[发明专利]基于时空并行栅格神经网络的地铁人流量预测方法及系统

权利要求书

1.一种基于时空并行栅格神经网络的地铁人流量预测方法，其特征在于，包括如下步骤：

步骤A：通过栅格神经网络来学习地铁人流量的时间关系，并基于短期历史地铁人流量和近邻栅格神经网络捕捉地铁人流量的短期时间相关性；

步骤B：基于长期历史地铁人流量和周期栅格神经网络进一步捕捉地铁人流量的长期时间相关性；

步骤C：通过一种基于转移流量的指标来度量地铁站间的空间相关性，并基于所述指标将地铁系统建模成加权有向图；

步骤D：基于地铁加权有向图的构建，将传播图神经网络与栅格神经网络组合，学习地铁人流量的动态空间相关性；

步骤E：并行执行长短期时间相关性和动态空间相关性的学习过程，并融合两者的结果得到最终的地铁人流量预测结果。

2.根据权利要求1所述的基于时空并行栅格神经网络的地铁人流量预测方法，其特征在于，所述步骤A包括：

步骤A1：对于整个地铁系统，在时间间隔t内，通过n维向量来表示n个站点的地铁出站流量，提取过去T个时间间隔的地铁人流量数据作为短期历史输入数据，即X_1:T＝(x_t-(T-1),x_t-(T-2),…x_t)；

步骤A2：定义栅格神经网络来学习时间关系，栅格神经网络的基本单元由一维卷积神经网络和非线性激活函数组成；

步骤A3：将所述基本单元扩展到所有的时间步骤和不同卷积层，并共享相同的权重矩阵W，从而构成栅格神经网络的整体结构；给定输入的地铁出站流量数据序列X_1:T，设定一个栅格神经网络在一个卷积层上的操作定义为：

其中*表示零填充的一维因果卷积运算，W表示在所有卷积层之间共享的内核权重矩阵参数；表示第k-1层栅格神经网络的隐藏输出值。

步骤A4：搭建一个具备s层的近邻栅格神经网络Γ^(s)，并初始化在堆叠s层卷积层之后，将第s层的隐藏层输出的最后一个单元作为近邻栅格神经网络的输出结果，即：

式中，Γ^(s)(·)表示具有s层的近邻栅格神经网络的整体运算操作。

3.根据权利要求1所述的基于时空并行栅格神经网络的地铁人流量预测方法，其特征在于，所述步骤B包括：

步骤B1：基于地铁人流量的日周期特性，提取过去D天内与预测时段相同的时间间隔内的地铁人流量数据作为长期的日周期历史输入数据，即：

其中，m表示一天中的时间间隔数；

步骤B2：将日周期地铁历史人流量数据与近邻栅格神经网络的输出结果组合构成新的序列，并输入到另一个构建的周期栅格神经网络Γ^(p)来进一步学习地铁人流量的长期时间相关性，即：

4.根据权利要求1所述的基于时空并行栅格神经网络的地铁人流量预测方法，其特征在于，所述步骤C包括：

步骤C1：提出一种基于转移流量的度量指标来表示地铁站之间的空间相关性；

步骤C2：基于上述定义的空间相关性度量指标，将整个地铁系统建模为加权有向图G_t＝(V,ε_t,M_t)，其中V＝{1,2,…n}表示由所有地铁站组成的顶点集，ε_t表示边缘集，表示以作为边权重的邻接矩阵，即：

步骤C3：提出基于传播与空域分解的传播图卷积神经网络(DGCN)，为预测在时间间隔t+1处的地铁出站流量，将地铁有向图G_t的输入节点特征定义为：

其中(·)^tr表示转置操作，表示第n个站在时间间隔t的入站流量，将地铁有向图输入DGCN来学习地铁人流量的空间相关性：

其中Ψ(·)表示DGCN的整体操作，表示逐元素乘积，θ_w表示DGCN的模型参数。