CN117829375B - 城际往返客运的多区域需求预测方法、装置、设备和介质 - Google Patents
城际往返客运的多区域需求预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117829375B CN117829375B CN202410229563.1A CN202410229563A CN117829375B CN 117829375 B CN117829375 B CN 117829375B CN 202410229563 A CN202410229563 A CN 202410229563A CN 117829375 B CN117829375 B CN 117829375B
- Authority
- CN
- China
- Prior art keywords
- city
- demand
- street level
- inter
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 95
- 238000010586 diagram Methods 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims abstract description 64
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 22
- 230000014509 gene expression Effects 0.000 claims description 21
- 238000013136 deep learning model Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims 1
- 230000001788 irregular Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的城际往返客运的多区域需求预测方法、装置、设备及介质,通过获取需求城市的区域关系矩阵图、往返两城市的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列,计算获得城市内图特征、城际间图特征、当前时间步长的隐藏状态以及每个区域自身的时间特征向量,形成需求城市当前时间片段的输入,送入需求预测模型中,从而获得需求预测值。本发明通过提前预测往返城市的出行需求,使得相关运输机构能够灵活地预配置或重定位车辆,以满足潜在乘客的需求,从而提高车辆的利用率,预测精度高且速度快,解决了城市内和城际间街道级多区域的复杂时空依赖性。
Description
技术领域
本发明涉及城际客运规划技术领域,具体而言,涉及一种城际往返客运的多区域需求预测方法、装置、设备和介质。
背景技术
目前,城际客运拼车正在逐渐兴起,它通过网约车辆对每一位拼车乘客进行门对门服务,缓解了坐短途高铁的不便和打的城际出行的费用贵的问题。按照街道级行政区域划分的城际出行需求预测对提高城际交通系统的运营效率具有重要作用。准确的需求预测是实现城际出行供需平衡的基础。城际拼车平台通过提前预测出行需求,能够灵活地预配置或重定位车辆,以满足潜在乘客的需求,从而提高车辆利用率。
基于历史需求来预测未来两个城市每个街道级区域的需求,以解决城际往返客运的街道级多区域需求预测问题。该问题面临的挑战主要在于城市内和城际间区域复杂的时空依赖性:
在空间依赖性方面,城际多区域预测不仅涉及城市内相邻区域和非相邻区域的出行需求相互影响,还包括另一个城市区域的出行需求相互影响;
在时间依赖性方面,城际多区域预测不仅与各自城市内的历史需求趋势和周期等相关联,还会随时间变化的另一城市到达各自城市的历史需求相关联。
目前,现有的多区域需求预测模型基本集中在单一城市内或采用规则网格划分区域,但现实生活中的行政区域多是不规则的网格,因此对城际间往返客运的街道级不规则多区域需求预测暂未有较好的解决方案。
有鉴于此,申请人在研究了现有的技术后特提出本申请。
发明内容
本发明旨在提供一种城际往返客运的多区域需求预测方法、装置、设备和介质,通过该方法提前预测出行需求,能够灵活地预配置或重定位车辆,以满足潜在乘客的需求,从而提高车辆利用率,满足现实生活中城市街道不规则网格区域的乘客需求预测。
为解决上述技术问题,本发明通过以下技术方案实现:
一种城际往返客运的多区域需求预测方法,其包含:
S1,获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列,其中所述需求城市是往返两城市中的一个;
S2,根据需求城市时间片段内的历史需求特征,建立需求城市多区域的邻接矩阵图,并采用图注意力网络深度学习模型,学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重,得到归一化后的城市内注意力权重,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得需求城市新节点特征,从而得到需求城市内图特征;
S3,根据往返两城市时间片段内的历史需求特征,建立城际间多区域的全连接矩阵图,并采用图注意力网络深度学习模型,学习城际间各区域节点两两之间的关系权重,得到归一化后的城际间注意力权重,根据所述城际间注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得城际间新节点特征,从而得到城际间图特征;
S4,将所述需求城市内图特征和所述城际间图特征进行拼接,以矩阵块的形式作为门控循环单元的输入,同时引入注意力机制,学习和捕捉时空序列的变化规律,获得需求城市各区域在当前时间步长的隐藏状态;
S5,将所述需求城市所有区域的特征向量和所述需求城市的时间信息特征序列进行两层非线性变换,采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息,同时采用层归一化函数对每一层的输出进行标准化,使得每层的输出均值为零、方差为一,获得需求城市每个区域自身的时间特征向量;
S6,将所述需求城市各区域在当前时间步长的隐藏状态和所述需求城市每个区域自身的时间特征向量进行非线性变换,输出需求城市各区域下一时间步的需求总人数,将所述需求城市各区域下一时间步的需求总人数送入多区域需求预测模型中,同时通过构建固定时间步的数据集,将需求城市的区域关系矩阵图、往返两城市的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列作为多区域需求预测模型的输入,对多区域需求预测模型参数进行学习训练与优化,得到训练好的多区域需求预测模型,以根据所述训练好的多区域需求预测模型对城际往返客运的多区域需求进行预测。
优选地,定义城市A和城市B分别代表往返出行的两个城市,城市A为需求城市,则在所述S1中:
需求城市A的区域关系矩阵图表达式为:
其中,表示城市A所有街道级区域的节点集合,城市A的节点总数为/>,是城市A节点的边集合,/>是城市A的相邻矩阵,表示城市A内各区域之间的空间相关性,/>是城际间的相关矩阵图,表示城市A与往返城市B各区域之间的空间相关性,其中/>表示仅包含0和1的二维矩阵,0表示对应行和列的两个区域不相邻,1表示对应行和列的两个区域相邻;
则城市A时间片段内的所有街道级区域的历史需求特征,即城市A时间片段内的历史需求特征,表达式为:
表示城市A在第/>个时间片段内所有街道级区域的历史需求特征,其中/>,/>表示城市A的街道级区域/>表示城市A在第/>个时间片段内区域/>的历史需求序列;
,表示城市A的时片段需求,由预测时间片段内的已预约需求与过去3小时内的需求组成;
,表示城市A的日片段需求,由过去3天同一预测时间片段/>的需求组成;
,表示城市A的周片段需求,由过去3周同一预测时间片段/>的需求组成;
表示区域/>在第/>个时间片段内的需求总人数,/>表示每个时间片段的间隔;
则城市B时间片段内的所有街道级区域的历史需求特征,即城市B时间片段内的历史需求特征,表达式为:
其中,表示城市B在第/>个时间片段内所有街道级区域的历史需求特征,/>,/>表示城市B的街道级区域,/>表示城市B所有街道级区域的节点集合;
其中,,表示城市B的周片段需求,由过去3周的累计需求总人数组成,/>表示城市B的区域/>第/>个时间片段到第/>个时间片段为止的累计需求总人数;
则城市A所有区域的特征向量表达式为:
其中,,表示区域/>的特征向量,/>为餐饮服务数量,/>为购物服务数量,/>为生活服务数量,/>为政府机构数量,/>为教育培训数量,/>为公司企业数量;
则城市A在第个时间片段的时间信息特征序列表示为:
,
其中,为小时类别,平峰值为0,高峰值为1;/>为星期类别,星期一至星期日分别值为0到6;/>是节假日类别,节假日开始的前一天法定工作日值为0,节假日值为1,节假日结束的后一天法定工作日值为2,其它法定工作日值为3;/>为天气类别,非雨雪天值0,雨雪天值为1。
优选地,所述S2具体为:
S21,根据城市A时间片段内的历史需求特征,对每个节点特征,即城市A的每个区域,进行线性变换,建立城市A的邻接矩阵图;
S22,采用图注意力网络学习城市A的每个节点与相邻节点之间的关联权重,对城市A的每个节点进行注意力操作,得到城市A的不同相邻节点的注意力数值;
S23,将城市A的不同相邻节点的注意力数值进行归一化,得到城市A归一化后的城市内注意力权重,并将所述城市内注意力权重分配给相邻节点,所述城市内注意力权重表达式为:
其中,表示在第/>个时间片段内,/>为属于区域/>的所有相邻区域,/>为城市A区域/>在第/>个时间片段内的历史需求序列,即节点特征,/>为区域/>在第/>个时间片段内的节点特征,/>是拼接操作,/>为待学习的权重矩阵,/>为待学习的权重向量的转置,为激活函数,/>是以自然常数为底数的指数运算;
S24,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,更新当前节点的表示,获得城市A的城市内图特征,则所述城市A的城市内图特征的计算表达式如下:
其中,为区域/>捕获的城市内新节点特征,/>为激活函数,/>为待学习的权重矩阵,/>为城市A的各区域捕获城市内空间相关性后的城市内图特征。
优选地,所述S3具体为:
S31,根据所述城市A时间片段内的历史需求特征与城市B时间片段内的历史需求特征,对两城市的节点特征进行线性变换,然后对每个节点进行注意力操作,得到不同相关节点的注意力数值;
S32,将不同相关节点的注意力数值归一化,得到归一化后的城际间注意力权重,并将归一化后的城际间注意力权重分配给城市B的节点,得到城际空间相关性的新节点特征;
其中,为归一化后的注意力权重,/>为城市B区域/>的节点特征,/>为待学习的权重矩阵,/>为待学习的权重向量的转置;
S33,根据所述城际间注意力权重对城市B的节点特征进行加权线性和,更新当前节点的表示,获得城市A的城际间图特征,则城市A的城际间图特征计算表达式如下:
其中,为区域/>捕获城际空间相关性的新节点特征,/>为待学习的权重矩阵,为城市A的各区域捕获城际空间相关性后的城际间图特征。
优选地,所述S4具体为:
S41,将所述城市内图特征和所述城际间图特征/>进行拼接,得到各区域拼接后的节点特征/>,计算公式如下:
;
S42,将各区域拼接后的节点特征以矩阵块的形式,作为门控循环单元的输入,其中门控循环单元有两个,分别为重置门和更新门,重置门用于控制是否将过去的信息纳入当前状态的计算中,更新门用于控制过去状态和当前输入之间的权重,计算公式如下;
其中,为重置门的输出,/>为更新门的输出,/>为门控循环单元的最终输出,为各区域在上一时间步长的隐藏状态,/>为重置门待学习的权重矩阵,/>为重置门待学习的权重偏置,/>为更新门待学习的权重矩阵,/>为更新门待学习的权重偏置,/>为门控循环单元最终输出的待学习的权重矩阵,/>为门控循环单元最终输出的待学习的权重偏置;
S43,引入注意力机制,对每一时间步都计算注意力权重,将计算得到的权重直接用于加权需求城市各区域在当前时间步长的隐藏状态,计算公式如下:
为归一化后的注意力权重,/>为归一化函数,/>为激活函数,为注意力机制待学习的权重矩阵,/>为注意力机制待学习的权重偏置;
为各区域在注意力加权后的隐藏状态,/>为门空循环单元的最终输出,/>为矩阵点乘运算,/>为需求城市各区域在当前时间步长的隐藏状态。
优选地,所述S5具体为:
S51,将需求城市所有区域的特征向量和时间信息特征序列/>进行两层非线性变换,分别获得第一层非线性变换的输出/>与第二层非线性变换的输出/>,计算公式如下:
其中,为激活函数,/>表示在第/>个时间片段内,/>为城市A所有区域的特征向量,/>是一个大小为城市A区域总数/>的一维全一向量的转置,/>为第一层非线性变换的待学习的权重矩阵,/>为第一层非线性变换的待学习的权重偏置,/>为第二层非线性变换的待学习的权重矩阵,/>为第二层非线性变换的待学习的权重偏置;
S52,采用门控机制层对非线性变换的输出进行选择性地过滤和传递信息,获得门控机制层的输出,计算公式如下:
其中,为门控机制层的待学习的权重矩阵,/>为门控机制层的待学习的权重偏置;
S53,标准化每一层的输出,使得每层的输出均值为零、方差为一,减小内部协变量偏移,获得需求城市每个区域自身的时间特征向量,计算公式如下:
其中,是层归一化函数。
优选地,所述S6具体为:
S61,将需求城市各区域在当前时间步的隐藏状态和时间特征向量进行非线性变换,输出需求城市各区域下一时间步的需求总人数,计算公式如下:
其中为城市A的各区域在第/>个时间片段内的需求总人数,/>为各区域在当前时间步的隐藏状态,/>为每个区域在下一时间步的时间特征向量,/>为线性变化的待学习的权重矩阵,/>为线性变化的待学习的权重偏置;
S62,构建固定时间步的数据集,设固定时间步长为,则,表示城市A的固定时间步长内所有街道级区域的历史需求特征;
,表示城市B的固定时间步长内所有街道级区域的历史需求特征,作为多区域需求预测模型的输入,进行模型参数的学习训练和不断优化,得到训练完成的多区域需求预测模型,则城市A的各区域在第/>个时间片段内的需求总人数/>采用多区域需求预测模型的表达式为:
其中,为城际往返客运的多区域需求预测模型。
本发明还提供了一种城际往返客运的多区域需求预测装置,包括:
输入获取模块,用于获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征需求城市所有区域的特征向量以及需求城市的时间信息特征序列,其中所述需求城市是往返两城市中的一个;
城市内图特征模块,用于获得需求城市内图特征,根据需求城市时间片段内的历史需求特征,建立需求城市多区域的邻接矩阵图,并采用图注意力网络深度学习模型,学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重,得到归一化后的城市内注意力权重,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得需求城市新节点特征,从而得到需求城市内图特征;
城际间图特征模块,用于获得城际间图特征,根据往返两城市时间片段内的历史需求特征,建立城际间多区域的全连接矩阵图,并采用图注意力网络深度学习模型,学习城际间各区域节点两两之间的关系权重,得到归一化后的城际间注意力权重,根据所述城际间注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得城际间新节点特征,从而得到城际间图特征;
时间序列预测模块,用于获得需求城市各区域在当前时间步长的隐藏状态,将所述需求城市内图特征和所述城际间图特征进行拼接,以矩阵块的形式作为门控循环单元的输入,同时引入注意力机制,学习和捕捉时空序列的变化规律,获得需求城市各区域在当前时间步长的隐藏状态;
区域时间信息特征模块,用于获得需求城市每个区域自身的时间特征向量,将所述需求城市所有区域的特征向量和需求城市的时间信息特征序列进行两层非线性变换,采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息,同时采用层归一化函数对每一层的输出进行标准化,使得每层的输出均值为零、方差为一,获得需求城市每个区域自身的时间特征向量;
模型训练优化模块,用于对模型进行训练优化,将所述需求城市各区域在当前时间步长的隐藏状态和所述需求城市每个区域自身的时间特征向量进行非线性变换,输出需求城市各区域下一时间步的需求总人数,将所述需求城市各区域下一时间步的需求总人数送入多区域需求预测模型中,同时通过构建固定时间步的数据集,将需求城市的区域关系矩阵图、往返两城市的历史需求特征、需求城市的特征向量、需求城市的时间信息特征序列作为多区域需求预测模型的输入,对多区域需求预测模型参数进行学习训练与优化,得到训练好的多区域需求预测模型,以根据所述训练好的多区域需求预测模型对多区域的城际往返客运的需求进行预测。
本发明还提供了一种城际往返客运的多区域需求预测设备,包括处理器以及存储器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如上所述的一种城际往返客运的多区域需求预测方法。
本发明还提供了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有计算机可读指令,所述计算机可读指令被所述计算机可读存储介质所在设备的处理器执行时实现如上所述的一种城际往返客运的多区域需求预测方法。
综上所述,与现有技术相比,本发明具有如下有益效果:
本发明提供的城际往返客运的多区域需求预测方法是基于历史需求序列来预测未来两个城市每个街道级区域的需求人数预测,通过提前预测两城市的出行需求,相关运输机构能够灵活地预配置或重定位车辆,以满足潜在乘客的需求,从而提高车辆的利用率。本发明预测精度高,而且速度快,解决了城市内和城际间区域的复杂时空依赖性,对城际往返客运的街道级多区域需求预测提供了很好的解决方案,满足了现实生活中不规则网格区域的乘客需求预测。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例一提供的一种城际往返客运的多区域需求预测方法的流程图。
图2为本发明实施例一提供的一种城际往返客运的多区域需求预测方法的结构图。
图3为本发明实施例一提供的城市A所有区域的真实请求数与预测请求数对比波形图。
图4为本发明实施例一提供的城市B所有区域的真实请求数与预测请求数对比波形图。
图5本发明实施例二提供的一种城际往返客运的多区域需求预测装置的结构示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
实施例一
如图1和图2所示,本发明实施例一提供了一种城际往返客运的多区域需求预测方法,其可以由一种城际往返客运的多区域需求预测设备(以下简称预测设备)来实现,可以理解的是,所述在多区域需求预测设备可以是便携笔记本计算机、台式机计算机、服务器、智能手机或者平板电脑等具有计算性能的电子设备。特别地,由在多区域需求预测设备中的一个或多个处理器来执行,以实现步骤S1至步骤S6:
S1,获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征需求城市所有区域的特征向量以及需求城市的时间信息特征序列,其中所述需求城市是往返两城市中的一个;
具体地,定义城市A和城市B分别代表往返出行的两个城市,城市A为需求城市;
首先,获取返往两城市的区域关系矩阵图,则需求城市A的区域关系矩阵图表达式为:
,
其中,表示城市A所有街道级区域的节点集合,城市A的节点总数为/>,是城市A节点的边集合,/>是城市A的相邻矩阵,表示城市A内各区域之间的空间相关性,/>是城际间的相关矩阵图,表示城市A与往返城市B各区域之间的空间相关性,其中/>表示仅包含0和1的二维矩阵,0表示对应行和列的两个区域不相邻,1表示对应行和列的两个区域相邻;
则城市B的区域关系矩阵图表达式为:
,
其中,表示城市B所有街道级区域的节点集合,城市B节点总数为/>,是城市B节点的边集合,/>是城市B的相邻矩阵;/>是城际间的相关矩阵图,表示城市B与往返城市A各区域之间的空间相关性;
其次,获取返往两城市的所有街道级区域固定时间步的历史需求特征,则城市A时间片段内的所有街道级区域固定时间步的历史需求特征,即城市A时间片段内的历史需求特征,表达式为:
表示城市A在第/>个时间片段内所有街道级区域的历史需求特征,其中/>,/>表示城市A的街道级区域/>表示城市A区域/>的历史需求序列;
,表示城市A的时片段需求,由预测时间片段内的已预约需求与过去3小时内的需求组成;
,表示城市A的日片段需求,由过去3天同一预测时间片段/>的需求组成;
,表示城市A的周片段需求,由过去3周同一预测时间片段/>的需求组成;
表示区域/>在第/>个时间片段内的需求总人数,/>表示每个时间片段的间隔;
则城市B时间片段内的所有街道级区域的历史需求特征,即城市B时间片段内的历史需求特征,表达式为:
其中,表示城市B在第/>个时间片段内所有街道级区域的历史需求特征,/>,/>表示城市B的街道级区域;
,表示城市B的周片段需求,由过去3周的累计需求总人数组成,/>表示城市B的区域/>第/>个时间片段到第/>个时间片段为止的累计需求总人数;
然后,获取需求城市所有区域的特征向量,则城市A所有区域的特征向量表达式为:
其中,,表示区域/>的特征向量,/>为餐饮服务数量,/>为购物服务数量,/>为生活服务数量,/>为政府机构数量,/>为教育培训数量,/>为公司企业数量;
最后,获取需求城市的时间信息特征序列,则城市A在第个时间片段的时间信息特征序列表示为:
,
其中,为小时类别,平峰值为0,高峰值为1;/>为星期类别,星期一至星期日分别值为0到6;/>是节假日类别,节假日开始的前一天法定工作日值为0,节假日值为1,节假日结束的后一天法定工作日值为2,其它法定工作日值为3;/>为天气类别,非雨雪天值0,雨雪天值为1。
S2,根据需求城市时间片段内的历史需求特征,建立需求城市多区域的邻接矩阵图,并采用图注意力网络深度学习模型,学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重,得到归一化后的城市内注意力权重,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得需求城市新节点特征,从而得到需求城市内图特征;
在本实施例中,分别以各自城市内各街道级区域的空间相邻关系为基础,通过建立各自城市内多区域的邻接矩阵图来捕捉各区域之间的空间关联。
在本实施例中,图注意力网络深度学习模型是一种能够学习节点之间的关系并赋予它们不同权重的深度学习模型。通过训练图注意力网络深度学习模型,可以使得每个节点能够更准确地融合其邻近区域的信息。对于每个节点(即每个区域),图注意力网络会计算其与邻居节点之间的关联权重。这些权重反映了该节点与其邻居节点之间的关联程度。然后,可以使用这些权重来融合邻近区域的信息,以便更好地表示该节点的特征。
具体地,根据城市A时间片段内的历史需求特征,对每个节点特征,即每个区域,进行线性变换,建立城市A的邻接矩阵图;
然后,采用图注意力网络学习城市A的每个节点与相邻节点之间的关联权重,对城市A的每个节点进行注意力操作,得到城市A的不同相邻节点的注意力数值;
将城市A的不同相邻节点的注意力数值进行归一化,得到城市A归一化后的城市内注意力权重,并将其分配给相邻节点,城市A归一化后的城市内注意力权重表达式为:/>
其中,表示在第/>个时间片段内,/>为属于区域/>的所有相邻区域,/>为城市A区域/>的历史需求序列,即节点特征,/>为区域/>的节点特征,/>是拼接操作,/>为待学习的权重矩阵,/>为待学习的权重向量的转置,/>为激活函数,/>是以自然常数为底数的指数运算;
根据城市A归一化后的城市内注意力权重对相邻节点的特征进行加权线性和,更新当前节点的表示,获得城市A的城市内图特征,则所述城市A的城市内图特征的计算表达式如下:
其中,为区域/>捕获的城市内新节点特征,/>为激活函数,/>为待学习的权重矩阵,/>为城市A的各区域捕获城内空间相关性后的城市内图特征。
S3,根据往返两城市时间片段内的历史需求特征,建立城际间多区域的全连接矩阵图,并采用图注意力网络深度学习模型,学习城际间各区域节点两两之间的关系权重,得到归一化后的城际间注意力权重,根据所述城际间注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得城际间新节点特征,从而得到城际间图特征;
具体的,首先根据所述城市A的历史需求特征与城市B的历史需求特征,对两城市的节点特征进行线性变换,然后对每个节点进行注意力操作,得到不同相关节点的注意力数值;
接着,将所述注意力数值归一化,得到归一化后的城际间注意力权重,并将其分配给城市B的节点,得到城际空间相关性的新节点特征;
其中,为归一化后的城际间注意力权重,/>为城市B区域/>的节点特征,/>是拼接操作,/>为待学习的权重矩阵,/>为待学习的权重向量的转置;
最后,根据城际间注意力权重对城市B的节点特征进行加权线性和,更新当前节点的表示,获得城市A的城际间图特征,则城市A的城际间图特征的计算表达式如下:
/>
其中,为区域/>捕获城际空间相关性的新节点特征,/>为激活函数,/>为待学习的权重矩阵,/>为城市A的各区域捕获城际空间相关性后的城际间图特征。
S4,将所述需求城市内图特征和所述城际间图特征进行拼接,以矩阵块的形式作为门控循环单元的输入,同时引入注意力机制,学习和捕捉时空序列的变化规律,获得需求城市各区域在当前时间步长的隐藏状态;
首先,将所述城市内图特征和所述城际间图特征/>进行拼接,得到各区域拼接后的节点特征/>,计算公式如下:
;
接着,将各区域拼接后的节点特征以矩阵块的形式,作为门控循环单元的输入,其中门控循环单元有两个,分别为重置门和更新门,重置门用于控制是否将过去的信息纳入当前状态的计算中,更新门用于控制过去状态和当前输入之间的权重,计算公式如下;
其中,为重置门的输出,/>为更新门的输出,/>为门控循环单元的最终输出,为各区域在上一时间步长的隐藏状态,/>为重置门待学习的权重矩阵,/>为重置门待学习的权重偏置,/>为更新门待学习的权重矩阵,/>为更新门待学习的权重偏置,/>为门控循环单元最终输出的待学习的权重矩阵,/>为门控循环单元最终输出的待学习的权重偏置;
然后,引入注意力机制,对每一时间步都计算注意力权重,将计算得到的权重直接用于加权需求城市各区域在当前时间步长的隐藏状态,计算公式如下:
为归一化后的注意力权重,/>为归一化函数,/>为激活函数,为注意力机制待学习的权重矩阵,/>为注意力机制待学习的权重偏置;
为各区域在注意力加权后的隐藏状态,/>为门空循环单元的最终输出,/>为矩阵点乘运算,/>为需求城市各区域在当前时间步长的隐藏状态。
这样的结合使得模型在处理序列数据时能够更有效地捕捉长距离依赖关系,根据注意力机制调整关注度,提高了对重要信息的敏感性,从而增强了模型的表达能力。
S5,将所述需求城市所有区域的特征向量和所述需求城市的时间信息特征序列进行两层非线性变换,采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息,同时采用层归一化函数对每一层的输出进行标准化,使得每层的输出均值为零、方差为一,获得需求城市每个区域自身的时间特征向量;
具体地,以区域兴趣点数据的六个大类数量作为各区域的特征向量,同时将四类时间信息类别作为时间信息的特征向量。
首先,将需求城市所有区域的特征向量和时间信息特征序列/>进行两层非线性变换,分别获得第一层非线性变换的输出/>与第二层非线性变换的输出/>,计算公式如下:
其中,为激活函数,/>为城市A所有区域的特征向量,/>是一个大小为城市A区域总数/>的一维全一向量的转置,/>为第一层非线性变换的待学习的权重矩阵,为第一层非线性变换的待学习的权重偏置,/>为第二层非线性变换的待学习的权重矩阵,/>为第二层非线性变换的待学习的权重偏置;
然后,采用门控机制层对非线性变换的输出进行选择性地过滤和传递信息,获得门控机制层的输出,计算公式如下:
其中,为门控机制层的待学习的权重矩阵,/>为门控机制层的待学习的权重偏置;
S53,标准化每一层的输出,使得每层的输出均值为零、方差为一,减小内部协变量偏移,获得需求城市每个区域自身的时间特征向量,计算公式如下:
其中,是层归一化函数。
S6,将所述需求城市各区域在当前时间步长的隐藏状态和所述需求城市每个区域自身的时间特征向量进行非线性变换,输出需求城市各区域下一时间步的需求总人数,将所述需求城市各区域下一时间步的需求总人数送入多区域需求预测模型中,同时通过构建固定时间步的数据集,将需求城市的区域关系矩阵图、往返两城市的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列作为多区域需求预测模型的输入,对多区域需求预测模型参数进行学习训练与优化,得到训练好的多区域需求预测模型,以根据所述训练好的多区域需求预测模型对城际往返客运的多区域需求进行预测。
具体地,首先,将需求城市各区域在当前时间步的隐藏状态和时间特征向量进行非线性变换,通过网络层的计算和学习,输出需求城市各区域下一时间步的需求总人数,计算公式如下:
/>
其中为城市A的各区域在第/>个时间片段内的需求总人数,/>为需求城市各区域在当前时间步长的隐藏状态,/>为每个区域在下一时间步的时间特征向量,为线性变化的待学习的权重矩阵,/>为线性变化的待学习的权重偏置;
接着,构建固定时间步的数据集,设固定时间步长为,则,表示城市A的固定时间步长内所有街道级区域的历史需求特征;
,表示城市B的固定时间步长内所有街道级区域的历史需求特征,作为多区域需求预测模型的输入,进行模型参数的学习训练和不断优化,得到训练完成的多区域需求预测模型,则城市A的各区域在第/>个时间片段内的需求总人数采用多区域需求预测模型的预测表达式为:
其中为市A的各区域在第/>个时间片段内的需求总人数,,/>为城际往返客运的多区域需求预测模型,/>为城市A的区域图,为城市A固定时间步长内所有街道级区域的历史需求序列,/>为城市B固定时间步长内所有街道级区域历史的累计总需求序列,/>为城市A所有区域的特征向量,/>为第/>个时间片段的时间信息特征序列。
一旦多区域需求预测模型训练完成,可以根据训练好的多区域需求预测模型对城际往返客运的多区域需求进行预测,输入固定时间步长的新数据至该多区域需求预测模型中,实现对未来下一步时间片段需求人数的预测。
下面以一些实际的案例对本实施例进行进一步说明。
选取某公司的城际拼车订单历史数据作为研究对象,具体为2022年06月至10月期间,A城市与B城市往返的乘客拼车订单数据集,其中,乘客拼车订单数据包括预约上车时间、上车点经纬度、下车点经纬度和同行人数等。如表1所示,总结了该数据集的统计数据。
表1. 数据集的统计数据
选取6月1日至8月31日的数据划分为训练集进行模型训练,9月1日至9月30日的数据划分为验证集进行模型验证,10月1日至10月31日的数据划分为测试集进行模型测试。其中,模型参数设置如表2所示。
表2. 模型参数设置
如图3和图4所示,截取了时间10月1日至10月29日的城市A与往返城市B所有区域的真实乘客请求数与所有区域的预测乘客请求数,可以看出通过本发明方法得到的预测值与真实值之间的误差很小,预测准确率高。
本发明对比了一些典型的预测模型方法,例如:
(1)历史平均法(HA)是一种基本的时间序列模型,它用历史的平均值来预测旅行需求;
(2)自回归移动平均法(ARIMA)是一种传统的时间序列预测方法,它结合了自回归、差分和移动平均线这三种基本方法。
(3)极端梯度增强法(XGBoost)是一种功能强大的集成学习算法,通过结合多个弱学习者(通常是决策树)来构建一个更强大的模型。
(4)多层感知器(MLP)是一种经典的前馈人工神经网络,它具有较强的自适应能力和自学习能力,能很好地解决非线性和高维问题。
(5)门控循环单元(GRU)是一种循环神经网络的变体,在序列建模中能够捕捉和管理序列数据中的长期依赖关系。
(6)长短期记忆(LSTM)是时间序列建模中常用的神经网络,通过引入记忆单元和门控机制,使其能够更好地处理长序列和捕捉长期依赖关系。
(7)时空图卷积网络(T-GCN)是一种用于处理时空数据的图卷积网络的变体,它使用GCN来捕获空间依赖性,并使用GRU来捕获时间依赖性。
通过计算上述方法与本发明的平均绝对误差MAE、均方根误差RMSE和平均绝对百分比MAPE来比较本发明模型方法的性能。其中,MAE、RMSE和MAPE的值越低,说明模型的预测精度越好,计算公式如下:
其中,和/>分别为真实值和对应的预测值,/>为样本的个数。一个比较小的真实值或者零值对MAPE值的影响很大,因此只对真实值大于10的样本计算MAPE值,比较结果如表3所示:
表3 .不同方法在预测效果上的表现
通过观察对比不同方法的MAE、RMSE和MAE,可以发现本发明提供的城际往返客运的多区域需求预测方法计算出的MAE、RMSE和MAE均低于其它典型的计算预测方法。
因此,本发明方案与现有技术相比,本发明具有如下有益效果:
本发明提供的城际往返客运的多区域需求预测方法是基于历史需求序列来预测未来两个城市每个街道级区域的需求人数预测,通过提前预测两城市的出行需求,相关运输机构能够灵活地预配置或重定位车辆,以满足潜在乘客的需求,从而提高车辆的利用率。本发明预测精度高,而且速度快,解决了城市内和城际间区域的复杂时空依赖性,对城际往返客运的街道级多区域需求预测提供了很好的解决方案,满足现实生活中不规则网格区域的乘客需求预测。
实施例二
如图5所示,本发明实施例还提供了一种城际往返客运的多区域需求预测装置,包括:
输入获取模块,用于获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列,其中所述需求城市是往返两城市中的一个;
城市内图特征模块,用于获得需求城市内图特征,根据需求城市时间片段内的历史需求特征,建立需求城市多区域的邻接矩阵图,并采用图注意力网络深度学习模型,学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重,得到归一化后的城市内注意力权重,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得需求城市新节点特征,从而得到需求城市内图特征;
城际间图特征模块,用于获得城际间图特征,根据往返两城市时间片段内的历史需求特征,建立城际间多区域的全连接矩阵图,并采用图注意力网络深度学习模型,学习城际间各区域节点两两之间的关系权重,得到归一化后的城际间注意力权重,根据所述城际间注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得城际间新节点特征,从而得到城际间图特征;
时间序列预测模块,用于获得需求城市各区域在当前时间步长的隐藏状态,将所述需求城市内图特征和所述城际间图特征进行拼接,以矩阵块的形式作为门控循环单元的输入,同时引入注意力机制,学习和捕捉时空序列的变化规律,获得需求城市各区域在当前时间步长的隐藏状态;
区域时间信息特征模块,用于获得需求城市每个区域自身的时间特征向量,将所述需求城市所有区域的特征向量和需求城市的时间信息特征序列进行两层非线性变换,采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息,同时采用层归一化函数对每一层的输出进行标准化,使得每层的输出均值为零、方差为一,获得需求城市每个区域自身的时间特征向量;
模型训练优化模块,用于对模型进行训练优化,将所述需求城市各区域在当前时间步长的隐藏状态和所述需求城市每个区域自身的时间特征向量进行非线性变换,输出需求城市各区域下一时间步的需求总人数,将所述需求城市各区域下一时间步的需求总人数送入多区域需求预测模型中,同时通过构建固定时间步的数据集,将需求城市的区域关系矩阵图、往返两城市的历史需求特征、需求城市的特征向量、需求城市的时间信息特征序列作为多区域需求预测模型的输入,对多区域需求预测模型参数进行学习训练与优化,得到训练好的多区域需求预测模型,以根据所述训练好的多区域需求预测模型对多区域的城际往返客运的需求进行预测。
实施例三
本发明第三实施例还提供了一种城际往返客运的多区域需求预测设备,其包括处理器以及存储器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如上所述的一种城际往返客运的多区域需求预测方法。
实施例四
本发明第四实施例还提供了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有计算机可读指令,所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如上所述的一种城际往返客运的多区域需求预测方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
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,电子设备,或者网络设备等)执行本发明各个实施例所述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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
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 (9)
1.一种城际往返客运的多区域需求预测方法,其特征在于,包括以下步骤:
S1,获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征、需求城市所有街道级区域的特征向量以及需求城市的时间信息特征序列,定义城市A和城市B分别代表往返出行的两个城市,城市A为需求城市,则:
需求城市A的区域关系矩阵图表达式为:
其中,表示城市A所有街道级区域的节点集合,城市A的节点总数为/>,/>是城市A节点的边集合,/>是城市A的相邻矩阵,表示城市A内各街道级区域之间的空间相关性,/>是城际间的相关矩阵图,表示城市A与往返城市B各街道级区域之间的空间相关性,其中/>表示仅包含0和1的二维矩阵,0表示对应行和列的两个区域不相邻,1表示对应行和列的两个区域相邻,/>表示城市B的节点总数;
则城市A时间片段内的所有街道级区域的历史需求特征,表达式为:
表示城市A在第/>个时间片段所有街道级区域的历史需求特征,其中/>,/>表示城市A的街道级区域,/>表示城市A的街道级区域/>在第/>个时间片段的历史需求序列;
,表示城市A的时片段需求,由预测时间片段内的已预约需求与过去3小时内的需求组成;
,表示城市A的日片段需求,由过去3天同一预测时间片段/>的需求组成;
,表示城市A的周片段需求,由过去3周同一预测时间片段/>的需求组成;
表示城市A的街道级区域/>在第/>个时间片段的需求总人数,/>表示每个时间片段的间隔;
则城市B时间片段内的所有街道级区域的历史需求特征,表达式为:
其中,表示城市B在第/>个时间片段所有街道级区域的历史需求特征,/>,/>表示城市B的街道级区域,/>表示城市B所有街道级区域的节点集合;
其中,,表示城市B的周片段需求,由过去3周的累计需求总人数组成,/>表示城市B的街道级区域/>在第/>个时间片段到第/>个时间片段为止的累计需求总人数;
则城市A所有街道级区域的特征向量表达式为:
其中,,表示城市A的街道级区域/>的特征向量,/>为餐饮服务数量,/>为购物服务数量,/>为生活服务数量,/>为政府机构数量,/>为教育培训数量,为公司企业数量;
则城市A在第个时间片段的时间信息特征序列表示为:
,
其中,为小时类别,平峰值为0,高峰值为1;/>为星期类别,星期一至星期日值分别为0到6;/>是节假日类别,节假日开始的前一天法定工作日值为0,节假日值为1,节假日结束的后一天法定工作日值为2,其它法定工作日值为3;/>为天气类别,非雨雪天值0,雨雪天值为1;
S2,根据需求城市时间片段内的所有街道级区域的历史需求特征,建立需求城市多区域的邻接矩阵图,并采用图注意力网络深度学习模型,学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重,得到归一化后的城市内注意力权重,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得需求城市新节点特征,从而得到需求城市内图特征;
S3,根据往返两城市时间片段内的所有街道级区域的历史需求特征,建立城际间多区域的全连接矩阵图,并采用图注意力网络深度学习模型,学习城际间各街道级区域节点两两之间的关系权重,得到归一化后的城际间注意力权重,根据所述城际间注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得城际间新节点特征,从而得到城际间图特征;
S4,将所述需求城市内图特征和所述城际间图特征进行拼接,以矩阵块的形式作为门控循环单元的输入,同时引入注意力机制,学习和捕捉时空序列的变化规律,获得需求城市各街道级区域在当前时间步长的隐藏状态;
S5,将所述需求城市所有街道级区域的特征向量和所述需求城市的时间信息特征序列进行两层非线性变换,采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息,同时采用层归一化函数对每一层的输出进行标准化,使得每层的输出均值为零、方差为一,获得需求城市每个街道级区域自身的时间特征向量;
S6,将所述需求城市各街道级区域在当前时间步长的隐藏状态和所述需求城市每个街道级区域自身的时间特征向量进行非线性变换,输出需求城市各街道级区域下一时间步的需求总人数,将所述需求城市各街道级区域下一时间步的需求总人数送入多区域需求预测模型中,同时通过构建固定时间步的数据集,将需求城市的区域关系矩阵图、往返两城市时间片段内的所有街道级区域的历史需求特征、需求城市所有街道级区域的特征向量以及需求城市的时间信息特征序列作为多区域需求预测模型的输入,对多区域需求预测模型参数进行学习训练与优化,得到训练好的多区域需求预测模型,以根据所述训练好的多区域需求预测模型对城际往返客运的多区域需求进行预测。
2.根据权利要求1所述的城际往返客运的多区域需求预测方法,其特征在于,所述S2具体包括:
S21,根据城市A时间片段内的所有街道级区域的历史需求特征,对每个节点特征,进行线性变换,建立城市A的邻接矩阵图;
S22,采用图注意力网络学习城市A的每个节点与相邻节点之间的关联权重,对城市A的每个节点进行注意力操作,得到城市A的不同相邻节点的注意力数值;
S23,将城市A的不同相邻节点的注意力数值进行归一化,得到城市A归一化后的城市内注意力权重,并将所述城市内注意力权重分配给相邻节点,所述城市内注意力权重表达式为:
其中,为属于城市A的街道级区域/>的所有相邻区域,/>为城市A的街道级区域/>在第/>个时间片段的历史需求序列,/>为城市A的街道级区域/>的相邻区域/>在第/>个时间片段的节点特征,/>是拼接操作,/>和/>为待学习的权重矩阵,/>为待学习的权重向量的转置,/>为激活函数,/>是以自然常数为底数的指数运算;
S24,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,更新当前节点的表示,获得城市A的城市内图特征,则所述城市A的城市内图特征的计算表达式如下:
其中,为城市A 的街道级区域/>捕获的城市内新节点特征,/>为激活函数,为待学习的权重矩阵,/>为城市A的各街道级区域捕获城市内空间相关性后的城市内图特征。
3.根据权利要求2所述的城际往返客运的多区域需求预测方法,其特征在于,所述S3具体包括:
S31,根据所述城市A时间片段内的所有街道级区域的历史需求特征与城市B时间片段内的所有街道级区域的历史需求特征,对两城市的节点特征进行线性变换,然后对每个节点进行注意力操作,得到不同相关节点的注意力数值;
S32,将不同相关节点的注意力数值归一化,得到归一化后的城际间注意力权重,并将归一化后的城际间注意力权重分配给城市B的节点,得到城际空间相关性的新节点特征;
其中,为归一化后的注意力权重,/>为城市B的街道级区域/>的节点特征,/>和/>为待学习的权重矩阵,/>为待学习的权重向量的转置;
S33,根据所述城际间注意力权重对城市B的节点特征进行加权线性和,更新当前节点的表示,获得城市A的城际间图特征,则城市A的城际间图特征计算表达式如下:
其中,为城市A 的街道级区域/>捕获城际空间相关性的新节点特征,/>为待学习的权重矩阵,/>为城市A的各街道级区域捕获城际空间相关性后的城际间图特征。
4.根据权利要求3所述的城际往返客运的多区域需求预测方法,其特征在于,所述S4具体包括:
S41,将所述城市内图特征和所述城际间图特征/>进行拼接,得到各街道级区域拼接后的节点特征/>,计算公式如下:
;
S42,将各街道级区域拼接后的节点特征以矩阵块的形式,作为门控循环单元的输入,其中门控循环单元有两个,分别为重置门和更新门,重置门用于控制是否将过去的信息纳入当前状态的计算中,更新门用于控制过去状态和当前输入之间的权重,计算公式如下;
其中,为重置门的输出,/>为更新门的输出,/>为门控循环单元的最终输出,/>为各街道级区域在上一时间步长的隐藏状态,/>和/>为重置门待学习的权重矩阵,/>为重置门待学习的权重偏置,/>和/>为更新门待学习的权重矩阵,/>为更新门待学习的权重偏置,/>和/>为门控循环单元最终输出的待学习的权重矩阵,/>为门控循环单元最终输出的待学习的权重偏置,/>为激活函数;
S43,引入注意力机制,对每一时间步都计算注意力权重,将计算得到的权重直接用于加权需求城市各街道级区域在当前时间步长的隐藏状态,计算公式如下:
为归一化后的注意力权重,/>为归一化函数,/>为激活函数,/>和为注意力机制待学习的权重矩阵,/>为注意力机制待学习的权重偏置;
为各街道级区域在注意力加权后的隐藏状态,/>为门控循环单元的最终输出,/>为矩阵点乘运算,/>为需求城市各街道级区域在当前时间步长的隐藏状态。
5.根据权利要求4所述的城际往返客运的多区域需求预测方法,其特征在于,所述S5具体包括:
S51,将需求城市所有街道级区域的特征向量和时间信息特征序列/>进行两层非线性变换,分别获得第一层非线性变换的输出/>与第二层非线性变换的输出/>,计算公式如下:
其中,为激活函数,/>为城市A所有街道级区域的特征向量,/>是一个大小为城市A的节点总数/>的一维全一向量的转置,/>和/>为第一层非线性变换的待学习的权重矩阵,/>为第一层非线性变换的待学习的权重偏置,/>为第二层非线性变换的待学习的权重矩阵,/>为第二层非线性变换的待学习的权重偏置;
S52,采用门控机制层对非线性变换的输出进行选择性地过滤和传递信息,获得门控机制层的输出,计算公式如下:
其中,为门控机制层的待学习的权重矩阵,/>为门控机制层的待学习的权重偏置;
S53,标准化每一层的输出,使得每层的输出均值为零、方差为一,减小内部协变量偏移,获得需求城市每个街道级区域自身的时间特征向量,计算公式如下:
其中,是层归一化函数。
6.根据权利要求5所述的城际往返客运的多区域需求预测方法,其特征在于,所述S6具体包括:
S61,将需求城市各街道级区域在当前时间步的隐藏状态和时间特征向量进行非线性变换,输出需求城市各街道级区域下一时间步的需求总人数,计算公式如下:
其中为城市A的各街道级区域在第/>个时间片段的需求总人数,/>为各街道级区域在当前时间步的隐藏状态,/>为每个街道级区域在下一时间步的时间特征向量,和/>为线性变化的待学习的权重矩阵,/>为线性变化的待学习的权重偏置;
S62,构建固定时间步的数据集,设固定时间步长为,则,表示城市A的固定时间步长内所有街道级区域的历史需求特征;
,表示城市B的固定时间步长内所有街道级区域的历史需求特征,/>、/>、/>、/>和/>作为多区域需求预测模型的输入,进行模型参数的学习训练和不断优化,得到训练完成的多区域需求预测模型,则城市A的各街道级区域在第个时间片段的需求总人数/>采用多区域需求预测模型的表达式为:
其中,,/>为城际往返客运的多区域需求预测模型。
7.一种城际往返客运的多区域需求预测装置,其特征在于,包括:
输入获取模块,用于获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征需求城市所有街道级区域的特征向量以及需求城市的时间信息特征序列,定义城市A和城市B分别代表往返出行的两个城市,城市A为需求城市,则需求城市A的区域关系矩阵图表达式为:
其中,表示城市A所有街道级区域的节点集合,城市A的节点总数为/>,/>是城市A节点的边集合,/>是城市A的相邻矩阵,表示城市A内各街道级区域之间的空间相关性,/>是城际间的相关矩阵图,表示城市A与往返城市B各街道级区域之间的空间相关性,其中/>表示仅包含0和1的二维矩阵,0表示对应行和列的两个区域不相邻,1表示对应行和列的两个区域相邻,/>表示城市B的节点总数;
则城市A时间片段内的所有街道级区域的历史需求特征,表达式为:
表示城市A在第/>个时间片段所有街道级区域的历史需求特征,其中/>,/>表示城市A的街道级区域,/>表示城市A街道级区域/>在第/>个时间片段的历史需求序列;
,表示城市A的时片段需求,由预测时间片段内的已预约需求与过去3小时内的需求组成;
,表示城市A的日片段需求,由过去3天同一预测时间片段/>的需求组成;
,表示城市A的周片段需求,由过去3周同一预测时间片段/>的需求组成;
表示在第/>个时间片段城市A的街道级区域/>的需求总人数,/>表示每个时间片段的间隔;
则城市B时间片段内的所有街道级区域的历史需求特征,表达式为:
其中,表示城市B在第/>个时间片段所有街道级区域的历史需求特征,/>,/>表示城市B的街道级区域,/>表示城市B所有街道级区域的节点集合;
其中,,表示城市B的周片段需求,由过去3周的累计需求总人数组成,/>表示城市B的街道级区域/>在第/>个时间片段到第/>个时间片段为止的累计需求总人数;
则城市A所有街道级区域的特征向量表达式为:
其中,,表示城市A的街道级区域/>的特征向量,/>为餐饮服务数量,/>为购物服务数量,/>为生活服务数量,/>为政府机构数量,/>为教育培训数量,为公司企业数量;
则城市A在第个时间片段的时间信息特征序列表示为:
,
其中,为小时类别,平峰值为0,高峰值为1;/>为星期类别,星期一至星期日值分别为0到6;/>是节假日类别,节假日开始的前一天法定工作日值为0,节假日值为1,节假日结束的后一天法定工作日值为2,其它法定工作日值为3;/>为天气类别,非雨雪天值0,雨雪天值为1;
城市内图特征模块,用于获得需求城市内图特征,根据需求城市时间片段内的所有街道级区域的历史需求特征,建立需求城市多区域的邻接矩阵图,并采用图注意力网络深度学习模型,学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重,得到归一化后的城市内注意力权重,根据所述城市内注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得需求城市新节点特征,从而得到需求城市内图特征;
城际间图特征模块,用于获得城际间图特征,根据往返两城市时间片段内的所有街道级区域的历史需求特征,建立城际间多区域的全连接矩阵图,并采用图注意力网络深度学习模型,学习城际间各街道级区域节点两两之间的关系权重,得到归一化后的城际间注意力权重,根据所述城际间注意力权重对相邻节点的特征进行加权线性和,并更新当前节点,获得城际间新节点特征,从而得到城际间图特征;
时间序列预测模块,用于获得需求城市各街道级区域在当前时间步长的隐藏状态,将所述需求城市内图特征和所述城际间图特征进行拼接,以矩阵块的形式作为门控循环单元的输入,同时引入注意力机制,学习和捕捉时空序列的变化规律,获得需求城市各街道级区域在当前时间步长的隐藏状态;
区域时间信息特征模块,用于获得需求城市每个街道级区域自身的时间特征向量,将所述需求城市所有街道级区域的特征向量和需求城市的时间信息特征序列进行两层非线性变换,采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息,同时采用层归一化函数对每一层的输出进行标准化,使得每层的输出均值为零、方差为一,获得需求城市每个街道级区域自身的时间特征向量;
模型训练优化模块,用于对模型进行训练优化,将所述需求城市各街道级区域在当前时间步长的隐藏状态和所述需求城市每个街道级区域自身的时间特征向量进行非线性变换,输出需求城市各街道级区域下一时间步的需求总人数,将所述需求城市各街道级区域下一时间步的需求总人数送入多区域需求预测模型中,同时通过构建固定时间步的数据集,将需求城市的区域关系矩阵图、往返两城市时间片段内的所有街道级区域的历史需求特征、需求城市的特征向量、需求城市的时间信息特征序列作为多区域需求预测模型的输入,对多区域需求预测模型参数进行学习训练与优化,得到训练好的多区域需求预测模型,以根据所述训练好的多区域需求预测模型对多区域的城际往返客运的需求进行预测。
8.一种城际往返客运的多区域需求预测设备,其特征在于,包括处理器以及存储器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如权利要求1-6任意一项所述的一种城际往返客运的多区域需求预测方法。
9.一种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有计算机可读指令,所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如权利要求1-6任意一项所述的一种城际往返客运的多区域需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410229563.1A CN117829375B (zh) | 2024-02-29 | 2024-02-29 | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410229563.1A CN117829375B (zh) | 2024-02-29 | 2024-02-29 | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829375A CN117829375A (zh) | 2024-04-05 |
CN117829375B true CN117829375B (zh) | 2024-05-28 |
Family
ID=90515774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410229563.1A Active CN117829375B (zh) | 2024-02-29 | 2024-02-29 | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829375B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340543A (zh) * | 2020-02-25 | 2020-06-26 | 上海大学 | 一种基于注意力机制的细粒度打车需求预测方法 |
CN111612489A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 订单量的预测方法、装置及电子设备 |
CN111612122A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 实时需求量的预测方法、装置及电子设备 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
CN114066503A (zh) * | 2021-10-10 | 2022-02-18 | 北京工业大学 | 一种基于构建虚拟服务片区进行出租车需求预测的方法 |
CN114492886A (zh) * | 2022-01-25 | 2022-05-13 | 四川大学 | 一种考虑出发地和目的地的网约车需求预测方法及系统 |
CN114897444A (zh) * | 2022-07-12 | 2022-08-12 | 苏州大学 | 一种城市分区域内服务设施需求识别方法及系统 |
CN115456238A (zh) * | 2022-08-01 | 2022-12-09 | 浙江工业大学 | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 |
WO2023083347A1 (zh) * | 2021-11-15 | 2023-05-19 | 清华大学 | 预测型智能汽车决策控制方法、装置、车辆及存储介质 |
CN116311939A (zh) * | 2023-03-21 | 2023-06-23 | 山东大学 | 基于动态时空相关性的od需求预测方法及系统 |
CN117076922A (zh) * | 2023-07-21 | 2023-11-17 | 北京交通大学 | 城际出行od需求量预测模型训练方法、预测方法及系统 |
-
2024
- 2024-02-29 CN CN202410229563.1A patent/CN117829375B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612489A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 订单量的预测方法、装置及电子设备 |
CN111612122A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 实时需求量的预测方法、装置及电子设备 |
CN111340543A (zh) * | 2020-02-25 | 2020-06-26 | 上海大学 | 一种基于注意力机制的细粒度打车需求预测方法 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
CN114066503A (zh) * | 2021-10-10 | 2022-02-18 | 北京工业大学 | 一种基于构建虚拟服务片区进行出租车需求预测的方法 |
WO2023083347A1 (zh) * | 2021-11-15 | 2023-05-19 | 清华大学 | 预测型智能汽车决策控制方法、装置、车辆及存储介质 |
CN114492886A (zh) * | 2022-01-25 | 2022-05-13 | 四川大学 | 一种考虑出发地和目的地的网约车需求预测方法及系统 |
CN114897444A (zh) * | 2022-07-12 | 2022-08-12 | 苏州大学 | 一种城市分区域内服务设施需求识别方法及系统 |
CN115456238A (zh) * | 2022-08-01 | 2022-12-09 | 浙江工业大学 | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 |
CN116311939A (zh) * | 2023-03-21 | 2023-06-23 | 山东大学 | 基于动态时空相关性的od需求预测方法及系统 |
CN117076922A (zh) * | 2023-07-21 | 2023-11-17 | 北京交通大学 | 城际出行od需求量预测模型训练方法、预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
Graph Multi-Attention Network-based Taxi Demand Prediction;Haifan Tang;《The 4th International Conference on Data-Driven Optimization of Complex Systems 》;20221028;全文 * |
Temporal Attention-Based Graph Convolution Network for Taxi Demand Prediction in Functional Areas;Yue Wang et al.;《Wireless Algorithms, Systems, and Applications: 16th International Conference, WASA 2021, Nanjing, China, June 25–27, 2021, Proceedings, Part I》;20210625;第203-214页 * |
基于图神经网络的路网交通流时空建模与预测研究;罗潇逸;《中国优秀博士学位论文全文数据库 工程科技Ⅱ辑》;20230215(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117829375A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bi et al. | Daily tourism volume forecasting for tourist attractions | |
CN112216108B (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
CN110991713B (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
Lu et al. | Short-term demand forecasting for online car-hailing using ConvLSTM networks | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
Gammelli et al. | Predictive and prescriptive performance of bike-sharing demand forecasts for inventory management | |
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 | |
Jiang et al. | Advanced traffic congestion early warning system based on traffic flow forecasting and extenics evaluation | |
CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
Chiou et al. | A novel method to predict traffic features based on rolling self-structured traffic patterns | |
CN116862061A (zh) | 一种基于时空图卷积神经网络的多机场航班延误预测方法 | |
CN117252307B (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
CN111985731B (zh) | 城市公共交通站点人数的预测方法及系统 | |
Rasaizadi et al. | Short‐Term Prediction of Traffic State for a Rural Road Applying Ensemble Learning Process | |
Li et al. | Hybrid deep learning models for short-term demand forecasting of online car-hailing considering multiple factors | |
CN113192325A (zh) | 一种交通事件相关性分析方法及系统 | |
CN117829375B (zh) | 城际往返客运的多区域需求预测方法、装置、设备和介质 | |
Wang et al. | MetroEye: A weather-aware system for real-time metro passenger flow prediction | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 |
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 |