[發(fā)明專利]一種基于動(dòng)態(tài)超圖卷積神經(jīng)網(wǎng)絡(luò)的OD客流預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202210249218.5
• 申請日: 2022-03-06
• 公開（公告）號(hào): CN114611798A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計(jì)）人: 張勇;張毅;池海楠;尹寶才
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

一種基于動(dòng)態(tài)超圖卷積神經(jīng)網(wǎng)絡(luò)的OD客流預(yù)測方法，涉及深度學(xué)習(xí)等領(lǐng)域，尤其是面向超圖表示以及圖卷積網(wǎng)絡(luò)的OD客流預(yù)測任務(wù)。該方法在利用超圖對交通拓?fù)浣Y(jié)構(gòu)的高階表示基礎(chǔ)上，引入超圖卷積神經(jīng)網(wǎng)絡(luò)，并通過歷史的OD矩陣挖掘OD客流在起始點(diǎn)(original)和目的地(destination)上的空間關(guān)聯(lián)性構(gòu)建動(dòng)態(tài)超邊，實(shí)現(xiàn)了對OD流量復(fù)雜的空間關(guān)聯(lián)性的動(dòng)態(tài)建模。相較于傳統(tǒng)的數(shù)學(xué)模型以及機(jī)器學(xué)習(xí)方法，該方法對于OD流量特征的建模更加深入和準(zhǔn)確，提高了預(yù)測準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖論和深度學(xué)習(xí)等領(lǐng)域，具體涉及OD客流預(yù)測。

背景技術(shù)

OD(Original Destination)量即起始點(diǎn)和目的地間的出行量，反映了乘客的出行需求，可以為客運(yùn)資源調(diào)配、緩解客流擁堵、提高運(yùn)營效率和乘客出行效率等提供重要參考，因此，對客流OD進(jìn)行準(zhǔn)確的預(yù)測具有重要意義。

目前的研究大多關(guān)注進(jìn)站量和出站量的短時(shí)預(yù)測，針對于OD短時(shí)客流預(yù)測的研究相對較少。但是，準(zhǔn)確的客流OD預(yù)測對客運(yùn)資源調(diào)配、緩解客流擁堵等具有指導(dǎo)意義，因此對客流OD的預(yù)測具有重要的研究意義。

早期的OD需求預(yù)測方法主要基于統(tǒng)計(jì)模型或機(jī)器學(xué)習(xí)方法。統(tǒng)計(jì)模型主要有最小二乘(GLS)、最大似然(ML)估計(jì)、貝葉斯方法等。這些方法依賴于數(shù)據(jù)平穩(wěn)的假設(shè)，但現(xiàn)實(shí)中這種假設(shè)往往不成立。機(jī)器學(xué)習(xí)模型中最具代表性的方法包括K最近鄰法(KNN)和支持向量回歸(SVR)，這些方法的預(yù)測性能很大程度上依賴于特征樣本，且計(jì)算時(shí)間復(fù)雜度高。同時(shí)，這些模型難以建模OD預(yù)測中的動(dòng)態(tài)性和非線性特征。

近年來，深度學(xué)習(xí)在許多具有挑戰(zhàn)性的學(xué)習(xí)任務(wù)中取得了突破性進(jìn)展，受到這些工作的啟發(fā)，越來越多的研究者將深度學(xué)習(xí)應(yīng)用于OD客流預(yù)測中。Qian等人將遞歸多層感知器應(yīng)用于道路交通的OD矩陣預(yù)測中。Toque等人將長短時(shí)遞歸神經(jīng)網(wǎng)絡(luò)(LSTM)應(yīng)用于地鐵的OD客流預(yù)測。但這些方法忽略了預(yù)測問題中的空間關(guān)聯(lián)性，因此預(yù)測精度不高。

Liu等人結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長短時(shí)遞歸神經(jīng)網(wǎng)絡(luò)(LSTM)，CNN建模空間關(guān)聯(lián)性，但CNN適用于歐式數(shù)據(jù)的建模，但交通數(shù)據(jù)一種非歐數(shù)據(jù)不適合用CNN建模。Wang等人結(jié)合圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)和長短時(shí)遞歸神經(jīng)網(wǎng)絡(luò)(LSTM)，該模型同時(shí)建模了空間關(guān)聯(lián)性和時(shí)間關(guān)聯(lián)性。盡管基于圖的方法取得了顯著的效果，但普通圖難以表示復(fù)雜的空間關(guān)聯(lián)，同時(shí)這些方法忽略了OD客流預(yù)測中兩方面的關(guān)聯(lián)性即起始點(diǎn)的關(guān)聯(lián)性和目的地的關(guān)聯(lián)性，而且這些方法都是基于預(yù)先定義的圖，無法動(dòng)態(tài)刻畫空間關(guān)聯(lián)性。

發(fā)明內(nèi)容

本發(fā)明提出一種基于動(dòng)態(tài)超圖卷積神經(jīng)網(wǎng)絡(luò)的OD客流預(yù)測方法，涉及深度學(xué)習(xí)等領(lǐng)域，尤其是面向超圖表示以及圖卷積網(wǎng)絡(luò)的OD客流預(yù)測任務(wù)。該方法在利用超圖對交通拓?fù)浣Y(jié)構(gòu)的高階表示基礎(chǔ)上，引入超圖卷積神經(jīng)網(wǎng)絡(luò)，并通過歷史的OD矩陣挖掘OD客流在起始點(diǎn)(original)和目的地(destination)上的空間關(guān)聯(lián)性構(gòu)建動(dòng)態(tài)超邊，實(shí)現(xiàn)了對OD流量復(fù)雜的空間關(guān)聯(lián)性的動(dòng)態(tài)建模。相較于傳統(tǒng)的數(shù)學(xué)模型以及機(jī)器學(xué)習(xí)方法，該方法對于OD流量特征的建模更加深入和準(zhǔn)確，提高了預(yù)測準(zhǔn)確率。

一種基于動(dòng)態(tài)超圖卷積神經(jīng)網(wǎng)絡(luò)的OD客流預(yù)測方法，其特征在于包括以下步驟：

(1)對道路網(wǎng)絡(luò)利用超圖進(jìn)行建模表示，其中超圖節(jié)點(diǎn)V為路網(wǎng)節(jié)點(diǎn)，超邊E為路網(wǎng)線路，與路網(wǎng)中路網(wǎng)節(jié)點(diǎn)的連接方式相同，超圖表示中通過超邊連接多個(gè)節(jié)點(diǎn)，自此利用路網(wǎng)拓?fù)浣Y(jié)構(gòu)構(gòu)建靜態(tài)超邊G_s。

(2)采集客流OD的歷史數(shù)據(jù)，客流OD歷史的順序時(shí)間序列為{x₀，x₁，x₂，...，x_t}，x_t表示t時(shí)刻的OD值，將歷史的客流OD張量按時(shí)間軸相加得到該時(shí)段的客流OD矩陣，據(jù)此對客流OD矩陣進(jìn)行余弦相似度分析，構(gòu)造在起始點(diǎn)(original)層面的動(dòng)態(tài)超邊G_do和目的地(destination)層面的動(dòng)態(tài)超邊G_dd。