[发明专利]基于知识图谱与时空图卷积的行人流量预测方法及系统

权利要求书

1.基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，包括：

获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；

根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；

基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；

将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；

其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。

2.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述传感器采集的人流量数据，采用监控视频的形式，基于子时段的监控视频，通过图像识别，得到各个子时段各个传感器监测到的人流量。

3.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，计算传感器i和j之间的关联度，具体方法为：

区分传感器i的拥堵状态和正常状态；

根据状态，划分传感器i的拥堵时间集和正常时间集；

基于传感器i的拥堵时间集和正常时间集，确定传感器j的拥堵样本集和正常样本集；

根据两个样本集的均值和标准差，计算关联度。

4.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述时序知识图谱，表示为四元组(Sen_i,Rv,Sen_j,t)；

其中，Sen_i、Sen_j表示传感器i和j，t为子时段，Rv表示子时段t中传感器之间的关联度。

5.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述子时段的空间图，定义为G_t＝(V,E_t,A_t,X_t)；

其中，t为子时段，节点集V表示传感器集合，边集E_t表示节点之间的连接关系，由两节点之间的关联度动态调整，邻接矩阵A_t用来存储节点间的连接关系及关联度，特征矩阵X_t表示传感器的人流量。

6.如权利要求5所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述时空图卷积模型，由双层图卷积模型和时序卷积模型构成；

所述双层图卷积模型，以各子时段的特征矩阵和邻接矩阵为输入，得到各子时段的空间特征向量，组成带有空间特征的时序信号；

所述时序卷积模型，以带有空间特征的时序信号为输入，预测并输出下一时段各个传感器的人流量。

7.如权利要求6所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述时序卷积模型包含7层残差连接，每层残差块由两层TCN卷积块、Weight Norm层、非线性映射和Dropout层组成，所述TCN卷积块包含因果卷积和空洞卷积。