[发明专利]同时建模时空依赖性和每日流量相关性的人流量预测系统

权利要求书

1.一种同时建模时空依赖性和每日流量相关性的人流量预测系统，其特征在于，包括：ST编码器模块、FR编码器模块和解码器模块，其中：ST编码器模块通过两层卷积神经网络分层次地建模不同大小空间范围的依赖性、通过一层卷积长短期记忆网络建模时域的依赖性，并将得到的同时捕获时空依赖性的固定维向量表示输出至解码器模块；FR编码器模块基于历史流量数据序列计算每个区域之间的流量变化相似度并生成完全图输出至解码器模块；解码器模块通过一层长短期记忆网络和两层反卷积神经网络，生成人流量的预测结果；

所述的完全图中通过图嵌入方法为每个区域生成表示向量，使得流量变化相似的区域具有更接近的表示向量；

所述的完全图中每个节点表示一个区域，每条边表示两个对应区域的流量变化相关性；

所述的ST编码器模块：包括两层卷积神经网络来分层次地捕获不同范围大小的空间依赖性，一层卷积长短期记忆网络来同时捕获时域和空域的依赖性，将输入的人流量张量序列编码为固定维的表示向量，具体为：

1)基于地理坐标将一个城市划分为大小为M×N的网格地图，其中的每一个网格代表一个区域；

2)原始数据是形式为(p^startp^end，t^start，t^end)的轨迹数据，表示一条在t^start时刻以p^start为起点，在t^end时刻以p^end为终点的轨迹，将轨迹数据转换为一个区域在某个时间段内的流入量和流出量，具体为：其中：和分别表示在第t个时间段(s_t，e_t]内，区域r_ij的流入量和流出量；本系统将整个城市所有区域的流入量和流出量合在一起，构成在第t个时间段全市的流量张量

以当前时刻前A个时间段的流量张量序列{Δ_t|t＝T-A+1，...，T-1，T}为输入，预测后B个时间段内的流量张量序列{Δ_t|t＝T+1，T+2，...，T+B}；

所述的ST编码器模块，在时间点T的输入是由前A个时间段的流量张量组成的序列{Δ_T-A+1，...，Δ_T-1，Δ_T}，ST编码器模块中的两层CNN将分层地提取不同范围大小的空间依赖性，生成对应的特征表示张量具体为：其中：t＝T-A+1，...，T-1，T，*表示卷积操作，f(·)表示非线性的激活函数，W和b是需要学习的参数，在一个具体的时间点T被区域所共享；

所述的ST编码器模块中进一步设有一层ConvLSTM，两层CNN生成的特征表示张量将作为输入依次进入ConvLSTM来进一步捕获时空依赖性，由于ConvLSTM单元内卷积操作的存在，使得其状态的更新不仅受当前时刻的输入和之前的状态影响，还受其邻居的影响；

所述的卷积长短期记忆网络，在特定的一步t，ConvLSTM以对应的特征表示张量为输入，并且通过卷积操作来决定是否激活其输入门i_t、遗忘门f_t、输出门o_t以及如何更新其记忆状态和隐藏状态最初的状态和被初始化为0以保证系统对未来状况的“完全无知”；ConvLSTM单元对应的更新公式如下：其中：t＝1，2，...，A，和分别是对应于第t步的记忆状态和隐藏状态，表示外部输入，ConvLSTM(·)表示ConvLSTM的更新公式，具体为：i_t＝σ(W_xi*X_t+W_hi*H_t-1+b_i)，f_t＝σ(W_xf*X_t+W_hf*H_r-1+b_f)，o_t＝σ(W_xo*X_t+W_ho*H_t-1+b_o)，其中：*表示卷积操作，表示Hadamard积，σ(·)表示sigmoid激活函数，W和b是需要学习的参数；

所述的FR编码器模块：捕获区域之间每日流量变化的相关性，首先通过计算区域间流量变化的相似度，得到区域间每日流量相关性，生成以区域为节点、以区域间流量变化相关性为边的完全图，然后运用图嵌入法为每个区域生成唯一的表示向量；

所述的解码器模块将所有区域的向量共同组成张量与ST编码器模块中ConvLSTM最终的记忆状态、隐藏状态拼接，共同作为解码器模块中ConvLSTM的初始状态：其中：表示连接操作，C^e和H^e是ST编码器模块中ConvLSTM的最终状态；再基于两个编码器模块生成的固定维的表示向量，通过一层卷积长短期记忆网络和两层反卷积神经网络，在时间维度解码后通过两层反卷积神经网络来生成和输入序列尺寸大小相同的预测结果张量序列；

所述的时间维度解码是指：根据ConvLSTM的初始状态和在某个具体的步骤t，没有其他的外部输入进入解码器模块的ConvLSTM，是否激活其各门阀取决于前一步的状态和对应的更新公式为：

所述的预测结果张量序列，通过两层反卷积神经网络在特定的时间点T，对于第t步，基于ConvLSTM的输出两层反卷积神经网络将生成预测结果张量其中：t＝1，2，...，B，表示反卷积操作，W和b表示需要学习的参数，预测结果张量序列，即表示T时刻后B个时间段内人流量的张量序列{Δ_T+1，Δ_T+2，...，Δ_T+B}。