一种考虑突发因素的城市轨道交通短时客流预测方法

本发明涉及交通客流预测，更具体地，涉及一种考虑突发因素的城市轨道交通短时客流预测方法。

背景技术：

1、动态建模复杂的客流时空相关性是实现突发事件期间准确客流预测的关键问题。为实现突发事件期间精确的城市轨道交通短时客流预测，一些学者展开深入研究。

2、经分析，目前突发事件期间的客流预测方案存在以下缺陷：1)但现有模型一般基于预定义图展开建模，鲜有提出利用动态图思想捕捉客流的空间依赖性，导致模型预测效果不佳；2)现有大多数的深度学习模型在预测客流时仅考虑历史客流数据，事实上影响客流变化的因素很多，利用相关数据捕捉不同因素对客流的影响有利于提高预测的准确性，值得进一步研究。

技术实现思路

1、本发明的目的是克服上述现有技术的缺陷，提供一种考虑突发因素的城市轨道交通短时客流预测方法。该方法包括以下步骤：

2、获取第t-1时段内的历史客流特征矩阵pt-1，社交媒体矩阵st-1，突发确诊病例矩阵ct-1以及城市轨道交通多重图网络gb；

3、利用构建的深度学习模型学习映射函数f并预测下一个时间步t的客流，表示为：

4、yt＝f(pt-1，st-1，ct-1，gb)

5、其中，多重图网络被定义为s＝{s1，s2，...，sn}表示站点集合，n是站点数量，eij∈e表示站点的虚拟边，ab是权重矩阵，b表示图结构的数量。

6、与现有技术相比，本发明的优点在于，借助优化的自注意力机制和自适应多图卷积结构，构建一种切实有效的深度学习框架，同时将突发事件期间客流数据、突发确诊病例、相关社交媒体数据量有机融合，以充分研究突发事件对客流变化的影响，捕捉客流动态复杂的时空特征，在满足短时客流预测“实时性”要求的同时，提高了突发事件期间客流的预测精度。

技术特征：

1.一种考虑突发因素的城市轨道交通短时客流预测方法，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述深度学习模型是基于编码器-解码器的框架，编码器和解码器均由多个相同的子层堆叠，每个子层间采用残差连接，其中：

3.根据权利要求2所述的方法，其特征在于，其中，所述深度学习模型采用scalarattention embedding模块执行嵌入操作，包括以下步骤：

4.根据权利要求3所述的方法，其特征在于，其中，所述空间注意力图定义为：

5.根据权利要求2所述的方法，其特征在于，所述基于因果卷积的自注意力机制模块在计算注意力分数之前，将查询query和键值key的线性投影替换为因果卷积操作，所述因果卷积操作通过“扩张”操作获得更大的感受野以建模客流的局部演变趋势，并仅考虑当前位置左边的历史客流数据。

6.根据权利要求1所述的方法，其特征在于，所述历史客流特征矩阵包含客流数据中的两类周期性模式，分别是周周期性和日周期性，周周期性是指每周同一时段客流的相似特征；日周期性是指相邻两天同一时段的客流特征。

7.根据权利要求1所述的方法，其特征在于，所述城市轨道交通多重图网络是三种类型的图结构分别是邻接矩阵、功能相似矩阵以及od权值矩阵，这三种类型的图结构首先经特征映射转换为空间嵌入计算得到空间嵌入后，采用可学习的近似自注意机制来生成空间相关权值矩阵其中sijb∈sb表示节点i与节点j的第b个空间相关性：

8.根据权利要求1所述的方法，其特征在于，所述多源数据融合模块执行以下步骤：

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

技术总结
本发明公开了一种考虑突发因素的城市轨道交通短时客流预测方法。该方法包括：获取第T‑1时段内的历史客流特征矩阵，社交媒体矩阵，突发确诊病例矩阵以及城市轨道交通多重图网络；利用构建的深度学习模型学习映射函数，以融合客流数据、社交媒体数据和突发确诊病例数据，预测下一个时间步的客流信息。本发明有效提升了突发事件期间客流预测的准确性，可以为城市轨道交通系统客流数据预测提供有效工具。

技术研发人员：张金雷,杨立兴,章树鑫,徐猛,李克平,李小红,高自友
受保护的技术使用者：北京交通大学
技术研发日：
技术公布日：2024/1/12