[发明专利]一种重大公共卫生事件下交通出行需求的预测方法

说明书

本发明公开了一种重大公共卫生事件下交通出行需求的预测方法，实现在较大范围内爆发的重大公共卫生事件下对于不同地区交通出行需求的迁移学习，通过聚类将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式；利用多元线性回归来解释交通出行需求与不同影响因素之间的相关性，进行交通出行需求的初步估计并获得回归残差；采用时序图卷积网络模型从回归残差中捕捉时空变化模式，进一步提高出行需求预测的准确性。本发明能够在保证交通出行需求预测准确率的同时实现对交通出行需求影响机制的合理解释，特别是在重大公共卫生事件后期阶段，能够提前估计居民的公交出行需求，帮助相关部门制定促进公共交通和缓解道路拥堵的措施。

技术领域

本发明涉及交通需求预测技术领域，尤其涉及一种重大公共卫生事件下交通出行需求的预测方法。

背景技术

重大公共卫生事件可能会在全国乃至全球范围内不同地区迅速蔓延，在这种情况下，不同地区政府都会采取相应的干预措施，包括宅家令、社交禁令、禁止公共集会、关闭餐馆、休闲场所和学校、暂停公共交通等，并且居民的自我保护意识也在不断增强，导致居民的出行需求降低。然而，在重大公共卫生事件后期，社区重新开放后，人们可能更倾向于乘坐私人交通工具，特别是有经济实力的人倾向于私家车出行，而没有经济能力的人更倾向于步行、自行车等便宜的代步工具，这将使得公共交通行业受到巨大冲击。研究政府干预下交通出行需求变化规律，预测重大公共卫生事件后期居民公交出行需求变化，特别是对不同地区出行需求变化的准确可迁移预测，可以帮助我们更好地掌握不同地区居民的出行规律，有助于相关部门制定促进公共交通和缓解潜在道路拥堵的措施。

用于出行需求估计与预测的模型大概分为两类：基于传统统计理论的模型和基于智能理论的模型。基于传统统计理论的预测模型采用数理统计的方法处理交通历史数据，包括历史平均法、卡尔曼滤波法、自回归移动平均模型等，其优势在于简单易实现，缺点是精度和实时性不高等。随着基于智能理论的预测模型出现，研究的热点逐渐转向了深度学习等方向。基于智能理论的模型包括遗传算法、模拟退火算法、粒子群算法、神经网络模型以及近年来受到广泛关注的深度学习模型等，这类算法具有识别复杂非线性系统的能力，因此比较适用于交通系统这种复杂系统。然而，深度学习模型往往是结构复杂、透明度低的黑箱模型，许多研究也在开发一些基于特征重要性的可解释模型，以实现对交通需求影响机制的合理解释。

此外，大部分出行需求估计与预测模型都是针对于一般时期而非发生重大公共卫生事件的特殊时期。重大公共卫生事件往往具有时间和空间传播特性，在不同地区的传播往往具有相似的时间传播特性。由于不同地区的管控和居民的防控意识不同，传播模式也会有所差别。基于以上因素，一般时期出行需求估计与预测模型不能直接应用于重大公共卫生事件影响下的交通出行需求估计与预测，需要进行一些针对性的改进。

发明内容

有鉴于此，本发明提供了一种重大公共卫生事件下交通出行需求的预测方法，用以准确掌握不同地区居民的出行规律，从而帮助相关部门制定促进公共交通和缓解潜在道路拥堵的措施。

本发明提供的一种重大公共卫生事件下交通出行需求的预测方法，包括如下步骤：

S1：对于需要进行交通出行需求预测的地区，通过多元线性回归方法得到初步回归结果，通过预先训练好的时序图卷积网络模型进行时空残差预测，得到残差预测结果；

S2：将所述初步回归结果与所述残差预测结果相加，得到最终预测结果；

其中，所述时序图卷积网络模型的训练过程包括如下步骤：

SS1：构建不同地区的交通出行需求数据库，包括不同地区的交通出行需求矩阵；

SS2：计算每两个地区的交通出行需求矩阵的DTW距离，得到DTW距离矩阵；

SS3：以所述DTW距离为相似性度量标准，对所述DTW距离矩阵进行时空相关性聚类，将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式；