[发明专利]一种考虑突发因素的城市轨道交通短时客流预测方法

权利要求书

1.一种考虑突发因素的城市轨道交通短时客流预测方法，包括以下步骤：

获取第T-1时段内的历史客流特征矩阵P^T-1，社交媒体矩阵S^T-1，突发确诊病例矩阵C^T-1以及城市轨道交通多重图网络G_b；

利用构建的深度学习模型学习映射函数f并预测下一个时间步t的客流，表示为：

y_t＝f(P^T-1，S^T-1，C^T-1，G_b)

其中，多重图网络被定义为S＝{s₁，s₂，...，s_n}表示站点集合，n是站点数量，e_ij∈E表示站点的虚拟边，A_b是权重矩阵，B表示图结构的数量；

其中，所述深度学习模型是基于编码器-解码器的框架，编码器和解码器均由多个相同的子层堆叠，每个子层间采用残差连接，其中：

在编码器中，每个子层包含基于因果卷积的自注意力机制模块，自适应多图卷积网络和特征提取模块，该基于因果卷积的自注意力机制模块用于学习所述历史客流特征矩阵的时间特征，该自适应多图卷积网以自适应方式动态学习所述城市轨道交通多重图网络的空间特征，该特征提取模块用于融合所述时间特征和所述空间特征，获得融合矩阵；

在解码器中，每个子层包含带有掩码的基于因果卷积的自注意力机制模块，规范化的自注意力机制模块和时间卷积模块，该带有掩码的基于因果卷积的自注意力机制模块用于对解码器输入序列的时间依赖性进行建模，该规范化的自注意力机制模块用于将编码器的输出与解码器的输入进行融合，该时间卷积模块连接所述规范化的自注意力机制模块，用于捕捉客流动态长时的全局时间依赖性；

解码器的输出连接到全连接层，该全连接层用于接收来自多源数据融合模块的输出，以融合所述社交媒体矩阵和所述突发确诊病例矩阵，进而将解码器输出的客流数据特征映射至样本空间以获取预测值；

其中，所述深度学习模型采用Scalar Attention Embedding模块执行嵌入操作，包括以下步骤：

利用二维卷积核将所述历史客流特征矩阵映射至d_model维，以获得嵌入特征矩阵其中TS表示在时段t内的时间步，N表示城市轨道交通网络站点数目；

沿嵌入特征矩阵的通道轴使用平均池化和最大池化，并将平均池化结果和最大池化结果连接以生成特征图；

针对所获得的特征图，使用卷积层生成空间注意力图用以编码特征是否强调或抑制；

使用元素相乘法将空间注意力图映射至嵌入特征矩阵中，该过程利用广播机制沿通道轴扩展空间注意力图的维度，整体计算过程表示为：

其中，表示元素相乘，P′表示细化的特征输出。

2.根据权利要求1所述的方法，其特征在于，其中，所述空间注意力图定义为：

其中，σ表示Sigmoid激活函数，Conv2D^7×7表示卷积核大小为7×7的二维卷积操作，AvgPool表示平均池化，MaxPool表示最大池化。

3.根据权利要求1所述的方法，其特征在于，所述基于因果卷积的自注意力机制模块在计算注意力分数之前，将查询query和键值key的线性投影替换为因果卷积操作，所述因果卷积操作通过“扩张”操作获得更大的感受野以建模客流的局部演变趋势，并仅考虑当前位置左边的历史客流数据。

4.根据权利要求1所述的方法，其特征在于，所述历史客流特征矩阵包含客流数据中的两类周期性模式，分别是周周期性和日周期性，周周期性是指每周同一时段客流的相似特征；日周期性是指相邻两天同一时段的客流特征。