得到OD客流分布特征。所述解码器用于根据OD客流分布特征得到OD的客流量预测值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.基于多通道超图卷积网络的交通OD客流预测方法，其特征在于，包括：
获取交通区域在当前时段的客流量数据；所述客流量数据包括：离开O的流出客流量、到达D的流入客流量以及OD的客流量真实值；其中，O表示起始地；D表示目的地；OD表示起讫对；
从当前时段的客流量数据中提取当前时段O通道、D通道和OD通道下的客流分布矩阵；
根据当前时段O通道、D通道和OD通道下的客流分布矩阵构建当前时段的超图集合；所述超图集合包括：O通道的邻域超图、D通道的邻域超图、OD通道下的邻域超图以及OD通道下的语义超图；
将当前时段的超图集合输入交通OD客流预测模型中，得到交通区域在未来时段OD的客流量预测值；
其中，所述交通OD客流预测模型是采用训练数据对多通道超图卷积网络模型训练得到的；所述多通道超图卷积网络模型包括：依次连接的编码器、多通道特征融合模块和解码器；所述编码器和所述解码器均是基于超图卷积网络和门控循环单元构建的；
所述编码器用于根据超图集合提取O通道、D通道和OD通道的客流量特征；O通道的客流量特征表征O通道下流出客流的隐含时空近邻关系；D通道的客流量特征表征D通道下流入客流的隐含时空近邻关系；OD通道的客流量特征表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系；
所述多通道特征融合模块用于将O通道、D通道和OD通道的客流量特征进行融合，得到OD客流分布特征；
所述解码器用于根据OD客流分布特征得到OD的客流量预测值；
所述编码器包括：并列的流入通道特征提取模块、流出通道特征提取模块和OD通道特征提取模块；所述流入通道特征提取模块和所述流出通道特征提取模块均包括多个时空超图卷积模块；所述OD通道特征提取模块包括多个时空OD卷积模块；
所述时空超图卷积模块的计算公式为：
；
其中，表示时空超图卷积模块t时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征，是时空超图卷积模块的输出值；/>为时空超图卷积模块t-1时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征；当t=1时，/>表示时空超图卷积模块初始时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征；/>是根据通道channel的邻域超图确定的；通道channel取值为O或者D；当时，/>，/>表示时空超图卷积模块t时刻在O通道输出的表达隐含空间局部关联关系的流出客流量特征；当/>时，/>，/>表示时空超图卷积模块t时刻在D通道输出的表达隐含空间局部关联关系的流入客流量特征；/>为门控循环单元的更新门；/>表示门控循环单元的候选值；/>表示哈马达乘积；
所述时空OD卷积模块包括：依次连接的二维超图卷积网络、超图卷积网络和门控循环单元；所述二维超图卷积网络用于对由OD通道下的邻域超图和语义超图建立的客流分布矩阵进行超图卷积操作，得到二维OD客流分布矩阵；所述超图卷积网络用于将所述二维OD客流分布矩阵经过格式转化后，得到一维数据；所述门控循环单元用于提取所述一维数据的时序特征，作为OD通道的客流量特征；
所述二维超图卷积网络的计算公式为：
；
其中，表示二维OD客流分布矩阵；/>表示由OD通道下的邻域超图和语义超图建立的客流分布矩阵；/>表示激活函数；/>表示通道O下的客流分布矩阵经超图拉普拉斯变换后的矩阵；/>表示通道D下的客流分布矩阵经超图拉普拉斯变换后的矩阵；N表示交通区域的总数；/>表示交通区域i对应的切比雪夫多项式；/>表示交通区域j对应的切比雪夫多项式；Θ表示可学习的卷积核；b表示可学习的偏置参数；
所述多通道特征融合模块包括：第一融合单元和第二融合单元；
所述第一融合单元用于将O通道的客流量特征和D通道的客流量特征进行合并，得到初步融合客流分布特征；
所述第二融合单元用于将所述初步融合客流分布特征与所述OD通道的客流量特征进行加权求和，得到最终的OD客流分布特征；
所述初步融合客流分布特征的计算公式为：
；
其中，表示初步融合客流分布特征；/>表示交通区域i的D通道的客流量特征；表示交通区域i的O通道的客流量特征；concat表示拼接操作；
所述OD客流分布特征的计算公式为：
；
其中，表示OD客流分布特征；/>表示OD通道的客流量特征；/>表示OD通道下对应客流量的权重值分布比例；/>表示O通道和D通道下对应客流量的权重值分布比例。
2.根据权利要求1所述的基于多通道超图卷积网络的交通OD客流预测方法，其特征在于，所述多通道超图卷积网络模型在训练过程中采用均方根范数作为损失函数。
3.根据权利要求2所述的基于多通道超图卷积网络的交通OD客流预测方法，其特征在于，所述损失函数的计算公式为：
；
其中，Loss表示损失函数；T表示全体时间序列；表示t时刻从交通区域i到交通区域j的OD的客流量预测值；/>表示t时刻从交通区域i到交通区域j的OD的客流量真实值。
4.基于多通道超图卷积网络的交通OD客流预测系统，其特征在于，包括：
数据获取模块，用于获取交通区域在当前时段的客流量数据；所述客流量数据包括：离开O的流出客流量、到达D的流入客流量以及OD的客流量真实值；其中，O表示起始地；D表示目的地；OD表示起讫对；
客流矩阵提取模块，用于从当前时段的客流量数据中提取当前时段O通道、D通道和OD通道下的客流分布矩阵；
超图集合构建模块，用于根据当前时段O通道、D通道和OD通道下的客流分布矩阵构建当前时段的超图集合；所述超图集合包括：O通道的邻域超图、D通道的邻域超图、OD通道下的邻域超图以及OD通道下的语义超图；
客流量预测模块，用于将当前时段的超图集合输入交通OD客流预测模型中，得到交通区域在未来时段OD的客流量预测值；
其中，所述交通OD客流预测模型是采用训练数据对多通道超图卷积网络模型训练得到的；所述多通道超图卷积网络模型包括：依次连接的编码器、多通道特征融合模块和解码器；所述编码器和所述解码器均是基于超图卷积网络和门控循环单元构建的；
所述编码器用于根据超图集合提取O通道、D通道和OD通道的客流量特征；O通道的客流量特征表征O通道下流出客流的隐含时空近邻关系；D通道的客流量特征表征D通道下流入客流的隐含时空近邻关系；OD通道的客流量特征表征OD通道下OD客流的隐含时空近邻关系和隐含语义近邻关联关系；
所述多通道特征融合模块用于将O通道、D通道和OD通道的客流量特征进行融合，得到OD客流分布特征；
所述解码器用于根据OD客流分布特征得到OD的客流量预测值；
所述编码器包括：并列的流入通道特征提取模块、流出通道特征提取模块和OD通道特征提取模块；所述流入通道特征提取模块和所述流出通道特征提取模块均包括多个时空超图卷积模块；所述OD通道特征提取模块包括多个时空OD卷积模块；
所述时空超图卷积模块的计算公式为：
；
其中，表示时空超图卷积模块t时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征，是时空超图卷积模块的输出值；/>为时空超图卷积模块t-1时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征；当t=1时，/>表示时空超图卷积模块初始时刻在通道channel输出的表达隐含空间局部关联关系的客流量特征；/>是根据通道channel的邻域超图确定的；通道channel取值为O或者D；当时，/>，/>表示时空超图卷积模块t时刻在O通道输出的表达隐含空间局部关联关系的流出客流量特征；当/>时，/>，/>表示时空超图卷积模块t时刻在D通道输出的表达隐含空间局部关联关系的流入客流量特征；/>为门控循环单元的更新门；/>表示门控循环单元的候选值；/>表示哈马达乘积；
所述时空OD卷积模块包括：依次连接的二维超图卷积网络、超图卷积网络和门控循环单元；所述二维超图卷积网络用于对由OD通道下的邻域超图和语义超图建立的客流分布矩阵进行超图卷积操作，得到二维OD客流分布矩阵；所述超图卷积网络用于将所述二维OD客流分布矩阵经过格式转化后，得到一维数据；所述门控循环单元用于提取所述一维数据的时序特征，作为OD通道的客流量特征；
所述二维超图卷积网络的计算公式为：
；
其中，表示二维OD客流分布矩阵；/>表示由OD通道下的邻域超图和语义超图建立的客流分布矩阵；/>表示激活函数；/>表示通道O下的客流分布矩阵经超图拉普拉斯变换后的矩阵；/>表示通道D下的客流分布矩阵经超图拉普拉斯变换后的矩阵；N表示交通区域的总数；/>表示交通区域i对应的切比雪夫多项式；/>表示交通区域j对应的切比雪夫多项式；Θ表示可学习的卷积核；b表示可学习的偏置参数；
所述多通道特征融合模块包括：第一融合单元和第二融合单元；
所述第一融合单元用于将O通道的客流量特征和D通道的客流量特征进行合并，得到初步融合客流分布特征；
所述第二融合单元用于将所述初步融合客流分布特征与所述OD通道的客流量特征进行加权求和，得到最终的OD客流分布特征；
所述初步融合客流分布特征的计算公式为：
；
其中，表示初步融合客流分布特征；/>表示交通区域i的D通道的客流量特征；表示交通区域i的O通道的客流量特征；concat表示拼接操作；
所述OD客流分布特征的计算公式为：
；
其中，表示OD客流分布特征；/>表示OD通道的客流量特征；/>OD通道下对应客流量的权重值分布比例；/>表示O通道和D通道下对应客流量的权重值分布比例。
CN202311797056.XA 2023-12-26 2023-12-26 基于多通道超图卷积网络的交通od客流预测方法及系统 Active CN117475638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311797056.XA CN117475638B (zh) 2023-12-26 2023-12-26 基于多通道超图卷积网络的交通od客流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311797056.XA CN117475638B (zh) 2023-12-26 2023-12-26 基于多通道超图卷积网络的交通od客流预测方法及系统

Publications (2)

Publication Number Publication Date
CN117475638A CN117475638A (zh) 2024-01-30
CN117475638B true CN117475638B (zh) 2024-03-08

Family

ID=89633310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311797056.XA Active CN117475638B (zh) 2023-12-26 2023-12-26 基于多通道超图卷积网络的交通od客流预测方法及系统

Country Status (1)

Country Link
CN (1) CN117475638B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860951A (zh) * 2020-06-12 2020-10-30 北京工业大学 一种基于动态超图卷积网络的轨道交通客流预测方法
CN114611798A (zh) * 2022-03-06 2022-06-10 北京工业大学 一种基于动态超图卷积神经网络的od客流预测方法
CN115423189A (zh) * 2022-09-02 2022-12-02 重庆大学 一种结合注意力机制的自适应图卷积循环神经网络的轨道交通客流预测模型及方法
CN115565369A (zh) * 2022-09-20 2023-01-03 北京工商大学 一种基于超图的时空超图卷积交通流量预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781609B (zh) * 2022-04-19 2023-04-25 华东交通大学 一种基于多模式动态残差图卷积网络的交通流预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860951A (zh) * 2020-06-12 2020-10-30 北京工业大学 一种基于动态超图卷积网络的轨道交通客流预测方法
CN114611798A (zh) * 2022-03-06 2022-06-10 北京工业大学 一种基于动态超图卷积神经网络的od客流预测方法
CN115423189A (zh) * 2022-09-02 2022-12-02 重庆大学 一种结合注意力机制的自适应图卷积循环神经网络的轨道交通客流预测模型及方法
CN115565369A (zh) * 2022-09-20 2023-01-03 北京工商大学 一种基于超图的时空超图卷积交通流量预测方法及系统

Also Published As

Publication number Publication date
CN117475638A (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
Tekouabou et al. Improving parking availability prediction in smart cities with IoT and ensemble-based model
CN109887282B (zh) 一种基于层级时序图卷积网络的路网交通流预测方法
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
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN113268916A (zh) 一种基于时空图卷积网络的交通事故预测方法
CN115578852B (zh) 一种基于dstgcn的交通预测方法
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
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
WO2022142418A1 (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
Deng et al. The pulse of urban transport: Exploring the co-evolving pattern for spatio-temporal forecasting
Jin et al. HetGAT: a heterogeneous graph attention network for freeway traffic speed prediction
Chen et al. Pedestrian behavior prediction model with a convolutional LSTM encoder–decoder
CN116052427A (zh) 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN116311939A (zh) 基于动态时空相关性的od需求预测方法及系统
Xiong et al. DCAST: a spatiotemporal model with DenseNet and GRU based on attention mechanism
CN117475638B (zh) 基于多通道超图卷积网络的交通od客流预测方法及系统
Zhang et al. Off-deployment traffic estimation—a traffic generative adversarial networks approach
Vankdoth et al. Deep intelligent transportation system for travel time estimation on spatio-temporal data
CN114781696B (zh) 一种面向城市路网的无模型事故影响范围预测方法
CN115938112A (zh) 交通需求预测方法、系统、电子设备及计算机存储介质
CN114372627B (zh) 基于混合深度学习框架的城市车辆旅行时间估计方法
CN116227668A (zh) 基于注意力机制的城市轨道交通多步短时客流预测方法
He et al. Dyna-PTM: OD-enhanced GCN for metro passenger flow prediction
Chen et al. Traffic flow prediction based on cooperative vehicle infrastructure for cloud control platform

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

Application publication date: 20240130

Assignee: Beijing Changzhida Technology Co.,Ltd.

Assignor: Beijing University of Civil Engineering and Architecture

Contract record no.: X2024980006214

Denomination of invention: A Traffic OD Passenger Flow Prediction Method and System Based on Multi channel Hypergraph Convolutional Network

Granted publication date: 20240308

License type: Common License

Record date: 20240524

EE01 Entry into force of recordation of patent licensing contract