[發明專利]融合時空信息的軌道人流量預測方法及系統

有效

• 申請號: 202110541130.6
• 申請日: 2021-05-18
• 公開（公告）號: CN113240179B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 王豪;陳欣;秦杰;肖弋杭;夏英;張旭
• 申請（專利權）人: 重慶郵電大學
• 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: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

本發明涉及一種融合時空信息的軌道人流量預測方法及系統，屬于數據挖掘領域。首先對地鐵人流量原始數據進行清洗、集成、變換、規約等預處理操作，將地鐵流量數據轉化為具有時間、空間屬性的雙通道流矩陣；然后建模時空數據的時間臨近度、周期性、趨勢變化的流量變化序列，設計出三個殘差單元分支，再對每個分支采用卷積神經網絡來捕捉區域關聯性，搭建基于深度學習的預測模型；最后利用遷移學習的方法，對已建立的模型和實時數據組進行特征提取，通過實時模型預測將預測結果下發至移動端，實現地鐵人流量預測系統的實時性與輕量化。本發明解決了現有傳統地鐵人流量預測系統存在的預測精確度低以及實時性較差的問題，進而減輕城市交通的承載壓力。

技術領域

本發明屬于數據挖掘領域，涉及融合時空信息的軌道人流量預測方法及系統。

背景技術

傳統的地鐵人流量預測系統往往忽視了地鐵人流量的變化和時間、空間的關聯性，或者只能單一預測某個特定地鐵站的流量變化。然而，在現實世界中，地鐵的人流量會受到多種時空環境因素的影響。從空間上來看，地鐵人口具有高度流動性，不同區域人口的流入與流出是相互影響的，周邊區域對其也具有巨大影響；從時間上來看，一個地區的人群流動受到相鄰時間間隔以及固定時間段的影響，而固定時間段也會受到社會作息、季節的影響。除此之外，一些外部的因素(天氣、社會事件等)也可能極大地改變地鐵人口流量。所以，傳統、單一的人流量預測模型在目前的實際運行系統下會出現精確度較低的問題。

目前的研究者們雖然已經意識到了這個問題，并從CNN卷積神經網絡建模、RNN/LSTM循環神經網絡建模兩個角度進行改進，但仍然存在一些缺陷。CNN模型雖然能很好地捕捉空間依賴性，但其預測模型未考慮時間依賴性和外界影響因素，仍面臨著預測精度不高的問題；而在RNN/LSTM循環神經網絡建模的方式中，RNN模型可以很好地處理時間序列數據，并根據已知數據預測未來一段時間內人流量的趨勢和峰值。但RNN/LSTM神經網絡預測模型卻只能處理短時間段的時間序列和臨近地區的空間屬性，其仍面臨著時空依賴性不高、預測精度不高等問題。因此，現有的方法都不能很好地提升地鐵人流量預測的準確率，仍面臨著構建的預測模型精確度不高且延時較高的問題。

為了彌補上述缺陷，使地鐵人流量預測模型具備準確性和實時性，同時實現模型輕量化，本發明提出了一種融合時空信息的地鐵人流量實時預測系統。在地鐵人流量的數據處理方面，綜合考慮時間、空間依賴性以及外部因素，抓取地鐵人流量數據獨特的時空屬性；在神經網絡結構搭建方面，采用殘差卷積神經網絡結構，避免深度神經網絡結構深度達到更深時出現的梯度消失問題，使地鐵人流量預測系統預測效果更加準確高效；在地鐵人流量預測模型方面，采用遷移學習的方法，有效利用實時數據對模型進行優化。通過特征提取，遷移實時數據與模型預測數據之間的共同特征，使得模型通過對于實時數據的不斷映射學習，強化模型的實時預測效果，使得模型具備良好的實時性。同時通過服務器端的預測，將所得預測結果實時反饋至移動端，在保證系統實時性的同時，實現模型便捷性轉化，使得用戶能夠更加便捷及時地使用本系統。

發明內容

有鑒于此，本發明的目的在于提供一種融合時空信息的軌道人流量預測方法及系統。首先對地鐵人流量原始數據進行清洗、集成、變換、規約等預處理操作，將地鐵流量數據轉化為具有時間、空間屬性的雙通道流矩陣。然后利用殘差神經網絡，建模時空數據的時間臨近度、周期性、趨勢變化三個不同的流量變化序列，設計出三個殘差單元分支，再對每個分支采用卷積神經網絡來模擬區域關聯性，并利用獨熱編碼、embedding技術進一步融合外界影響因素，搭建基于深度學習的預測模型。在遷移學習部分，對已建立的模型和實時數據組進行特征提取，并進行特征映射得到一個目標模型，再對目標模型進行參數微調得到最終模型，通過實時模型預測將預測結果下發至移動端，實現地鐵人流量預測系統的實時性與輕量化。

為達到上述目的，本發明提供如下技術方案：

融合時空信息的軌道人流量預測方法，該方法包括以下步驟：

S1：進行地鐵刷卡數據記錄的預處理操作；