[发明专利]客流预测方法、系统及计算机可读存储介质

权利要求书

1.一种客流预测方法，其特征在于，包括以下步骤：

S1、获取轨道交通客流数据和影响因素数据并进行预处理，得到客流信息；

S2、根据轨道交通客流关系构造轨道网络图、站点属性图和客流趋势图，得到图的结构信息；

S3、构建基于深度学习的混合神经网络模型，将客流信息和图的结构信息输入，得到客流预测结果；

客流预测结果具体包括：

将客流信息X和图的结构信息输入到网络中，得到未来一个时间片内的客流预测结果：

X_τ+1＝f(X,G_s,G_p,G_q)

其中G_s为轨道网络图，G_p为站点属性图，G_q为客流趋势图；

所述轨道网络图、站点属性图和客流趋势图共享相同的节点，V代表节点的集合，每个节点代表轨道交通网络中的一个地铁站点；

轨道网络图表示为G_s＝(V,W_s)，边的权重W_s根据地铁站点是否邻接决定，其公式表示为：

站点属性图表示为G_p＝(V,W_p)，边的权重W_p根据两个地铁站之间的POI相似程度进行判断；

以地铁站为中心，构造POI向量P∈R^h×1；其中h表示POI类别的数量，每个类别下的数值表示该区域中该类POI的数量；POI相似程度的计算公式表示为：

其中，和分别表示站点v_i和站点v_j的POI向量；

客流趋势图表示为G_q＝(V,W_q)，边的权重W_q根据两个地铁站之间的长期客流趋势进行计算；

长期客流趋势通过平均工作日客流和平均周末客流进行表示，客流趋势相似程度通过动态时间归整算法进行计算，其公式表示为：

其中，和分别表示站点v_i和站点v_j的长期客流趋势；

某时间段内的客流数据表示为一个二维的张量X∈R^N×T，其中N是地铁站点数量，T表示时间片数量，设置邻居节点的数目为k-1，进行规整化，图数据和客流数据集成到一个新的三维张量Z∈R^N×k×T，当前时间片客流信息为一个二维的张量Z_τ∈R^N×k；使用大小为1×k的卷积核进行特征提取，第l层的卷积运算的定义如下：

其中，*表示卷积运算，σ表示激活函数，W_l和b_l是第l层卷积核的权重和偏置在L个卷积层之后，使用一个1×1的卷积操作来减少特征的维数，得到图神经网络的输出，其定义为：

轨道网络图、站点属性图和客流趋势图通过图卷积操作之后，得到各自的高维隐藏特征，分别表示为空间特征通过一个两层全连接神经网络进行融合，融合结果表示为h_τ；将外部特征向量与客流的隐藏特征相结合，其定义为：

其中表示连接运算符；g_τ为外部特征向量；

模型通过LSTM网络对时间依赖性进行提取，并得到最终的预测结果：

邻近时间客流产生的预测结果为Y_r，短期客流产生的预测结果为Y_d，长期客流产生的预测结果为Y_w；

通过两层全连接神经网络分配权重，并产生最终的预测结果，这个过程表示为：

其中，是哈德曼乘积，W_r、W_d和W_w是全连接神经网络学习得到的权重参数。

2.如权利要求1所述的客流预测方法，其特征在于，所述客流数据包括邻近时间客流、短期客流和长期客流数据；

预处理包括：使用离差标准化对邻近时间客流、短期客流和长期客流进行处理，将客流值映射到[0-1]之间并作为模型的输入信息，表示为X_r，X_d和X_w。