基于深度学习的城市轨道交通短时OD流预测系统及方法

本发明涉及数据处理，尤其涉及一种基于深度学习的城市轨道交通短时od流预测系统及方法。

背景技术：

1、随着城市轨道交通线网规模的快速扩张和客流量的急剧增加，线网客流的时空分布日趋复杂，系统安全运营和应急管理面临巨大挑战。因此，需要顺应网络化以及大客流常态化的发展趋势，科学合理地分析轨道交通客流状态，并进行相应的运营组织和客流管控。大数据、人工智能等新兴技术的飞速发展，为轨道交通智慧化运营组织和客流管控提供了思路和方法。

2、根据研究方法的不同，人工智能在城市轨道交通运营管理阶段大致可分为三个方面。其一为短时客流预测，即利用历史afc(automatic fare collection，自动售检票系统)卡数据提取客流的时间序列，借助历史客流时间序列数据和外部因素(例如天气等数据)，构建深度学习模型，进行未来短时间内的客流预测，根据其研究对象不同，又可分为短时进站流预测、短时od流预测和短时断面流预测。其二为利用地铁站内的各种监控视频数据，构建深度学习模型，进行行人检测计数、物品检测、场景检测等。其三为强化学习相关的应用，例如，基于强化学习的列车时刻表优化和进站流控制等。

3、在对城市轨道交通短时进站流预测过程中，当获得进站的乘客数量后，需要预测乘客的目的地，即进行城市轨道交通短时od流预测，以解决如何获取轨道交通系统短时期内od流量的问题。通过短时od流预测，可以获取网络的od矩阵，该矩阵可以作为客流分配的重要输入用于短时断面流预测。因此短时od流预测是短时进站流预测和短时断面流预测的桥梁，在智慧市轨道交通短时客流预测体系中扮演着重要的角色。精准的短时od流预测模型能够提供车站之间的时空出行分布，有助于理解乘客出行行为。

4、轨道交通领域利用深度学习模型进行短时od流预测的研究相对较少。研究人员多数使用状态空间模型、最小二乘法模型、多主体仿真模型等传统模型进行研究分析。周玮腾等采用加权历史平均自适应模型对城市轨道交通短时进站量进行预测，然后通过od矩阵预测和多主体仿真建模的手段获取短时od客流和断面客流预测结果，并提出了一种时空二元验证法进行验证，整个短时客流预测体系相对较完善。姚向明、赵鹏等人基于最小二乘法提出了一种滑动平均策略下的动态od矩阵估计模型以及基于状态空间方法构建了短时客流od矩阵估计模型，陈志杰、毛保华等在姚向明研究的基础上提出了一种基于状态空间模型的多时间粒度的短时od客流多模型组合估计方法，提高了短时od估计的准确度。上述传统模型由于需要消耗大量的计算资源，尤其在网络规模较大的情况下，较难满足实时性要求，且预测精度有待提高；多主体仿真模型涉及仿真系统的构建，过程较为复杂，不利于进行模型结构的调整。深度学习领域，部分研究以车站为单位，利用并行计算技术，使用lstm逐个车站进行od预测，最后将所有车站的od序列进行合并，作为最终的od矩阵预测结果，但该类研究无法捕捉od流之间的复杂的时空依赖关系和非线性关系，且逐个车站进行预测的建模过程较为繁琐，可行性和实用性较差。

5、综上所述，现有的预测方向的效果较差。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的城市轨道交通短时od流预测系统及方法，旨在解决现有的城市轨道交通短时od流预测的效果较差的问题。

2、为实现上述目的，第一方面，本发明提供了一种基于深度学习的城市轨道交通短时od流预测方法，包括以下步骤：

3、针对城市轨道交通短时od流预测存在问题进行分析，得到分析结果，并获取地铁afc刷卡数据；

4、对所述地铁afc刷卡数据进行预处理，得到预处理数据；

5、基于所述分析结果和所述预处理数据构建图卷积神经网络以及二维卷积神经网络并引入注意力机制，得到深度学习算法模型；

6、采用评价指标对所述深度学习算法模型评价和优化，得到预测模型；

7、使用所述预测模型进行预测，得到预测结果。

8、其中，所述地铁afc刷卡数据包括乘客的卡号、进出站时间和进出站编码。

9、其中，所述对所述地铁afc刷卡数据进行预处理，得到预处理数据，包括：

10、对所述地铁afc刷卡数据进行清洗，删除逻辑不合理的记录以及对城市轨道交通短时od流预测无用的变量，得到预处理数据。

11、其中，所述深度学习算法模型采用pytorch深度学习框架进行算法模型的构建。

12、其中，所述评价指标采用均方根误差rmse、皮尔逊相关系数r2、平均绝对误差mae和加权平均绝对百分比误差wmape。

13、第二方面，本发明提供了一种基于深度学习的城市轨道交通短时od流预测系统，包括问题分析模块、数据获取模块、数据处理模块、模型构建模块和预测模块，所述数据获取模块、所述数据处理模块、所述模型构建模块和所述预测模块依次连接，所述问题分析模块与所述模型构建模块连接；

14、所述数据获取模块，用于获取地铁afc刷卡数据；

15、所述数据处理模块，用于对所述地铁afc刷卡数据进行预处理，得到预处理数据；

16、所述模型构建模块，基于所述分析结果和所述预处理数据构建图卷积神经网络以及二维卷积神经网络并引入注意力机制，得到深度学习算法模型，并采用评价指标对所述深度学习算法模型评价和优化，得到预测模型；

17、所述预测模块，用于使用所述预测模型进行预测，得到预测结果。

18、本发明的一种基于深度学习的城市轨道交通短时od流预测方法，通过针对城市轨道交通短时od流预测存在问题进行分析，得到分析结果，并获取地铁afc刷卡数据；对所述地铁afc刷卡数据进行预处理，得到预处理数据；基于所述分析结果和所述预处理数据构建图卷积神经网络以及二维卷积神经网络并引入注意力机制，得到深度学习算法模型；采用评价指标对所述深度学习算法模型评价和优化，得到预测模型；使用所述预测模型进行预测，得到预测结果，本发明构建的深度学习算法模型能够为车站提供短时od流预测，满足实际运营中高精度和实时性的要求。能够捕捉网络客流之间复杂的时空依赖关系和网络拓扑信息，兼具可接受的模型复杂度、良好的模型表现效果和较大的实际应用价值等优势。解决了现有的城市轨道交通短时od流预测的效果较差的问题。

技术特征：

1.一种基于深度学习的城市轨道交通短时od流预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于深度学习的城市轨道交通短时od流预测方法，其特征在于，

3.如权利要求2所述的基于深度学习的城市轨道交通短时od流预测方法，其特征在于，

4.如权利要求3所述的基于深度学习的城市轨道交通短时od流预测方法，其特征在于，

5.如权利要求4所述的基于深度学习的城市轨道交通短时od流预测方法，其特征在于，

6.一种基于深度学习的城市轨道交通短时od流预测系统，应用于权利要求5所述的基于深度学习的城市轨道交通短时od流预测方法，其特征在于，

技术总结本发明涉及数据处理技术领域，具体涉及一种基于深度学习的城市轨道交通短时OD流预测系统及方法，包括针对城市轨道交通短时OD流预测存在问题进行分析，得到分析结果，并获取地铁AFC刷卡数据；对所述地铁AFC刷卡数据进行预处理，得到预处理数据；基于所述分析结果和所述预处理数据构建图卷积神经网络以及二维卷积神经网络并引入注意力机制，得到深度学习算法模型；采用评价指标对所述深度学习算法模型评价和优化，得到预测模型；使用所述预测模型进行预测，得到预测结果。解决了现有的城市轨道交通短时OD流预测的效果较差的问题。技术研发人员：刘学虎,宋涛,徐晓灵,钱欣丽,王瑜琳,洪政,陈艳受保护的技术使用者：重庆公共运输职业学院技术研发日：技术公布日：2024/8/27