[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

说明书

本发明公开了一种考虑突发因素的城市轨道交通短时客流预测方法。该方法包括：获取第T‑1时段内的历史客流特征矩阵，社交媒体矩阵，突发确诊病例矩阵以及城市轨道交通多重图网络；利用构建的深度学习模型学习映射函数，以融合客流数据、社交媒体数据和突发确诊病例数据，预测下一个时间步的客流信息。本发明有效提升了突发事件期间客流预测的准确性，可以为城市轨道交通系统客流数据预测提供有效工具。

技术领域

本发明涉及交通客流预测技术领域，更具体地，涉及一种考虑突发因素的城市轨道交通短时客流预测方法。

背景技术

动态建模复杂的客流时空相关性是实现突发事件期间准确客流预测的关键问题。为实现突发事件期间精确的城市轨道交通短时客流预测，一些学者展开深入研究。

经分析，目前突发事件期间的客流预测方案存在以下缺陷：1)但现有模型一般基于预定义图展开建模，鲜有提出利用动态图思想捕捉客流的空间依赖性，导致模型预测效果不佳；2)现有大多数的深度学习模型在预测客流时仅考虑历史客流数据，事实上影响客流变化的因素很多，利用相关数据捕捉不同因素对客流的影响有利于提高预测的准确性，值得进一步研究。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种考虑突发因素的城市轨道交通短时客流预测方法。该方法包括以下步骤：

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。

与现有技术相比，本发明的优点在于，借助优化的自注意力机制和自适应多图卷积结构，构建一种切实有效的深度学习框架，同时将突发事件期间客流数据、突发确诊病例、相关社交媒体数据量有机融合，以充分研究突发事件对客流变化的影响，捕捉客流动态复杂的时空特征，在满足短时客流预测“实时性”要求的同时，提高了突发事件期间客流的预测精度。

附图说明

图1是根据本发明一个实施例的考虑突发因素的城市轨道交通短时客流预测方法的流程图；

图2是根据本发明一个实施例的ST-former模型的架构图；

图3是根据本发明一个实施例的Scalar Attention Embedding计算过程示意图；

图4是根据本发明一个实施例的客流局部特征图；

图5是根据本发明一个实施例的扩散因果卷积示意图；

图6是根据本发明一个实施例的多源数据融合模块示意图；

图7是根据本发明一个实施例的客流周期性表示示意图；

图8是根据本发明一个实施例的客流数据与突发事件相关数据对比示意图；

图9是根据本发明一个实施例的南宁地铁站点预测效果比较图；