[發明專利]一種基于多任務學習的多模式交通短時客流協同預測方法

在審

• 申請號: 202210735909.6
• 申請日: 2022-06-27
• 公開（公告）號: CN115146844A
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 張金雷;楊立興;楊詠杰;金廣垠;李小紅;李樹凱;高自友
• 申請（專利權）人: 北京交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/04;G06N3/08;G06Q50/30
• 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多任務學習的多模式交通短時客流協同預測方法。該方法包括：獲取目標區域內三種交通模式的客流數據，包括地鐵和公交的進站客流時間序列，以及出租車的流入時間序列：將獲取的三種模式的客流時間序列輸入到經訓練的預測模型，輸出后續時間段三種交通模式的流入客流信息。本發明協同考慮地鐵、出租車和公交三種交通方式的進站客流并分別準確地預測不同交通方式的未來時段客流，實現對區域內多模式交通短時客流的準確預測。

技術領域

本發明涉及交通客流預測技術領域，更具體地，涉及一種基于多任務學習的多模式交通短時客流協同預測方法。

背景技術

隨著“出行即服務”(MaaS)的盛行，協同考慮多種交通模式已經成為研究熱點。然而，開展多模式交通短時客流預測存在困難。首先，由于融合多種交通模式，導致其客流數據的時空特征極為復雜。其次，多模式交通客流具有差異大、波動大的特點，致使多模式交通客流難以準確預測。

近年來，隨著人工智能技術與大數據的快速發展，涌現出許多針對短時客流預測的新思路、新方法。由于短時客流預測的本質是一種時間序列預測任務，與交通流預測等預測任務相似，鑒于此，下文針對國內外交通領域相關的時間序列預測模型進行綜述。現有的預測模型主要劃分為四類：傳統的數理統計預測模型、基于機器學習的預測模型、基于深度學習的預測模型、基于多任務學習的預測模型。

傳統的數理統計預測模型通常將客流或交通流視為時間序列數據，多種類型的模型被廣泛應用到短時客流或交通流的預測中。例如ARIMA(差分整合移動平均自回歸模型)、歷史平均模型、邏輯回歸模型、卡爾曼濾波模型等。然而，傳統的數理統計預測模型只能獲取數據的一部分信息，無法充分獲取數據中的時空特性，因此，該類預測模型的預測精度提升空間有限。

基于機器學習的預測模型被廣泛的應用至與交通相關的時間序列預測任務中，并實現較高的預測精度，例如貝葉斯網絡、K近鄰模型、支持向量機等。相較于傳統的數理統計模型而言，機器學習模型取得了更好的預測結果和更高的預測精度，但在處理龐大復雜的數據時，這些模型的預測精度可能會有所下降。此外，大部分基于機器學習的模型只適用于預測單個站點或區域，很難適用于全網層面的客流預測或基于多任務學習的預測。

基于深度學習的預測模型被廣泛應用于交通領域。在早期階段，通常將深度神經網絡和循環神經網絡(RNN)應用于客流和交通流的預測。作為RNN的一個典型代表模型，長短時記憶網絡(LSTM)十分適合處理時間序列預測任務。然而，該類模型無法捕獲數據的空間特征。此外，LSTM模型無法并行執行，導致訓練模型的時間較長。隨著卷積神經網絡(CNN)的廣泛應用，基于CNN的預測模型能夠全面獲取蘊藏在交通數據中的空間特征。由于CNN處理數據的方式，該模型在處理交通數據時很可能會導致拓撲信息丟失，致使預測精度下降。圖卷積神經網絡(GCN)能夠充分地獲取站點或區域之間的時空相關性，但該類模型都是針對特定的任務或者特定的交通模式構建，也稱為單任務學習模型。實際上，一種交通模式的客流很可能會受到其他交通模式的影響，而基于單任務學習構建的模型無法考慮多種交通模式的影響，致使在某些場景中，預測精度較低。

基于多任務學的預測模型能夠同時考慮多種不同的任務。例如，基于GCN的多任務學習模型用于交通路網上的出租車需求預測，該模型將局部關系圖和全局關系圖視為兩種不同的任務，通過多任務學習實現對出租車需求的預測。又如，通過將城市劃分為若干區域，并進行區域分類，將不同類別的區域的客流預測任務視為不同任務，實現基于多任務學習的短時客流預測。但在已有研究中，將不同交通模式的客流統一視為一個區域的客流，該模型的目標是進行區域的短時客流預測，未能分別考慮不同交通模式，分別預測不同交通模式的未來客流。

綜上，目前關于多模式交通短時客流預測存在如下問題：1)缺乏分別考慮地鐵、公交及出租車三種不同交通模式的客流預測的方案，無法協同地預測多種交通模式未來進站客流；2)每種交通模式在工作日的客流規律較為相似，但不同交通模式的客流規律之間存在較大差異，如何合理的建模從而協同考慮不同交通模式也是既有問題之一；3)不同的交通模式客流數據不同，需要考慮如何組織數據結構。