【技術實現步驟摘要】
本專利技術涉及城市地鐵客流預測與管理，尤其是涉及一種基于多尺度時空圖注意力網絡的地鐵客流預測方法及設備。
技術介紹
1、隨著城市化的快速推進，地鐵系統成為了現代化大城市中不可或缺的公共交通方式之一。在緩解城市交通擁堵、提高出行效率、降低碳排放等方面，地鐵系統發揮了關鍵作用。然而，地鐵系統在運營管理中面臨著一系列復雜的挑戰，尤其是在客流量大幅增長的背景下，如何精確預測地鐵客流、優化資源調度和提升乘客體驗成為了亟待解決的難題。目前，地鐵系統的客流量預測方法主要依賴于傳統的時間序列模型(如自回歸綜合滑動平均模型arima)以及回歸分析模型。這些模型基于歷史客流數據，能夠捕捉客流的短期波動和趨勢。然而，這些傳統模型的主要局限在于它們難以處理地鐵客流數據中固有的非線性和復雜的時空依賴關系?？土髁吭诓煌罔F站之間存在顯著的空間相關性，同時受諸多外部因素的影響，如天氣、節假日、突發事件等，這使得地鐵系統的客流預測成為一個高度動態且復雜的問題。特別是對于站點間的出行od(origin-destination)數據，其預測的準確性對地鐵系統的調度優化至關重要。
2、隨著深度學習技術的發展，特別是圖神經網絡(graph?neural?network,gnn)的應用，研究人員逐漸將這些技術引入到地鐵客流量預測領域。深度學習模型，如長短期記憶網絡(lstm)和圖卷積網絡(gcn)，在建模復雜的時空依賴關系方面展現了強大的能力。圖神經網絡能夠有效捕捉地鐵網絡中不同站點之間的空間關聯，而lstm等遞歸神經網絡能夠較好地處理時間序列數據中的長期依
3、然而，od級別的客流預測面臨著更加復雜的挑戰。首先，od對數量隨著地鐵站點數量的增加呈指數增長，導致數據量龐大，計算復雜度大幅提升。其次，od對的客流數據呈現出高度稀疏性，許多od對在非高峰時段幾乎沒有乘客流動，這使得模型難以有效學習稀疏數據下的流動模式。此外，od客流數據的時間波動性極強，尤其是在工作日與周末、節假日以及不同時間段之間，客流的變化趨勢更為顯著。這種動態的、不可預測的波動增加了對客流預測模型的要求。針對這些問題，現有的傳統方法如多元回歸模型或簡單的時間序列模型已難以應對地鐵客流量的復雜性。因此，迫切需要一種能夠處理大規模、高維稀疏數據并能有效捕捉時空動態變化的新型方法，以提升地鐵客流預測的精度并優化地鐵運營調度。
4、經過檢索，中國專利技術專利公開號cn117592602a公開了一種基于時空圖常微分方程的地鐵客流量預測方法及系統，所述方法包括下述步驟：采集并處理原始地鐵afc歷史數據，利用地理拓撲信息和原始歷史客流量數據構建一組地鐵網絡時空關系圖；將處理后得到的歷史客流量和圖組作為模型輸入；建立一種新的地鐵客流量預測網絡，在每個時空層中，利用兩個時序自注意力模塊和時序卷積模塊來獲取節點之間的動態多尺度的時間依賴性，利用基于張量的常微分方程來捕獲空間依賴性，并通過跳躍連接將每個時空層得到的隱藏狀態饋送到輸出層，對未來時刻地鐵客流量進行預測。該現有專利存在預測精度不夠高的問題。
5、如何通過融合知識圖譜與多尺度時空圖注意力網絡模型，實現提升地鐵客流量預測的精度，成為需要解決的技術問題。
技術實現思路
1、本專利技術的目的就是為了克服上述現有技術存在的缺陷而提供一種基于多尺度時空圖注意力網絡的地鐵客流預測方法及設備。
2、本專利技術的目的可以通過以下技術方案來實現：
3、根據本專利技術的一個方面，提供了一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，該方法包括以下步驟：
4、步驟s1，采集地鐵od對的客流數據、地鐵線網結構數據以及土地使用類型數據；
5、步驟s2，基于步驟s1的數據構建od級別的城市軌道交通知識圖譜，并計算知識圖譜的節點特征，包括計算歷史客流特征、計算土地使用信息、計算od對的可達性以及計算od對相關性；
6、步驟s3，將步驟s2中知識圖譜的節點特征輸入多尺度時空圖注意力網絡，先對節點特征進行圖過濾，再結合時空圖注意力機制模型輸出的結果更新知識圖譜的節點特征，其中所述網絡包括依次連接的圖過濾模型、時空圖注意力機制模型和多尺度lstm模型；
7、步驟s4，將更新后的節點特征輸入多尺度lstm模型，輸出地鐵客流的多尺度預測結果。
8、優選地，所述的計算歷史客流特征包括計算每個od對的歷史統計指標，所述歷史統計指標包括在特定時間段內的客流均值與標準差，以及高峰和非高峰時段的客流量，其中特定時間段包括工作日高峰、工作日非高峰、周末高峰和周末非高峰；
9、所述的計算土地使用信息為計算每個od對起點站和終點站周邊不同類型興趣點的比例；
10、所述的計算od對的可達性包括：計算每個od對最短路徑距離及可行路徑數量；
11、所述的計算od對相關性包括：通過核典型相關性分析方法，計算歷史客流序列的非線性相關性，并基于相關性閾值構建od對的關系邊，然后構建知識圖譜的邊特征。
12、優選地，所述圖過濾模型用于對提取知識圖譜特征，所述時空圖注意力機制模型用于捕捉od對之間的乘客流動相關性，并建模長期和短期的乘客流動態。
13、優選地，所述圖過濾的過程包括：
14、首先，計算度矩陣dt，度矩陣是與節點相連的邊的權重之和，其計算方式為：
15、
16、其中，度矩陣dt是對角矩陣，每個對角元素dt(p,p)表示od對節點p與鄰居節點q的度，at(p,q)為對應的鄰接矩陣，時間點t處的圖拉普拉斯算子lt定義為：
17、
18、圖過濾過程用以下公式表示：
19、
20、其中，wl是圖濾波模型中可訓練的參數矩陣，σ表示激活函數，γ為超參數，xp,t為節點p在t時刻的特征向量，x'p,t為圖過濾后的結果，n為節點集合，t為時間戳集合。
21、優選地，所述時空圖注意力機制模型分別通過空間注意力、時間注意力以及時空注意力對節點特征進行學習，再結合三種注意力機制的學習結果，得到每個節點在時間戳t時的最終節點特征表征，具體為：
22、
23、其中，σ為激活函數，n為節點集合，t為時間戳集合，和分別為節點p在時間戳t時通過空間注意力、時間注意力和時空注意力學習的節點特征。
24、更加優選地，所述空間注意力對節點特征的學習過程包括：對于節點p及其鄰居節點q，計算空間注意力系數；對空間注意力系數進行歸一化處理，以獲得時間戳的權重，根據鄰域信息和空間注意力系數對節點特征進行加權處理；
25、所述時間注意力對節點特征的學習過程包括本文檔來自技高網...
【技術保護點】
1.一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述的計算歷史客流特征包括計算每個OD對的歷史統計指標，所述歷史統計指標包括在特定時間段內的客流均值與標準差，以及高峰和非高峰時段的客流量，其中特定時間段包括工作日高峰、工作日非高峰、周末高峰和周末非高峰；
3.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述圖過濾模型用于對提取知識圖譜特征，所述時空圖注意力機制模型用于捕捉OD對之間的乘客流動相關性，并建模長期和短期的乘客流動態。
4.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述圖過濾的過程包括：
5.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述時空圖注意力機制模型分別通過空間注意力、時間注意力以及時空注意力對節點特征進行學習，再結合三種注意力機制的學習結果，得到每個節點在時間戳t時的最終節
6.根據權利要求5所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述空間注意力對節點特征的學習過程包括：對于節點p及其鄰居節點q，計算空間注意力系數；對空間注意力系數進行歸一化處理，以獲得時間戳的權重，根據鄰域信息和空間注意力系數對節點特征進行加權處理；
7.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述的多尺度LSTM模型包括天級LSTM模型和分鐘級LSTM模型，分別用于捕捉長期客流模型和短期客流趨勢；
8.根據權利要求7所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述步驟S4中輸出地鐵客流的多尺度預測結果具體為：根據分鐘級和天級LSTM的輸出結果預測地鐵客流量，公式為：
9.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述多尺度LSTM模型的訓練使用同時考慮分鐘級和天級預測損失的聯合損失函數，其公式為：
10.一種電子設備，包括存儲器和處理器，所述存儲器上存儲有計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1～9任一項所述的方法。
...【技術特征摘要】
1.一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述的計算歷史客流特征包括計算每個od對的歷史統計指標，所述歷史統計指標包括在特定時間段內的客流均值與標準差，以及高峰和非高峰時段的客流量，其中特定時間段包括工作日高峰、工作日非高峰、周末高峰和周末非高峰；
3.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述圖過濾模型用于對提取知識圖譜特征，所述時空圖注意力機制模型用于捕捉od對之間的乘客流動相關性，并建模長期和短期的乘客流動態。
4.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述圖過濾的過程包括：
5.根據權利要求1所述的一種基于多尺度時空圖注意力網絡的地鐵客流預測方法，其特征在于，所述時空圖注意力機制模型分別通過空間注意力、時間注意力以及時空注意力對節點特征進行學習，再結合三種注意力機制的學習結果，得到每個節點在時間戳t時的最終節點特征表征，具體為：
6....
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。