[發明專利]一種短期地鐵客流預測方法、系統及電子設備

有效

• 申請號: 201911132859.7
• 申請日: 2019-11-19
• 公開（公告）號: CN110866649B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 葉潔瑕;趙娟娟;須成忠;劉延東
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F16/901;G06N3/04;G06Q50/30
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 曹衛良

1.一種短期地鐵客流預測方法，其特征在于：該預測方法包括：

步驟a：采集地鐵源數據；

步驟b：特征提取模塊提取客流特征矩陣，構建地鐵的有向有權圖，并搭建目標站點的鄰近矩陣；

步驟c：根據所提取的客流特征矩陣和目標站點的鄰近矩陣，建立圖卷積神經網絡模型，對目標站點在下一個時間段的客流進行預測；

步驟d：輸出目標站點在下一個時間段的客流預測值；

所述特征提取模塊中具體方法步驟如下：

步驟S1：根據所采集的地鐵源數據，提取所有站點在設定時間段內的入閘人數和出閘人數作為客流特征矩陣，及提取下一時間段內目標站點的出閘人數作為客流預測目標；

步驟S2：構建地鐵的有向有權圖G＝(V，E)，其中V是圖的頂點集，E是圖的邊集，圖的頂點即地鐵的站點；

步驟S3：根據所構建的有向有權圖，搭建目標站點的鄰近矩陣，表示其余所有站點到目標站點的所花費的最短時間；

所述圖卷積神經網絡模型包括輸入層、圖卷積層和輸出層，其中圖卷積層包括融合層和全連接層；所述圖卷積層采用兩層，模型的第二層和第三層均為圖卷積層，第一層和第四層分別為輸入層和輸出層；其對目標站點在下一個時間段的客流進行預測的方法步驟如下：

步驟Sa：輸入層接收所述客流特征矩陣，并將其輸入給第二層的融合層；

步驟Sb：所述融合層還接收目標站點的鄰近矩陣，并將所述客流特征矩陣和目標站點的鄰近矩陣相乘，得到融合的新特征矩陣，并輸出給對應的全連接層；

步驟Sc：所述全連接層接收新特征矩陣輸入后進行激活，得到更高級的客流特征矩陣，提取抽象的客流特征；

步驟Sd：所述第三層的融合層接收所述更高級的客流特征矩陣，并重復Sb-Sc；

步驟Se：所述輸出層根據第三層中全連接層輸出的客流特征矩陣，得到目標站點下一個時間段的客流預測值，并將其與步驟S14得到的客流預測目標進行對比，得到可靠的客流預測值后輸出；

本步驟Se中，將客流預測值和客流預測目標進行比較，通過計算損失函數計算損失值，損失值越大，則表明客流預測值和客流預測目標兩者的差距越大；損失值越小，則表明兩者的差距越小；而模型會朝著損失變小的方向改變模型中的權重參數，不斷重復直到差距取得最小值，從而讓模型的預測效果變得更好，得到可靠的客流預測值。

2.根據權利要求1所述的短期地鐵客流預測方法，其特征在于：所述步驟S1中，提取客流特征矩陣和客流預測目標，具體包括如下：

步驟S11：根據獲取到的地鐵源數據，統計所有站點乘客的入閘人數和出閘人數；

步驟S12：以時間粒度t小時進行時間段劃分，其中，t＞0；

步驟S13：提取所劃分的時間段內所有站點的入閘人數和出閘人數作為客流特征矩陣；

步驟S14：提取t+1時間段內目標站點的出閘人數作為客流預測目標。

3.根據權利要求1所述的短期地鐵客流預測方法，其特征在于：所述步驟S3中，搭建目標站點的鄰近矩陣，具體包括如下：

步驟S31：根據地鐵的有向有權圖，對需要預測其未來客流的目標站點，通過使用迪杰斯特拉算法，計算出其余各個站點到目標站點所預測的最短路徑；

步驟S32：將所得到各個站點到達目標站點的最短路徑，按照提前設定的時間粒度進行分層，表示其它各個站點與目標站點的空間關系；

步驟S33：根據所得到各個站點與目標站點的空間關系，為目標站點搭建一個鄰近矩陣，表示其余所有站點到目標站點的所花費的最短時間。

4.根據權利要求1所述的短期地鐵客流預測方法，其特征在于：所述步驟Sb中，所述新特征矩陣的模型公式如下：

H^(l+1)＝σ(AH^(l)W^(l))

其中，H^(l)代表第l層，H^(l+1)代表第l+1層，A代表包含空間結構信息的矩陣，W^(l)為第l層需要訓練的權重矩陣，σ代表激活函數。