[发明专利]一种基于深度学习的轨道交通客流需求预测方法和装置

权利要求书

1.一种基于深度学习的轨道交通客流需求预测方法，其特征在于，所述预测方法包括：

采集OD数据，将所述OD数据转化为周期OD二维图序列数据；

使用空间复杂关联卷积残差网络模型，提取所述周期OD二维图序列数据中的空间特征数据；包括：

对所述周期OD二维图序列数据进行行堆叠变换，得到一维行堆叠OD数据；

对所述周期OD二维图序列数据进行列堆叠变换，得到一维列堆叠OD数据；

对所述一维行堆叠OD数据进行卷积残差处理，得到目的地关联空间特征信息；

对所述一维列堆叠OD数据进行卷积残差处理，得到出发地关联空间特征信息；

对所述周期OD二维图序列数据进行卷积残差处理，得到混合关联空间特征信息；

对所述目的地关联空间特征信息、出发地关联空间特征信息、混合关联空间特征信息进行连接处理，得到空间特征数据；

使用提取时间特征模型，提取所述空间特征数据中的时间特征数据；

对所述时间特征数据进行特征提取处理，得到预测时刻的OD客流预测值。

2.根据权利要求1所述的基于深度学习的轨道交通客流需求预测方法，其特征在于，

对数据进行所述卷积残差处理包括：

对所述一维行堆叠OD数据卷积池化处理；

对所述一维列堆叠OD数据卷积池化处理；

对所述周期OD二维图序列数据卷积池化处理。

3.根据权利要求2所述的基于深度学习的轨道交通客流需求预测方法，其特征在于，

所述一维行堆叠OD数据使用第一卷积池化函数进行卷积池化处理；

所述第一卷积池化函数表述为：

（1）

式（1）中，pool是池化层，f是激活函数，是第k层网络单元需要学习的权重，是第k层网络单元需要学习的偏置；

所述一维列堆叠OD数据使用第二卷积池化函数进行卷积池化处理；

所述第二卷积池化函数表述为：

（2）

式（2）中，pool是池化层，f是激活函数，是第k层网络单元需要学习的权重，是第k层网络单元需要学习的偏置；

所述周期OD二维图序列数据使用第三卷积池化函数进行卷积池化处理；

所述第三卷积池化函数表述为：

（3）

式（3）中，pool是池化层，f是激活函数，是第k层网络单元需要学习的权重，是第k层网络单元需要学习的偏置。

4.根据权利要求1所述的基于深度学习的轨道交通客流需求预测方法，其特征在于，

对所述时间特征数据进行特征提取步骤为：

对所述时间特征数据进行融合处理，得到时间特征融合数据；

对所述时间特征融合数据进行特征提取，得到OD客流预测值。

5.根据权利要求1所述的基于深度学习的轨道交通客流需求预测方法，其特征在于，

所述预测方法还包括：

利用平均绝对误差和均方误差对所述OD客流预测值进行评估；

获取真实值与预测值的平均绝对误差和均方误差，在所述平均绝对误差小于等于第一阈值时且所述均方误差小于等于第二阈值时，所述预测方法的预测精度满足要求。