基于时空特征的轨道交通站点短时客流预测方法及系统

本发明涉及轨道交通短时客流预测，更具体的，涉及一种基于时空特征的轨道交通站点短时客流预测方法及系统。

背景技术：

1、目前地铁短时客流预测面临许多挑战，如数据的高维性、非线性和非平稳性等，传统的统计方法往往无法满足预测精度的要求，地铁系统是一个高度互联的网络，站点的客流变化可能会影响到其他站点，从而增大预测难度，此外大型活动等突发事件也给地铁客流预测增加了不确定因素。所以如何在各种局限因素的基础上训练得到精度较高，模型复杂度低，能够应用于真实地铁运营场景的模型就面临着较大的难题。总体而言，地铁乘客流量表现出复杂的时空依赖性，由于乘客流量动态机制的复杂性，地铁进站客流和出站客流的相关性较为复杂。因此，设计一个有效的时空乘客流量预测模型是亟需解决的问题。

技术实现思路

1、为了解决上述技术问题，本发明提出了一种基于时空特征的轨道交通站点短时客流预测方法及系统，根据城市轨道交通自动售检票系统数据和地铁网络的拓扑结构，挖掘站点客流的特征和以及站点客流之间的相互影响关系，掌握网络客流分布的动态变化，对未来短时的客流变化进行预测。

2、本发明第一方面提供了基于时空特征的轨道交通站点短时客流预测方法，包括：

3、基于地铁自动售检票系统提取历史客流数据，将地铁网络的拓扑进行图表示，根据地铁网络的图结构数据对历史客流数据进行预处理，构建客流特征矩阵；

4、基于切比雪夫图卷积与下采样卷积交互学习神经网络构建短时客流预测模型，将历史客流数据的客流特征矩阵以及表示节点邻接关系的邻接矩阵作为模型输入；

5、通过切比雪夫网络同时处理邻接矩阵和每个历史时间间隔的客流数据，获取站点客流的近距离及远距离空间依赖性，生成客流空间特征；

6、将所述客流空间特征导入下采样卷积交互学习神经网络学习客流时间特征，将所有客流时间特征进行合并及重新排列，形成与客流空间特征的残差连接，通过全连接层生成最终的短时客流预测输出。

7、本方案中，将地铁网络的拓扑信息转化为图，其中表示节点的集合，表示的节点的数量，表示从节点到节点的边的集合，，表示节点之间的邻接关系，包含0和1，1代表节点相邻，0代表不相邻；

8、根据地铁网络的图结构数据对历史客流数据进行预处理，获取输入的客流特征矩阵，表示时刻所有节点以及其对应的进站和出站客流。

9、本方案中，在短时客流预测模型中利用空间特征提取模块获取客流空间特征，具体为：利用切比雪夫网络构建空间特征提取模块，通过切比雪夫多项式近似图的卷积核，所述切比雪夫多项式定义为，，…，，空间特征提取模块的卷积核表示为：其中为标准化的拉普拉斯矩阵，为初始化拉普拉斯矩阵，为单位矩阵，为特征值，为傅立叶系数的向量，为近似阶数；

10、引入激活函数，获取切比雪夫网络表示，通过所述空间特征提取模块处理邻接矩阵和每个历史时间间隔的客流数据，通过两层切比雪夫网络站点客流的近距离及远距离空间依赖性，生成客流空间特征。

11、本方案中，在短时客流预测模型中利用时间特征提取模块获取客流时间特征，具体为：

12、采用下采样-卷积-交互的架构构建时间特征提取模块，将采样卷积和交互模块组织成二叉树形成分层卷积网络，根据所述客流空间特征生成时间特征提取模块的输入；

13、所述分层卷积网络通过下采样将输入分别提取位于奇数和偶数位置的子序列和 ，使用一组卷积核处理每个子序列，获得时间特征表示；

14、引入交互学习允许两个序列之间进行信息交换，获取经过卷积特征提取和交互学习后的和，作为客流时间特征。

15、本方案中，在交互学习中，和  通过两个不同的一维卷积模块 和 映射到高维隐藏向量表示，并通过 exp 函数进行特征放大；

16、将放大后的特征按元素相乘方式与  和 进行交互，表示为：其中代表元素相乘；

17、将两个缩放特征 和进一步通过另两个一维卷积模块 和映射到另两个隐藏向量，然后与和做相加或者相减运算，获取时间特征提取模块的输出 和 ，表示为：。

18、本方案中，将时间特征提取模块输出的客流时间特征进行合并和重新排列，生成与客流空间特征的残差连接作为全连接层的输入；

19、利用全连接层将特征进行重构并得到最终的短时客流预测输出。

20、本发明第二方面提供了一种基于时空特征的轨道交通站点短时客流预测系统，包括数据预处理模块、空间特征提取模块、时间特征提取模块及预测输出模块；

21、所述数据预处理模块将地铁网络的拓扑进行图表示，根据地铁网络的图结构数据对历史客流数据进行预处理，构建客流特征矩阵；

22、所述空间特征提取模块基于客流特征矩阵及邻接矩阵，通过切比雪夫网络获取站点客流的近距离及远距离空间依赖性，生成客流空间特征；

23、所述时间特征提取模块通过下采样卷积交互学习神经网络学习捕捉历史客流在不同时间尺度上的动态变化，生成客流时间特征；

24、所述预测输出模块形成客流空间特征与客流时间特征的残差连接，通过全连接层进行特征重构，生成短时客流预测输出。

25、与现有技术相比，本发明的有益效果为：

26、本发明通过深度学习和模型融合，发掘地铁客流数据的价值和特性，基于地铁客流设计深度学习时空神经网络，为短时客流预测提供一种新的有效的解决方案，精准的短时客流预测便于站点提前做出调控和预警，以减少甚至避免运营中的事故；

27、本发明基于下采样-卷积-交互架构通过将长序列下采样成子序列，利用卷积和交互学习提取时间依赖性，输出高精度的多步预测结果，所提架构还可以处理不同运营期间的客流模式变化；

28、本发明提出的模型中的切比雪夫多项式图卷积具备聚合高阶节点信息的能力，建模远距离站点之间的空间依赖性，解决了图结构中近距离和远距离站点之间的空间依赖性。

技术特征：

1.一种基于时空特征的轨道交通站点短时客流预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于时空特征的轨道交通站点短时客流预测方法，其特征在于，将地铁网络的拓扑信息转化为图，其中表示节点的集合，表示的节点的数量，表示从节点到节点的边的集合， ，表示节点之间的邻接关系，包含0和1，1代表节点相邻，0代表不相邻；

3.根据权利要求1所述的一种基于时空特征的轨道交通站点短时客流预测方法，其特征在于，在短时客流预测模型中利用空间特征提取模块获取客流空间特征，具体为：

4.根据权利要求1所述的一种基于时空特征的轨道交通站点短时客流预测方法，其特征在于，在短时客流预测模型中利用时间特征提取模块获取客流时间特征，具体为：

5.根据权利要求4所述的一种基于时空特征的轨道交通站点短时客流预测方法，其特征在于，在交互学习中，和 通过两个不同的一维卷积模块 和 映射到高维隐藏向量表示，并通过exp函数进行特征放大；

6.根据权利要求1所述的一种基于时空特征的轨道交通站点短时客流预测方法，其特征在于，将时间特征提取模块输出的客流时间特征进行合并和重新排列，生成与客流空间特征的残差连接作为全连接层的输入；

7.一种基于时空特征的轨道交通站点短时客流预测系统，其特征在于，包括数据预处理模块、空间特征提取模块、时间特征提取模块及预测输出模块；

技术总结本发明公开了一种基于时空特征的轨道交通站点短时客流预测方法及系统，包括：将地铁网络的拓扑进行图表示，对历史客流数据进行预处理构建客流特征矩阵；构建短时客流预测模型，将历史客流数据的客流特征矩阵以及邻接矩阵作为模型输入；通过切比雪夫网络同时处理邻接矩阵和每个历史时间间隔的客流数据，获取站点客流的近距离及远距离空间依赖性，生成客流空间特征；将客流空间特征导入下采样卷积交互学习神经网络学习客流时间特征，形成客流时间特征与客流空间特征的残差连接，通过全连接层生成最终的短时客流预测输出。本发明为短时客流预测提供一种新的有效的解决方案，精准短时客流预测助于车站提前做出调控和预警，减少运营中的事故。技术研发人员：贺钰昕,洪伟航,王浩,罗钦,潘伟健,汪小勇,周珺,莫义弘,陈菁菁,李伟受保护的技术使用者：深圳技术大学技术研发日：技术公布日：2024/9/26