[發(fā)明專利]融合時空信息的軌道人流量預(yù)測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110541130.6
• 申請日: 2021-05-18
• 公開（公告）號: CN113240179B
• 公開（公告）日: 2022-02-11
• 發(fā)明（設(shè)計）人: 王豪;陳欣;秦杰;肖弋杭;夏英;張旭
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F16/215;G06F16/2458;G06F16/29;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 廖曦

1.融合時空信息的軌道人流量預(yù)測方法，其特征在于：該方法包括以下步驟：

S1：進行地鐵刷卡數(shù)據(jù)記錄的預(yù)處理操作；

S2：搭建殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建模地鐵人流量數(shù)據(jù)的時間屬性、空間屬性和外部影響因素；

S3：進行遷移學(xué)習(xí)，利用實時數(shù)據(jù)對于所建立的模型進行遷移優(yōu)化；

S4，進行人流量在服務(wù)器端的預(yù)測工作；

S5：服務(wù)器端的預(yù)測結(jié)果下發(fā)至移動端；

所述S1包括以下步驟：

S1-1：讀取數(shù)據(jù)并刪除無關(guān)數(shù)據(jù)；讀取地鐵刷卡原始數(shù)據(jù)集R并刪除數(shù)據(jù)集R中的刷卡設(shè)備編號和用戶刷卡類型的無關(guān)數(shù)據(jù)，得到數(shù)據(jù)集Y＝{Y₁,Y₂,…,Y_i,Y_n}，其中Y_i＝(s,u,t,c)，Y_i表示在時刻t時，用戶賬號u在地鐵站s的刷卡狀態(tài)c；

S1-2：處理缺失值；判斷數(shù)據(jù)集Y中是否存在缺失值，處理t時刻的空值Y_i^t時，用臨近時刻t的數(shù)據(jù)Y_i^t-1和Y_i^t+1的均值插補該空值，并更新數(shù)據(jù)集Y；

S1-3：刪除異常值；檢索數(shù)據(jù)集Y，并對Y_i中的用戶賬號u信息檢索在時間間隔T內(nèi)用戶進出地鐵站的次數(shù)；保留Y_i^T中出現(xiàn)次數(shù)為偶數(shù)的相關(guān)數(shù)據(jù)，完成數(shù)據(jù)的清洗操作，并更新數(shù)據(jù)集Y；

S1-4：按時間段劃分數(shù)據(jù)集；定義時間間隔T，并以時間間隔T劃分不同時間段的地鐵流量數(shù)據(jù)Y；在每個時間間隔T的數(shù)據(jù)中，遍歷用戶賬號u的刷卡時刻字段t_i，并追加生成代表時間區(qū)間的字段v；根據(jù)時間間隔v劃分為m組數(shù)據(jù)，得到數(shù)據(jù)集Y'＝{Y′₁,Y′₂,...,Y′_i,...,Y′_m}，其中Y′_i＝(s,u,c,v)，m為v的數(shù)量；

S1-5：數(shù)據(jù)歸約；按照刷卡時間段v，檢索用戶賬號u進出地鐵站的狀態(tài)c，調(diào)換數(shù)據(jù)集Y'中“先出后進”的數(shù)據(jù)的順序，完成數(shù)據(jù)的歸約操作；

S1-6：數(shù)據(jù)集成變換；用“0”初始化m*k*k*2雙通道流矩陣X＝{X_t,X_t+T,…,X_t+(m-1)T}，其中k為站點個數(shù)；檢索數(shù)據(jù)集，遍歷不同時間段的u，并根據(jù)此用戶乘坐站點s和進出站的狀態(tài)c為1、為0的情況，以“+1”的形式將數(shù)據(jù)寫入2維度中的相應(yīng)矩陣X，即進矩陣或出矩陣；

所述S2包括以下步驟：

S2-1：時間臨近性建模；采用臨近時間段的l_c個雙通道流矩陣來模擬時間臨近性，臨近時間相關(guān)序列為將他們和時間軸連接到一起，形成一個張量其中k為地鐵站數(shù)量；后跟隨一個卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)捕捉各個地區(qū)的空間屬性；

其中，*表示卷積，f是一個激活函數(shù),是第一層卷積的可學(xué)習(xí)參數(shù)；

S2-2：疊加殘差單元；在每個卷積網(wǎng)絡(luò)下，根據(jù)下方公式疊加L層殘差單元；

其中，F(xiàn)是殘差函數(shù)，表示第l個殘差單元中的所有可學(xué)習(xí)參數(shù)；

S2-3：獲取臨近性結(jié)果；進行批處理歸一化,然后增加ReLu修正函數(shù)；在殘差網(wǎng)絡(luò)之后，再添加一層卷積層，得到臨近性輸出結(jié)果為

S2-4：獲取周期性和趨勢性結(jié)果；根據(jù)步驟S2-1和S2-2，模擬出周期、趨勢時間屬性；構(gòu)造出周期相關(guān)序列趨勢相關(guān)序列其中p表示描述時間周期性的一天，q表示描述時間趨勢性的一周；根據(jù)步驟S2-3，通過兩層卷積神經(jīng)網(wǎng)絡(luò)和L層殘差神經(jīng)網(wǎng)絡(luò)，輸出分別為人流量周期性變化序列和人流量趨勢性變化序列

S2-5：訓(xùn)練外部因素組；設(shè)E_T為預(yù)測時間間隔T內(nèi)外部因素的特征向量；使用時間間隔為[t-T,t]時間段的天氣來預(yù)測[t,t+T]時段的天氣；然后將E_T向量疊加兩個完全連接的神經(jīng)網(wǎng)絡(luò)層，通過訓(xùn)練得到外部因素組的結(jié)果E_Ext；

S2-6：融合矩陣；使用基于參數(shù)矩陣的融合方法，融合步驟S2-3和步驟S2-4得到的三個矩陣即

最終融合外部因素組和X_Res矩陣，得到t時間間隔的預(yù)測值，即

X_t＝tanh(E_Ext+X_Res)

其中，W_c、W_p、W_q分別是調(diào)整臨近、周期和趨勢影響程度的可學(xué)習(xí)參數(shù)，tanh是雙曲正切函數(shù)，值域為[-1,1]；

所述S3包括以下步驟：

S3-1：特征提取；利用已訓(xùn)練好的人流量預(yù)測網(wǎng)絡(luò)，刪除其全連接層，作為人流量實時預(yù)測任務(wù)的特征提取器，提取到預(yù)測網(wǎng)絡(luò)的時間屬性t_source、空間屬性s_source、其他外界屬性特征o_source；

S3-2：特征映射；觀察源模型預(yù)測所變換的圖像S_source與實時數(shù)據(jù)所變換的圖像S_object，并利用觀察所得的時間屬性t_mutual的共同特征、空間屬性s_mutual的共同特征和其他外界屬性o_mutual的共同特征，在不同層級的特征間進行自動遷移，此處將特征投影到同一個特征空間F當中進行，最終得到一個需要微調(diào)參數(shù)的目標模型P_half；

S3-3：微調(diào)參數(shù)；采用EM算法求解目標模型參數(shù)θ，得到最終的目標域模型P，其中算法利用KL散度度量兩個域間的差異；極大化l(θ,θ_j)，得到

θ_j+1＝argmaxl(θ,θ_j)

并反復(fù)迭代，直至最后收斂，迭代結(jié)束；

S3-4：獲得目標模型；利用遷移學(xué)習(xí)所獲得目標模型結(jié)果P，有效提升預(yù)測模型的實時性；

所述S4包括以下步驟：

S4-1：傳遞相關(guān)因素；向服務(wù)器端傳遞所要預(yù)測實時時間因素t_fact、空間因素S_fact以及外部影響因素O_fact；

S4-2：結(jié)果預(yù)測；將相關(guān)因素導(dǎo)入目標模型P當中進行預(yù)測，得到預(yù)測結(jié)果S_result。