一种基于多源数据的多层融合城市轨道交通客流预测方法

本发明涉及客流预测，更具体地，涉及一种基于多源数据的多层融合城市轨道交通客流预测方法。

背景技术：

1、准确、可靠的客流预测能够为车站运营提供多方面的支持。时间特征提取是短期客流预测的关键部分。目前主要包括以下几类方案。第一、使用基于数理统计的传统预测模型，包括arima模型(自回归单整移动平均模型)、sarima模型(季节性时间序列模型)、卡尔曼滤波模型(kalman filter)等。第二、基于机器学习的客流预测模型，例如支持向量机模型(support vector machine，svm)、bp神经网络(back propagation)以及动态贝叶斯方法(dynamic bayesian)等。然而，基于机器学习的预测方法通常未考虑到站点间的空间相关性，并且这类模型在面对高维问题或者面对复杂的时空属性数据时能力有限。第三、基于深度学习的模型，例如循环神经网络(rnn)和长短时记忆网络(lstm)。得益于卷积神经网络(cnn)、图卷积神经网络(gcn)的发展，交通网络中的拓扑空间相关性得到了更好的处理，例如，构建多图gcn网络来提取城市轨道交通网络中的时空特征。然而，道路交通流会受到相关交通流理论以及路网结构的严格限制，而城市轨道交通流能够被抽象地视作从进站到出站之间的“跳跃”，因此基于邻接矩阵的gcn网络模型更适用于道路交通网络的预测，然而在表现城市轨道交通网络拓扑特征时具有局限性，如图1和图2中所示。

2、为了提高预测结果的准确性和模型的鲁棒性，近年来使用多源数据的混合预测框架相继被提出，例如，基于resnet、gcn和lstm网络，并考虑空气质量因素的影响提出reslstm深度学习架构来完成城市轨道交通网络层面的短时客流预测。根据多源数据的融合阶段划分，一些模型在特征层面完成融合，而另一些研究则考虑在结果层面进行融合，其中后者不能充分地利用多源数据的优势完成互补。并且，在深度学习模型进行卷积、池化、降维、融合等操作的过程中，信息丢失无法避免，并且多源数据之间的内部相关性也常常被忽视。

3、经分析，现有的短时客流预测模型主要存在以下几个问题：

4、(1)基于数理统计的模型对充满不确定性和复杂性的交通客流特征刻画能力较弱，存在实时性较差，预测精度较低等问题。而基于机器学习的模型虽然一定程度上提高了短时客流预测精度，然而在预测过程中通常无法考虑到站点之间的空间相关性，而且该类模型在处理高维问题以及复杂的时空属性数据时能力有限。

5、(2)许多研究直接使用邻接矩阵对交通网络中的空间相关性进行建模，这在道路交通网络中效果良好，然而在表示城市轨道交通网络中的拓扑相关性时具有局限性。

6、(3)在深度学习模型进行卷积、池化、降维、融合等操作的过程中，信息丢失无法避免。数据经过一系列的网络层后，保留下来的信息丰富度低于原始信息，一些对预测结果发挥正向效果的信息丢失，如图3所示。同时，在使用多源数据进行预测时，不同数据之间具有一定的内部相关性，然而在现有研究中常常被忽略。

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，提供一种基于多源数据的多层融合城市轨道交通客流预测方法。该方法包括以下步骤：

2、获取时间序列客流、基于时间步的od数据以及poi数据作为多源数据；

3、将所述多源数据输入到客流预测模型，获得未来多个时间步的客流预测结果，表示为：

4、[yt+1…yt+k]＝f(pt,odt,poi)

5、其中，pt表示在时间步t的进站客流时间序列矩阵，odt表示时间步t的起终点od矩阵，poi表示兴趣点poi矩阵，[yt+1…yt+k]表示从y(t+1到y(t+k)共k个时间步的短时客流预测值，f表示客流预测模型。

6、在一个实施例中，所述客流预测模型设有数据交互与协作模块、transformer-lstm网络模块、深度注意力模块以及多层融合结构，所述多层融合结构包含前融合层、特征融合层和后融合层；

7、其中：数据交互与协作模块用于实现所述多源数据之间的协作，并使用基于自注意力机制的网络层对poi数据特征进行融合；前融合层用于对所述时间序列客流对应的特征图以及所述基于时间步的od数据对应的特征图进行融合，获得第一融合特征图；transformer-lstm网络模块用于基于第一融合特征图提取时间特征；深度注意力模块用于基于第一融合特征，提取空间和拓扑特征；特征融合层用于融合经transformer-lstm网络模块和深度注意力模块处理后的特征图，获得第二融合特征图；后融合层用于融合来自不同数据源的决策矩阵。

8、与现有技术相比，本发明的优点在于，提出了基于transformer机制的lstm网络模块(tlb)和深度注意力模块(dab)的城市轨道交通网络级多步短时客流预测模型框架(或称为msfpf)。同时，以时间序列客流数据、基于时间步的od(交通出行量)数据以及poi(pointof interest)数据作为多源数据输入，利用相应数据交互方法挖掘到多源数据之间的内部相关性。此外，为了克服在深度学习模型框架中由于卷积、池化、降维、融合等操作造成的信息丢失问题，框架中构建了多层融合结构(msf)来加强对信息的保存。经验证，本发明能够有效地从多源数据中提取时空特征，提升了客流预测精度，并具备一定的优越性与鲁棒性。

9、通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

技术特征：

1.一种基于多源数据的多层融合城市轨道交通客流预测方法，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述客流预测模型设有数据交互与协作模块、transformer-lstm网络模块、深度注意力模块以及多层融合结构，所述多层融合结构包含前融合层、特征融合层和后融合层；

3.根据权利要求2所述的方法，其特征在于，所述前融合层的计算表示为：

4.根据权利要求2所述的方法，其特征在于，所述数据交互与协作模块执行以下步骤：

5.根据权利要求2所述的方法，其特征在于，所述transformer-lstm网络模块依次包含位置编码层、多头注意力机制层和双向长短时记忆网络层bi-lstm。

6.根据权利要求2所述的方法，其特征在于，所述深度注意力模块包含：

7.根据权利要求1所述的方法，其特征在于，所述时间序列客流对应的特征图采用双向长短期记忆网络提取，所述基于时间步的od数据对应的特征图采用densenet网络提取。

8.根据权利要求1所述的方法，其特征在于，所述多源数据采用三种时间模式，分别为实时模式、日模式和周模式，分别对应预测时间步之前的状态数据、前一天同时段内以及前一周同一时段内的状态数据。

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
本发明公开了一种基于多源数据的多层融合城市轨道交通客流预测方法。该方法包括：获取时间序列客流、基于时间步的OD数据以及POI数据作为多源数据；将所述多源数据输入到客流预测模型，获得未来多个时间步的客流预测结果。其中客流预测模型利用多层融合结构实现多源数据之间的交互与协作。本发明能够有效地从多源数据中提取时空特征，提升了客流预测精度，并具备优越性与鲁棒性。

技术研发人员：张金雷,梁莹,陈奕洁,杨立兴,杨洋,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：2024/1/15