城市轨道交通车站短时客流预测模型以及预测方法

本发明提供一种城市轨道交通车站短时客流预测模型以及预测方法，属于轨道交通规划。

背景技术：

1、近年来城市轨道交通的建设里程迅速增长，呈现出网络化的运营趋势。随着其服务范围的增大，城市轨道交通车站的旅客运输量也日趋增加。然而，与客运量的急剧增加相对应的是运能与需求供给之间的不匹配，这为轨道交通车站的运营带来了一系列严峻挑战。比如在高峰期，客流量大的车站会出现拥堵的情况，车站设施和人员配置常常难以满足运营需求，从而导致乘客滞留和突发事件的风险急剧增加。这不仅降低了乘客的出行体验，也对地铁车站的正常运营产生了严重干扰。因此，实时的客流预测可以为城市轨道交通的运营提供较为精确和及时的客流量，以便实现运力和客流的精准匹配，有利于实现城市轨道交通网络化运营。

2、随着智能交通系统的发展，交通流预测的相关研究日益增多，机器学习和深度学习的预测方法在客流预测中得到快速发展。其中，时空图神经网络，即将图神经网络与其他能够实现时序预测的结构相结合，其目标是从时空图中学习潜在的特征，在交通网络预测和人流预测等许多场景内中的作用日益凸显。例如，在道路交通网络上，每条道路均视为一个节点，其交通数据(车流量、车速)被持续监控。时空图神经网络的核心思想是同时考虑空间依赖性和时间依赖性，目前的主流方法是将gcn与rnn或cnn结合起来，使用gcn获取空间依赖性，使用rnn或cnn来获取时间依赖性。通过训练有效的时空图神经网络模型，可以准确地预测整个城市轨道交通系统的车站客流量。

3、在地铁网络化、高效公交运营的模式下，城市轨道交通短时客流预测是城市轨道交通运营管理和客流调控的重要组成部分。准确的短时客流预测可以辅助运营部门优化服务时刻表，加强车站客流调控规划，从而更及时地适应运输供给以满足乘客需求。此外，准确的客流信息预测可以帮助乘客了解未来一段时间内乘客的涌入位置，并合理地调整出发时间、出行路径和方式。

4、机器学习预测模型是一类常用的交通流预测技术。由于城市轨道交通车站的客流数据是一个周期性强、影响因素多、相对关系复杂的时间序列数据，车站客流预测是典型的时序预测问题，可使用机器学习模型进行预测。基于机器学习模型理论，有学者使用了差分整合移动平均自回归模型(autoregressive integratedmoving average model,arima)、支持向量回归模型(support vector regression model,svr)、随机森林(random forest,rf)等方法进行建模。

5、机器学习相关预测模型的建模主要通过构造时间序列相关特征实现交通流预测，且利用多种模型结合的方法以有效方式提升预测精度。主要构造的特征类型有如下两种类型：

6、(1)时间序列相关特征：比如待预测时刻的前几个时刻客流量、前几天同时刻的客流量、前几周同时刻的客流量等，通过构造时间序列相关特征，可以通过模型发现潜在时间依赖性，对待预测时刻的客流量进行较精准的拟合。

7、(2)外部特征：比如相邻车站的客流特征；此外还可以考虑到天气特征，如降雨/雪情况、气温、风力等级、能见度指标等。

8、利用该机器学习预测模型，对车站客流数据进行预测，能够构造时间序列相关特征和其他特征，并使用数据对模型进行训练，得到车站未来时刻的客流数据，从而为车站的运营管理工作提供有效的解决方案。

9、在构建车站预测模型时，虽然充分考虑了对预测结果可能造成影响的因素，但是仍然局限于单个车站的特征，而其他车站的客流特征显然会对待预测车站的客流造成影响，需要加以考虑。然而，机器学习模型如果考虑过多特征，不仅会造成建模困难，还延长模型的训练时间，增大计算开销。此外，机器学习模型的预测精度有限，无法捕获序列的时间依赖关系，所以使得车站客流预测结果与现场实际状况存在较大的偏差，预测效果有待提升。

10、同时，从预测对象角度来说，机器学习模型一般只输出单个车站的客流预测结果，无法同时输出多个车站的预测值，而对于整个路网的预测，需要分别建模训练。这不仅使得训练时间增长，还增大了建模的工作量。

11、最后，从预测步长角度来说，机器学习模型只对未来很短时间段内的客流预测有较好的预测效果，当预测步长拉长时，由于缺少时间依赖性，预测精度会快速下滑。

12、对于时间序列的预测，不仅需要关注特征的构造，还需要考虑历史时刻输入数据对当前时刻预测结果的影响，近些年，随着深度学习技术的发展，出现了针对时间序列预测问题的高效算法，比如循环神经网络(recurrent neural network,rnn)。该模型是一类以序列数据为输入，按照序列的演进方向进行递归且所有循环单元按链式连接的神经网络，因此rnn通常能够在时序数据上取得更为优越的预测效果。其中，基于rnn的模型主要有长短期记忆网络(long short-term memory,lstm)和门控循环单元(gate recurrent unit,gru)。

13、近些年，许多研究者成功将lstm网络应用于交通网络的客流预测中，lstm是在rnn模型的基础上改进而来的，相比rnn模型，lstm模型含有输入门、输出门和遗忘门三个门控结构，能解决rnn模型训练时网络权重的更新随着历史时间变长而减慢的问题，能够实现长期记忆。

14、其中，输入时间序列分别在遗忘门、输入门、输出门和状态更新函数的作用下，得到预测结果。分别对三个门控结构和一个状态更新函数进行分析：

15、(1)三个门控结构：遗忘门、输入门和输出门都是sigmoid非线性函数，其输出值范围在0和1之间，三个门结构之间是独立运算的，虽然运算方法一样，但参数互不共享。从三个门控单元的输出值在0与1之间可以看出，其作用是决定有多少值能够参与到最终预测值的计算中，相当于重要度计算。

16、(2)状态更新函数：在lstm中，将上一时刻状态函数值与遗忘门的结果结合起来，并重新计算输入值，将其与输出门的结果结合起来，进而计算出当前时刻的状态函数值。遗忘门与状态函数值的计算部分负责判断上一个时刻的输出有多少能保留到当前时刻的预测当中，如果是不重要的信息就会将其舍弃，这样过去的信息就能够在不同时刻间不断传递，能获取较长时刻之前的特征信息，而输入门与输入值的计算则控制输入值流入的多少。

17、(3)最终输出：输出门负责控制输出值流入的多少，将计算出的状态函数值与输出门的结果结合，得到最终的模型输出值。

18、以神经网络为基础的深度学习模型则拥有更优异的性能，比如rnn类的序列预测模型主要考虑历史的时间相关特征对当前预测值的影响，可以很好的处理复杂的非线性数据，预测精度有了明显提升。但是rnn模型进行预测也存在弊端，不能很好的提取空间相关特征。

19、rnn的结构相比于全连接神经网络模型多了一个指向自身的环，代表它可以将当前处理的信息传递给下一时刻使用，但它的缺陷是并不能很好地处理长依赖问题。所谓的长依赖问题是指当在预测点t时需要的信息距离t太远时，模型获得不了需要的信息。lstm的出现解决了长依赖问题、梯度爆炸等问题，但客流预测有着复杂的时空依赖性，而lstm等神经网络模型不能很好地提取空间依赖性。

20、卷积神经网络是一种多层的监督学习神经网络，主要思想是对目标进行多层表示，用多层的高层次特征代表数据的抽象信息，以期望获得更好的鲁棒性。cnn由3个部分构成：卷积层，池化层，全连接层。卷积层和池化层的作用分别为提取主要特征和次要特征。全连接层的作用是为了生成最终的输出。卷积层的输入是cnn模型的输入特征矩阵，其运算过程可以理解为使用一个卷积核来过滤各个小区域，从而得到这些小区域的特征值，用来实现对特征降维；池化层的输入是卷积层的输入与卷积核相乘后的输出矩阵，其目的是为了降低卷积层输出特征向量的维度，最常见的两种池化层形式有：最大池化(max-pooling)，即在输入的每个池化步长区域内最大的数来代表整片区域；均值池化(mean-pooling)，即在输入的每个池化步长区域内数值的平均值来代表整片区域。全连接层的输入即为池化层的输出，全连接层的输入张量与权重矩阵相乘，加上偏置值，然后对其使用relu激活函数，其权重矩阵是用梯度下降法优化参数。

21、cnn的局限性是其在非欧式空间卷积效果不佳，所谓欧式空间数据是指具有规则空间结构的数据，例如图片和语音等可以用二维或一维矩阵来表示。但在轨道交通网络中，其空间结构为非欧式空间，在网络中每个节点的连接节点数不同，用cnn在这些图谱上进行卷积操作，难以选取固定的卷积核来适应图的不规则性。

技术实现思路

1、城市轨道交通车站短时客流预测不仅是提升服务水平、提供精细化客运服务的关键，更是确保运力资源与运输需求高度匹配的关键要素。由于地铁车站系统固有的复杂网络结构和时变的空间关系，再加上历史时间序列的影响，车站级客流预测任务很难通过传统的预测模型来解决。面对上述挑战，本发明提出城市轨道交通车站短时客流预测模型以及预测方法，采用时空图神经网络模型来预测车站层面的短时客流。

2、本发明以轨道交通客运服务为抓手，通过引入关系图卷积网络(relationalgraphconvolutional network,r-gcn)来捕捉节点之间的空间关联性，并与时间卷积网络(temporalconvolutional network,tcn)[5]相结合，以挖掘时间上的依赖性，综合以上技术提出时空图神经网络模型对城市轨道交通车站短时客流进行预测。

3、相比以上三种现有技术，该方法主要解决以下技术问题：

4、1.分别构造物理网络、动态客流od网络和客流相似度网络，以捕捉更深入的空间关系，成功解决了空间关系获取不足的问题。

5、2.设计空间卷积模块，采用r-gcn方法，针对构造的三种网络，分别进行图卷积操作，融合得到输出结果，从而更精准的捕获车站空间关系。

6、3.设计时间卷积模块，结合tcn网络实现时序预测，更好的捕获时间依赖关系，提升客流预测的精度。

7、本发明提供的完整技术方案：

8、本发明提供一种城市轨道交通车站短时客流预测模型，包括：数据构建，空间卷积模块，时间卷积模块；

9、结合车站的运营数据，构建客流数据，并深度挖掘车站间空间特征，构建多关系网络；

10、为了实现节点间空间特征的挖掘，利用空间卷积模块，在空间卷积层引入r-gcn实现多图融合；

11、为了实现时序特征的挖掘，利用时间卷积模块，使用tcn网络实现一维时序卷积，以此进行短时客流预测。

12、本发明还提供一种城市轨道交通车站短时客流预测方法，包括四个步骤。

13、步骤1：符号定义及客流数据构建。对城市轨道交通车站和客流数据进行符号定义，使用数据分析的方法，对车站的运营数据(包括卡号、交易日期、交易时间、交易事件等)进行处理以得到客流数据。

14、步骤2：多关系图结构构建。基于车站的物理连接和潜在站间关联，构建三种空间关系：物理网络、动态客流od网络和客流相似度网络。其中，动态客流od网络根据步骤1中的客流数据动态构建得到，随时间不断变化。

15、步骤3：空间卷积模块构建。将构建的客流数据输入，分别与构建的不同网络进行图卷积操作，最后融合输出，得到具有空间特征的隐藏值序列并输出。

16、步骤4：时间卷积模块构建。输入隐藏值序列，利用时间卷积机制，结合tcn网络实现预测。最后，利用全连接层得到预测结果。

17、具体的：

18、步骤1：符号定义及客流数据构建，具体方法为：

19、定义g为轨道交通物理网络，g＝(s,e)；其中s为车站集合，|s|分别站点总数，i、j为车站，i、j∈s＝{0,…,i,…,|s|}。e为区间集合，e为区间，e＝(i,j)∈e。针对构建的城市轨道交通路网中的空间关系，物理网络、动态客流od网络和客流相似度网络分别定义为：ri,rs；

20、针对车站的运营数据，设定预测时间粒度为15min，全部车站在t时刻的进站客流量定义为对于单个车站i，其时间序列可以表示为：全部的路网客流量定义为x＝(x1,x2,…xt)。其中x为预测模型输入的历史时间序列数据矩阵，矩阵的行表示在历史时刻的所有车站客流量集合，列表示车站在输入历史天数的客流量集合。对于预测目标，y＝xt+1，是下一个时刻全部车站的进站客流量。

21、在此基础上，定义基于时空图神经网络的城市轨道交通车站短时客流预测问题，模型定义为：y＝f(rp,rod,rs；x)，其中f为待训练的模型。

22、步骤2：多关系图结构构建，具体方法为：

23、车站间的关联性通过客流od网络体现，提出客流相似度网络来捕捉车站间的空间关系。挖掘车站间客流od网络和车站客流相似性特征，分析城市轨道交通路网中的3种关系：物理网络关系、客流od关系和客流相似度关系。

24、(1)轨道交通物理网络关系

25、g为轨道交通物理网络，g＝(s,e)；s为车站集合，i、j为车站，i,j∈s＝{0,…,i,…,|s|}；e为区间集合，e为区间，e＝(i,j)∈e。网络连接关系定义为：

26、

27、式中，ei,j为物理网络的边。据此构建邻接矩阵为：

28、

29、归一化得到轨道交通物理网络为rp(i,j)。

30、

31、(2)动态客流od网络关系

32、车站间的客流量即od量体现车站之间相关性，站间客流越大联系越紧密。对取值进行以下处理：当处于全部站间客流量的前1/4时，取值不变，否则取值为0。归一化处理得到客流od网络矩阵为：

33、

34、式中：为t时刻i站与j站间客流量。

35、(3)客流相似度网络关系

36、利用皮尔逊系数计算两个车站客流时间序列之间的相似性，来获得车站间的相似度距离。

37、基于相似度构建客流相似度网络关系矩阵rs(i,j)。相似度由下得到：

38、ai,j＝pearson(xi,xj)   (4)

39、式中：a为相似度，xi和xj为两车站的客流量，根据式(4)，对应矩阵为

40、

41、归一化得到车站相似度网络rs(i,j)为

42、

43、步骤3：空间卷积模块构建。

44、综合考虑车站之间不同类型的连接关系，在物理网络基础上，增加动态客流od矩阵和客流相似度矩阵，通过对这三种类型的网络关系图卷积，把握空间特征。

45、当历史数据x＝(x1,x2,…xt)输入网络后。将某一时刻的客流量xt分配到相应的|s|个车站节点上，分别进行三个网络关系的图卷积过程，再对结果进行融合，得到ht。

46、对于路网上的节点特征xt，首先对所有节点的特征进行线性转换。然后，针对任一节点i，对其相邻节点进行特征聚合，将相邻节点的信息传递至当前节点，得到该节点的新特征该特征即为对物理网络进行图卷积后得到的结果。同样的操作应用于动态客流od网络和客流相似度网络，分别得到相应的特征和将三种图卷积操作得到的节点特征相加，融合得到该节点的最终特征同样的步骤应用于所有节点，从而得到全部节点特征ht，此即为关系图卷积后的结果，将其输入到时间卷积模块。

47、步骤4：时间卷积模块构建。

48、当输入数据经过空间卷积模块得到中间输出结果h＝(h1,h2,…ht)后，经过时间卷积模块tcn模型进行预测；

49、tcn模型由三部分结构组成：因果卷积，膨胀卷积和残差连接。

50、(1)因果卷积：保证没有信息从未来泄露到过去。

51、时序卷积网络(tcn)使用一维全卷积网络(fcn)，fcn隐层的长度与输入层的长度大小相同。同时，添加补零长度保持后续层与以往的长度相同。对于后者，tcn使用了存在严格时间约束的因果卷积。表示为：tcn模型是一维全卷积网络和因果卷积的结合。

52、(2)膨胀卷积：利用膨胀卷积使网络增大模型的历史感受野，提升预测的能力且减少计算量。

53、通过选择更大的卷积核尺寸k和增加膨胀因子d这两种方法来增加接受域，某一层的接受域范围为是(k-1)*d。网络的深度以指数方式增加。(3)残差连接：解决模型层数过多而引起的模型退化问题。

54、时序卷积网络的视野域取决于网络的深度n、卷积核的大小k和膨胀因子d；

55、将网络的形式设计为：

56、h(x)＝f(x)+x

57、则恒等映射的学习就转化为残差函数的学习，残差函数的表达式为：

58、f(x)＝h(x)-x

59、当f(x)＝0时就满足恒等映射关系h(x)＝x。

60、本发明还提供一种电子设备，包括：处理器、存储器、通信接口和通信总线；其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；处理器用于调用存储器中的计算机指令，以执行所述的城市轨道交通车站短时客流预测方法的步骤。

61、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令被执行时使所述计算机执行所述的城市轨道交通车站短时客流预测方法的步骤。

62、本发明引入空间卷积模块r-gcn与时间卷积模块tcn，建立时空图神经网络预测模型。在空间卷积模块中利用关系图卷积提取物理网络关系、动态客流od关系和客流相似度关系等空间特征，再利用时间卷积模块tcn获取时间依赖性。对重庆地铁车站的进站客流进行预测后，与其他模型相比，在路网层面，与时间卷积模块tcn结合能大大改善预测效果，空间卷积模块r-gcn的加入更是明显提升预测精度，显示本发明关系图卷积与时间卷积的作用。

63、相比于机器学习方法与其他深度学习方法，本发明在城市轨道交通车站短时客流预测问题的应用中，具有更强的准确性与适应性，能适应各种路网下各车站的短时预测需求，对实际车站工作的指导意义更加显著，有利于提高车站的运营管理水平。