[發明專利]一種基于元學習的地鐵新開車站短期客流預測方法

有效

• 申請號: 202210735898.1
• 申請日: 2022-06-27
• 公開（公告）號: CN115146843B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 張金雷;韓闊;朱春琪;李小紅;李松松;黃曉宇
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F17/00
• 分類號: G06F17/00
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 耿慧敏;朱偉軍

本發明公開了一種基于元學習的地鐵新開車站短期客流預測方法。該方法包括：將目標車站的短期客流預測問題進行建模；構建元學習器，以通過多個元學習任務從數據豐富的源站點學習知識，并將學到的知識轉移到數據有限的新開車站，實現對目標車站的短期客流預測。利用本發明，能夠準確預測新開地鐵車站的客流，并且可以推廣到數據缺乏條件下的非新開地鐵車站后，提升了預測性能。

技術領域

本發明涉及交通客流預測技術領域，更具體地，涉及一種基于元學習的地鐵新開車站短期客流預測方法。

背景技術

精確的地鐵車站短時預測客流，對于合理配置站內資源、緩解擁堵、降低運營風險具有重要意義。相比于歷史客流數據充足的車站，新開通地鐵車站的客流數據有限，這會降低新開車站內的短時客流預測精度，增加車站管理和運營的難度。因此如何精準預測新開通地鐵車站的短時客流是亟待解決的問題，既有的短時客流預測方法普遍依賴于充足的歷史客流數據，難以直接應用于新開通的地鐵車站。

時空預測是大數據時代地鐵運營管理的一項基礎性任務。傳統的時間序列預測方法已被廣泛使用，如HA方法、ARIMA、卡爾曼濾波方法等。近年來，許多經典的深度學習方法被引入到交通時空預測領域，如門控循環單元(GRU)、CNN、ST-ResNet和ST-GCN。隨后，出現了基于RNN、CNN和GCN的混合模型，或者將殘差架構與LSTM(長短時記憶網絡)相結合，用于地鐵車站的短期客流預測。

總體而言，已有的時空模型表現良好需要提供大量數據支持。但是，由于新開通的車站客流數據不足，使得依賴于充足數據的時空預測模型無法達到令人滿意的性能。因此，有必要引入一個框架，該框架不僅可以利用上述方法在具有足夠數據的多個站點上捕獲時空知識，而且可以將知識轉移到數據稀缺站點。

遷移學習方法為在數據不足的情況下進行準確預測提供了解決方案，但在地鐵客流預測方面的應用較少。遷移學習方法通過將知識從數據豐富的源域遷移到數據有限的目標域來解決問題。例如，為了解決數據不足的空氣質量預測問題，遷移學習方法從數據豐富的城市學習多種模式的語義相關詞典，同時將詞典轉移到數據不足的目標城市。又如，以數據模式和地理屬性為標準，從數據充足的鏈路(即源鏈路)中選擇與目標鏈路相似的鏈路(即數據不足的鏈路)，并將知識轉移到目標鏈路。然而，當知識從單一源域轉移時，轉移的性能不穩定。例如，如果源域和目標域的特征匹配良好，則遷移的性能表現較好。但是，如果源域和目標域的特征不匹配，則遷移學習方法將沒有任何貢獻，甚至會降低性能。

總之，目前針對新開地鐵車站的短時客流預測主要存在以下問題：1)既有的短時客流預測方法依賴于充足的歷史客流數據，難以應對數據缺乏條件下的地鐵車站客流預測。2)雖然遷移學習方法為數據缺乏條件下的客流預測提供了解決方案，但既有遷移學習方法考慮單一目標之間的知識遷移，導致遷移學習的效果不穩定，例如遷移對象與被遷移對象之間的特征相似時，遷移效果較好，而當兩者之間的特征不相似時，遷移效果較差。

發明內容

本發明的目的是克服上述現有技術的缺陷，提供一種基于元學習的地鐵新開車站短期客流預測方法，該方法包括：

將針對目標車站的短期客流預測問題建模為：

其中，S_u＝{s₁,…,s_u}是一組源車站，S_t＝{s₁,…,s_t}是一組目標車站，τ是歷史時間步的數量，是目標車站第τ+1個時間步的客流，f為客流預測模型，θ₀表示從源車站提取后遷移到目標車站的參數，至是目標車站的τ歷史時間步的客流信息；

通過以下步驟獲得目標車站第τ+1時間步的客流：