[发明专利]一种基于深度学习的轨道交通客流需求预测方法和装置

说明书

本发明属于轨道交通客流量预测领域，特别涉及一种基于深度学习的轨道交通客流需求预测方法和装置。预测方法包括：采集OD数据，数据转化为周期OD二维图序列数据；将周期OD二维图序列数据输入至空间复杂关联卷积残差网络模型，输出空间特征数据；将空间特征数据输入至提取时间特征信息模型，输出时间特征数据；使用时间特征数据进行特征提取，得到预测时刻OD客流值；根据需要对预测方法进行评估。本发明通过对OD数据的多重周期关联性进行分析，提取特征数据，得到预测时刻的OD客流预测值，预测精度高。

技术领域

本发明属于轨道交通客流量预测领域，特别涉及一种基于深度学习的轨道交通客流需求预测方法和装置。

背景技术

轨道交通是我国重要的运输方式，是我国交通运输的“骨干”，是城市的生命线工程，具有运量大、全天候、安全、低能耗、少污染等特点，对于实现城市的可持续发展具有非常重要的意义。随着信息技术的高速发展，智能化、信息化成为了轨道交通的重要发展方向，而客流需求预测是实现现代化轨道交通系统网络的重要环节。精准的短时客流需求预测有助于优化交通资源的预分配、降低轨道交通运营成本、提高旅客的出行便捷性。

客流需求具有动态时空特性。精准预测客流需求的关键在于如何准确感知客流需求的时间依赖性和空间依赖性。在时间维度上，出发地——目的地（ORIGIN-DESTINATION，OD）的客流需求存在一定的周期性、趋势性。某一特定时刻的OD客流需求不仅会与其临近的历史时刻客流需求存在依赖性，还与其不同周期的历史时刻客流需求有关。例如前一天的同期时刻、前一周的同期时刻、前一个月的同期时刻等的OD客流需求都会对该时刻的OD客流需求产生一定的影响。因此，OD客流需求在时间维度上存在多种周期模式并存的依赖关系，即多重周期关联性。在空间维度上，不同空间位置的车站或线路之间的客流需求会相互影响，同一个出发地到相邻目的地或相邻出发地到同一目的地之间的客流需求也会互相影响。此外，OD客流需求在空间维度上还存在比较常见和显著的特性是出发地依赖性和目的地依赖性。假若A地有很多公司，则早晨从相邻出发地到达A地的客流量存在明显相关性，这体现了客流需求的出发地依赖（或关联）。下午从A地到达临近的目的地的客流量也存在相互关联性，这体现了客流需求的目的地依赖（或关联）。

目前，大多采取的建模方法是基于站点历史客流数据来预测短时进出站客流量。这种方法不能准确体现轨道交通客运需求量的大小。轨道交通客流需求是指特定的出发地到特定的目的地的客流需求，客流需求具有复杂的动态非线性时空特性。目前，既有的轨道交通OD客流量预测方法大多是基于时序特征预测OD客流需求，忽略了OD客流数据中广泛存在的空间关联性。在少数基于时空特征预测OD客流需求的方法中，仅仅考虑了不同OD客流需求之间的空间相关性，而忽略了OD客流需求的出发地依赖和目的地依赖的差异性。在时间特征提取方面，未深度挖掘OD客流需求的时间特性，未细化不同周期模式下OD客流需求的关联性，不能感知轨道交通OD客流需求的多重周期关联性。

发明内容

针对上述问题，本发明提出一种基于深度学习的轨道交通客流需求预测方法，所述方法包括：

采集OD数据，将所述OD数据转化为周期OD二维图序列数据；

使用空间复杂关联卷积残差网络模型，提取所述周期OD二维图序列数据中的空间特征数据；

使用提取时间特征模型，提取所述空间特征数据中的时间特征数据；

对所述时间特征数据进行特征提取处理，得到预测时刻的OD客流预测值。

进一步地，所述提取所述周期OD二维图序列数据中的空间特征数据包括：

对所述周期OD二维图序列数据进行行堆叠变换，得到一维行堆叠OD数据；

对所述周期OD二维图序列数据进行列堆叠变换，得到一维列堆叠OD数据；

对所述一维行堆叠OD数据进行卷积残差处理，得到目的地关联空间特征信息；