[发明专利]深度图卷积短时客流预测方法、系统、介质、设备及终端

说明书

本发明属于轨道交通客流量预测技术领域，公开了一种深度图卷积短时客流预测方法、系统、介质、设备及终端，对收集的轨道交通数据进行特征分析及去噪处理，生成大量近似真实数据分布的时序数据样本；构建基于图卷积S‑GCN神经网络模型，获取轨道交通站点之间动态空间关联关系；对短时进出站客流进行预测，并对网络模型进行调优，获得最优预测效果；构建LSTM模型，将外部影响因素作为模型输入，并将输出结果与最优预测效果进行全连接，实现短时客流预测。本发明通过深度生成对抗神经网络生成与真实数据非常相似的大规模数据，为后续客流预测模型提供海量数据样本支撑，从而增强模型的泛化性和稳定性，提高轨道交通短时客流预测的精度。

技术领域

本发明属于轨道交通客流量预测技术领域，尤其涉及一种深度图卷积短时客流预测方法、系统、介质、设备及终端。

背景技术

目前，城市轨道交通(URT)因速度快、准点率高等优势，而倍受出行者青睐，已成为城市居民出行的首选公共交通工具。随着城市化进程不断推进，城市人口数量激增，随之而来的是市民出行需求量与日俱增，速度已远超出城市公共交通设施的扩建速度，导致城市轨道交通网络日趋拥堵，给城市轨道交通造成巨大的压力。为此，如何优化城市轨道交通的运营管理和车辆调度，以充分利用有限交通资源服务更多的市民出行需求，具有重要价值和现实意义。

短时客流预测是轨道交通运营优化的基础，是车辆调度优化的关键依据。然而，城市轨道交通客流的非线性、随机性、时变性、周期性、时空性等特征，给短时客流预测带来了挑战。并且准确的短时客流预测，通常需要大规模高质量历史样本数据作为支撑。然而，受数据安全法限制，当前城市交通客流数据的开放程度非常低，难以获取大规模高质量的城市客流历史数据，这进一步加大了短时客流预测的难度。在这样的背景下，亟需设计一种新的客流预测方法。

通过上述分析，现有技术存在的问题及缺陷为：受数据安全法限制，当前城市交通客流数据的开放程度非常低，难以获取大规模高质量的城市客流历史数据，这进一步加大了短时客流预测的难度。

发明内容

针对现有技术存在的问题，本发明提供了一种深度图卷积短时客流预测方法、系统、介质、设备及终端，尤其涉及一种基于生成式数据增强的卷积神经网络的轨道交通客流量预测方法、系统、介质、设备及终端。

本发明是这样实现的，一种深度图卷积短时客流预测方法，深度图卷积短时客流预测方法包括：对收集的轨道交通数据进行特征分析及去噪处理，生成大量近似真实数据分布的时序数据样本；构建基于图卷积S-GCN神经网络模型，获取轨道交通站点之间动态空间关联关系；对短时进出站客流进行预测，并对网络模型进行调优，获得最优预测效果；构建LSTM模型，将外部影响因素作为模型输入，并将输出结果与最优预测效果进行全连接，实现短时客流预测。

进一步，深度图卷积短时客流预测方法包括以下步骤：

步骤一，从AFC地铁刷卡数据中获取小样本数据，并对已获得的小样本数据进行预处理，查看预处理后的小样本数据的概率分布情况；

步骤二，根据步骤一中预处理后的小样本数据的概率分布情况，构建基于深度对抗神经网络的生成式数据增强模型S-GAN，生成近似小样本数据的大量样本，扩充训练数据集；

步骤三，构建基于动态图卷积的S-GCN，通过扩充后的训练数据集获取不同时刻站点之间实时动态的空间依赖关系图；

步骤四，构建并优化深度学习Transformer模型，将时间序列数据及时间时序数据对应的空间关系图作为模型的输入，将对应下一时刻的输出作为短时客流预测结果；

步骤五，构建并优化LSTM模型，将历史客流特征数据对应的影响客流量的外部因素作为输入并进行迭代，得到最优模型参数；