一种基于先验因果传递的城市出行需求预测方法

本发明属于时空数据挖掘领域，具体为一种基于先验因果传递的城市出行需求预测方法。

背景技术：

1、城市出行需求数据可以有效反应的当前城市人群的出行行为规律，从城市出行需求数据中发掘潜在的人群出行规律，并给出准确的预测，有助于城市管理者进行城市规划，提高居民生活质量

2、现有技术中，大多数方法基于图网络处理时空相关性，利用静态图结构描述节点间关联。一方面，静态图结构难以表达复杂的潜在因果关系，另一方面，缺乏先验知识引导的因果图生成过程往往难以收敛，能以支撑模型进行稳定的预测。

3、通过学习出行需求数据这类时空数据中的因果关系，可以有效提高模型的准确性和稳定性。现有方法可以分为基于先验的方法、基于静态因果的方法和。基于先验的方法利用已知的微分方程生成因果图。公开号为cn115860798a的中国发明专利公开了一种城市出租车需求预测系统及方法，将谱域图卷积神经网络与门控循环单元结合，考虑时间周期性与区域间的功能相似性对出租车需求的影响，实现对未来时间戳中某个区域的出租车需求预测。公开号为cn116051171a的中国发明专利公开了一种基于出租车和网约车的需求联合预测方法，提取出租车和网约车的模式内特征和模式间特征，并且能够实现模式内特征和模式间特征的融合，实现了出租车和网约车的需求联合预测。然而，现实世界中的因果关系是时变的，因此，应当引入一定时变的先验知识建模因果传递过程。

技术实现思路

1、基于现有技术中的不足，本发明利用时间位置等先验信息学习动态时空因果图，建模跨时间片的动态因果关联，提出了一种基于先验因果传递的城市出行需求预测方法，从而有效提升了预测模型的精度和鲁棒性。

2、本发明的技术方案具体如下：

3、一种基于先验因果传递的城市出行需求预测方法，包括以下步骤：

4、s1：按照预测要求，采集待预测地域内的历史城市出行需求数据，经标准化处理后得到训练集；

5、s2：构建基于先验因果传递的深度学习模型，所述深度学习模型包括因果去偏模块、因果图学习器、先验因果传递模块和融合预测模块；

6、在所述因果图学习器中，基于时间位置信息构建时间嵌入矩阵，再利用时间嵌入矩阵为待预测地域构建动态特征矩阵，最后基于动态特征矩阵构建因果传递矩阵；

7、在所述先验因果传递模块中，基于所述因果传递矩阵，融合距离图和交互图作为先验知识，利用图卷积网络构建因果传递过程并生成增强时空因果特征；

8、s3：采用s1中训练集对所述深度学习模型完成训练；

9、s4：将训练好的深度学习模型应用于期望的城市出行需求数据预测。

10、优选的，所述城市出行需求包括：出租车需求量、公交车负载量、共享单车需求量或地铁客流量。

11、优选的，所述s1中的标准化处理为：将待预测地域划分为 n个子地域，统计各子地域内各时段的城市出行需求数据。

12、优选的，所述因果去偏模块将不同时段所有 n个子地域按照混杂因素分为 p类区域，再采用并行的编码器分别提取不同时段各类区域的时空因果特征，并合并得到不同时段的时空因果特征。

13、优选的，所述因果图学习器构建因果传递矩阵的过程包括：

14、（1）基于时间位置信息构建时间嵌入矩阵，并构建投影矩阵；

15、

16、（2）构建所有区域的动态特征矩阵：

17、

18、其中为第 t时段所有区域的动态特征矩阵，为第 t-1时段所有区域的动态增强特征矩阵，为第 t时段提取的时空因果特征，为第 t-1时段增强时空因果特征，与均为投影矩阵，、、、为可学习参数，为第 t时段时间位置信息，为第 t-1时段时间位置信息；

19、（3）基于和生成从第时段到第时段的因果传递矩阵。

20、优选的，所述先验因果传递模块中的因果传递过程如下：

21、（1）建立因果传递过程如下：

22、

23、其中，表示第 t时段因果传递模块的最终输出特征，表示relu激活函数， l表示第 l层因果传递， l表示因果传递总层数，表示第 t时段因果传递过程的初始值，表示第 t时段第层的输出特征，表示第层的输出特征，表示第层网络参数权重，表示第层网络偏置；

24、（2）将距离图和交互图作为先验知识融入因果传递过程中，生成第 t时段增强时空因果特征：

25、

26、其中，表示距离图的因果传递过程，表示交互图的因果传递过程，表示区域间距离图的邻接矩阵，表示第 t时段所在时区的交互矩阵。

27、优选的，所述的获取方式如下：

28、（1）将一周时间划分为 k个时区，统计各个时区内区域间的交互流量，表示时区 k内由第 i类区域出发到达第 j类区域的交互流量， k=1,2,3… k；

29、（2）对进行归一化处理，得到归一化后的各个时区内区域间的交互流量：

30、

31、（3）构建各时区的交互矩阵，第 t时段所在时区的交互矩阵即为。

32、优选的，所述融合预测模块以多个串联的增强时空因果特征提取模块的输出为输入，利用堆叠的全连接层和relu激活函数生成城市出行需求数据预测结果：

33、

34、其中，为第 t+1时段预测的城市出行需求数据，、、和均为可学习的参数，为最后一个时段提取的增强时空因果特征。

35、相比于现有技术，本发明的有益效果在于：

36、本发明提出了一种基于先验因果传递的城市出行需求预测方法，该预测方法利用先验知识构建城市各区域出行需求因果图，以引入归纳偏置，并将其引入跨时间片的空间因果传递过程，结合可学习的因果传递矩阵，增强时空因果表示，提高对于城市出行需求预测的准确性和鲁棒性。

技术特征：

1.一种基于先验因果传递的城市出行需求预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于先验因果传递的城市出行需求预测方法，其特征在于，所述城市出行需求包括：出租车需求量、公交车负载量、共享单车需求量或地铁客流量。

3.根据权利要求1所述的基于先验因果传递的城市出行需求预测方法，其特征在于，所述s1中的标准化处理为：将待预测地域划分为n个子地域，统计各子地域内各时段的城市出行需求数据。

4.根据权利要求3所述的基于先验因果传递的城市出行需求预测方法，其特征在于，所述因果去偏模块将不同时段所有n个子地域按照混杂因素分为p类区域，再采用并行的编码器分别提取不同时段各类区域的时空因果特征，并合并得到不同时段的时空因果特征。

5.根据权利要求4所述的基于先验因果传递的城市出行需求预测方法，其特征在于，所述因果图学习器构建因果传递矩阵的过程包括：

6.根据权利要求5所述的基于先验因果传递的城市出行需求预测方法，其特征在于，所述先验因果传递模块中的因果传递过程如下：

7.根据权利要求6所述的基于先验因果传递的城市出行需求预测方法，其特征在于，所述的获取方式如下：

8.根据权利要求7所述的基于先验因果传递的城市出行需求预测方法，其特征在于，所述融合预测模块以多个串联的增强时空因果特征提取模块的输出为输入，利用堆叠的全连接层和relu激活函数生成城市出行需求数据预测结果：

技术总结本发明属于时空数据挖掘领域，公开了一种基于先验因果传递的城市出行需求预测方法。所述预测方法首先收集历史城市出行需求数据，构造训练集；接着构建基于先验因果传递的深度学习模型，包括因果去偏模块、因果图学习器、先验因果传递模块和融合预测模块；采用训练集对深度学习模型完成训练；最后将训练好的深度学习模型应用于未来城市出行需求数据的预测。本发明的预测方法能够有效提升预测模型的精度和鲁棒性。技术研发人员：邓攀,刘俊廷,陈磊,丛丽,陈子曦,赵宇,李思睿受保护的技术使用者：北京航空航天大学技术研发日：技术公布日：2024/9/12