[发明专利]一种地铁站人流量峰值的预测方法、装置和计算机设备

说明书

本申请涉及一种地铁站人流量峰值的预测方法、装置和计算机设备。所述方法包括：根据历史数据获得人流密集地铁站及其人流量峰值时段，构建训练样本集，将其输入基于图卷积的时空特征提取网络、峰值判别网络和峰值预测网络的预测模型，提取人流密集地铁站的人流量时空特征，输出峰值判别和峰值预测结果，根据预先设置的基于调整类别权重的损失函数训练预测模型。将地铁站的实时人流量数据输入训练好的预测模型，得到实时峰值判别和预测结果。上述方法在分类与回归框架上基于图卷积网络判别和预测地铁站人流量峰值，以基于调整类别权重的损失函数为目标函数，避免了峰值预测偏低的问题，提高了地铁站人流量预测的准确度。

技术领域

本申请涉及于数据挖掘技术领域，特别是涉及一种地铁站人流量峰值的预测方法、装置和计算机设备。

背景技术

城市作为区域经济、政治和文化的中心，城市居民的日常出行需求呈多样化高频次的特点。但公共交通拥挤、公共场所人群密集、道路交通拥堵等低出行舒适度的问题也日益突出。对人流密集区域或交通站点人流量变化进行预测有利于人流密集管控、道路交通疏导等措施的展开。

人流量变化预测的实现通常是根据历史观测数据构建人流量预测模型，使用该模型预测未来一段时间内城市中某区域或交通站点的人群到达和离开的数量。人流量变化预测属于时间序列预测的一种，根据其预测算法的不同可分为基于传统机器学习方法和深度学习方法两大类。基于传统机器学习的人流量变化预测方法构建的大多数是单目标变量、浅层的人流量变化预测模型。近年来，多数人流量预测模型采用了深度学习方法，利用全连接层、经典卷积网络层或图卷积网络层对人流量时间序列进行空间维度的关联关系建模，取得了比基于传统机器学习方法更好的预测性能。

但是目前的人流量变化预测方法往往在人流量出现峰值时出现低估的现象，即虽然其预测结果高于同一时段历史平均值，但仍然低于真实的人流量。如地铁站的人流量变化通常较有规律，其人流量高峰时段基本与人们上下班通勤时段一致。然而由于交通状况的快速变化、社区活动、天气等多种因素，某些地铁站在某些时段可能出现特别大的人流量高峰。这种突然出现的人流量“峰”值，远高于该地铁站同一时段历史平均的高峰人流量。现有大部分人流量预测算法以降低平均预测误差为目标进行预测模型优化，这使得大多数模型在上述“峰”值的预测上会出现“低估”的现象。这一问题非常不利于城市公共安全、人流密集管控等措施的实施。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高地铁站人流量峰值时段预测准确度的一种地铁站人流量峰值的预测方法、装置和计算机设备。

一种地铁站人流量峰值的预测方法，所述方法包括：

从预设的数据源获取地铁站的历史人流量数据，根据历史人流量数据将对应地铁站标记为人流密集地铁站，并获得人流密集地铁站的人流量峰值时段，根据人流密集地铁站和对应的人流峰值时段构建训练样本集。

将训练样本集中的人流密集地铁站和对应的人流峰值时段输入预先设置的预测模型，预测模型包括：基于图卷积的时空特征提取网络、基于全连接网络的峰值判别网络和峰值预测网络。

由时空特征网络提取人流密集地铁站的人流量时空特征，由峰值判别网络和峰值预测网络输出峰值判别结果和峰值预测结果，根据人流量时空特征、峰值判别结果、峰值预测结果以及预先设置的基于调整类别权重的损失函数，训练预测模型，得到训练好的预测模型。

获取地铁站的实时人流量数据，将实时人流量数据输入训练好的预测模型，得到实时人流量数据的峰值判别结果和峰值预测结果。

其中一个实施例中，基于调整类别权重的损失函数的构建方式包括：

根据峰值判别网络和所述峰值预测网络的分类损失与回归损失的比例调整因子、调整类别损失的权重参数、正类样本和负类样本的修正交叉熵损失、正类样本和负类样本的预测均方根误差，构建峰值判别损失函数和峰值预测损失函数。