[发明专利]基于动态时空相关性的OD需求预测方法及系统

说明书

本发明提出了基于动态时空相关性的OD需求预测方法及系统，涉及交通客流预测领域，获取与目标城市相关的历史乘客需求数据记录，并计算与目标时段相关的不同周期的历史OD矩阵，构建OD需求数据集；基于OD需求数据集，以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出，对构建的OD需求预测模型进行训练；采样与待预测时段相关的不同周期的OD矩阵，输入到OD需求预测模型，得到待预测时段的OD矩阵；本发明为了实现最优交通预测，提出一种基于动态时空相关性的OD需求预测模型，充分考虑OD需求趋势相关特征，有效学习节点之间的时空信息以捕获时空特征，在长期预测和短期预测上都可以准确地预测未来的OD需求。

技术领域

本发明属于交通客流预测领域，尤其涉及基于动态时空相关性的OD需求预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

交通在每个人的日常生活中起着至关重要的作用，准确的交通预测是智能交通系统中的一项重要任务。出租车作为道路交通系统中重要的一部分，是人们日常出行方式中的普遍选择。目前出租车服务常见的问题有供需关系不匹配、乘客等待时间长、空余行程过多等等。了解乘客的移动模式对提高公路系统的服务效率非常重要。因此，越来越多的工作关注于起始点-目的点(Origin-Destination,OD)预测。起始点-目的点需求反应了乘客的流动性，包含了区域之间的流量信息。如果能够准确预测乘客的起点和终点区域，就可以合理地分配出租车以减少行程时间和空车率，避免道路拥堵，促进城市智能交通系统的运营和管理。

目前为止，已经提出了多种方法来解决流量预测问题，这些方法可分为三类，第一类是传统方法，如历史平均(HA)、自回归综合移动平均(ARIMA)和向量自回归(VAR)等等，但是这些方法只适用于较小的数据集。第二类是机器学习方法，如支持向量回归(SVR)和随机森林回归(RFR)等等，但机器学习方法无法学习复杂的交通模式，很难获取到时空相关性，效率低下。第三类是深度学习方法，深度学习框架用的较多的方法有卷积神经网络(CNN)、图卷积网络(GCN)等等，此外，递归神经网络(RNN)及其变体长短期记忆网络(Long ShortTerm Memory，LSTM)或门控循环单元(Gated Recurrent Unit，GRU)通常用于建模时间依赖性。

近年来，更多工作尝试利用注意力机制、扩散模型和transformer方法对交通数据建模来动态获取空间和时间相关性；尽管一些研究利用各种方法进行时间和空间相关性建模，例如，利用注意力机制获取空间信息，利用LSTM提取OD对的时间特征，或者使用编码器-解码器来建模不同OD对之间的空间和时间特征等等，然而，上述方法都没有考虑到OD需求变化相关性，即1)相邻区域到所有目的地区域的乘客需求变化是相似的；2)到达相邻区域时，来自所有始发区域的乘客需求变化相似。此外，OD需求量会受到相关区域的客流量以及所处时间段等因素影响，总之，现有的OD需求预测方案，存在预测准确率低的问题，影响流量控制、线路规划和车辆调度。

发明内容

为克服上述现有技术的不足，实现最优交通预测，本发明提供了基于动态时空相关性的OD需求预测方法及系统，提出了一种基于动态时空相关性的OD需求预测模型，充分考虑OD需求趋势相关特征，有效学习节点之间的时空信息以捕获时空特征，在长期预测和短期预测上准确地预测未来的OD需求。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了基于动态时空相关性的OD需求预测方法；

基于动态时空相关性的OD需求预测方法，包括：

获取与目标城市相关的历史乘客需求数据记录，并计算与目标时段相关的不同周期的历史OD矩阵，构建OD需求数据集；

构建OD需求预测模型，基于OD需求数据集，以不同周期的历史OD矩阵为输入、目标时段的OD矩阵为输出，对构建的OD需求预测模型进行训练；