[发明专利]基于时空并行栅格神经网络的地铁人流量预测方法及系统

说明书

本发明提供了一种基于时空并行栅格神经网络的地铁人流量预测方法及系统，包括：提出一种栅格神经网络来学习地铁人流量的时间关系，捕捉地铁人流量短期时间相关性；进一步捕捉地铁人流量的长期时间相关性；通过基于转移流量的指标来度量地铁站间的空间相关性，并基于这种指标将地铁系统建模成加权有向图；基于地铁加权有向图的构建，将传播图神经网络与栅格神经网络组合，学习地铁人流量的动态空间相关性；并行执行长短期时间相关性和动态空间相关性的学习过程，并融合两者的结果得到最终的地铁人流量预测结果。本发明采用了一种时空并行学习的框架，它能够有效地学习到地铁人流量的长短期时间相关性和动态空间相关性，并将所学知识应用于预测。

技术领域

本发明涉及时空数据挖掘和城市计算领域，具体地，涉及一种基于时空并行栅格神经网络的地铁人流量预测方法及系统。

背景技术

目前，中国的地铁系统建设仍处在蓬勃发展的阶段。上海市在2018年至2023年期间计划新建9条地铁线路；广州市2018年开工建设6条地铁线路，总长110公里，车站73座。对于地铁站人流量的精准预测，可起到辅助规划建站规模、辅助排定地铁班次、合理安排地铁工作人员等关键作用，对满足国人日常出行需求具有重要的实际意义。

迄今为止，已有诸多工作针对车速、车流量、人流量等交通情况的预测展开研究。这些工作或使用传统的时间序列分析的方法(如ARIMA及其衍生方法)、或使用基于深度学习的方法(如RNN、CNN、GNN)。然而由于下文所述的两点原因，上述方法并不能直接用于解决地铁站人流量的预测问题。

首先，虽然RNN可以很好的捕捉时间序列数据的短期非线性时间相关性，其通常由于梯度消失等问题在学习长期时间相关性上性能不佳。即使LSTM和MResRGMM可以一定程度上解决传统RNN存在的上述问题，这些模型仍然存在着门机制复杂、训练耗时长等缺陷。

其次，绝大多数现有交通预测方面的工作使用地理特性(如距离、连通性等)来表征不同城市区域或路段之间的空间相关性。然而地理特性往往不能恰当刻画地铁站之间转移流量，两地铁站之间的转移流量往往不由其间的距离决定，距离远的两站之间的转移流量往往可大可小，因此仅仅依靠地理特性无法表达地铁站之间的空间相关性。另外，地铁站之间空间相关性的动态特性更使得其难以用静态的空间特性来表征。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于时空并行栅格神经网络的地铁人流量预测方法及系统。

根据本发明提供的一种基于时空并行栅格神经网络的地铁人流量预测方法，包括如下步骤：

步骤A：通过栅格神经网络来学习地铁人流量的时间关系，并基于短期历史地铁人流量和近邻栅格神经网络捕捉地铁人流量的短期时间相关性；

步骤B：基于长期历史地铁人流量和周期栅格神经网络进一步捕捉地铁人流量的长期时间相关性；

步骤C：通过一种基于转移流量的指标来度量地铁站间的空间相关性，并基于所述指标将地铁系统建模成加权有向图；

步骤D：基于地铁加权有向图的构建，将传播图神经网络与栅格神经网络组合，学习地铁人流量的动态空间相关性；

步骤E：并行执行长短期时间相关性和动态空间相关性的学习过程，并融合两者的结果得到最终的地铁人流量预测结果。

优选地，所述步骤A包括：

步骤A1：对于整个地铁系统，在时间间隔t内，通过n维向量来表示n个站点的地铁出站流量，提取过去T个时间间隔的地铁人流量数据作为短期历史输入数据，即X_1：T＝(x_t-(T-1)，x_t-(T-2)，…x_t)；

步骤A2：定义栅格神经网络来学习时间关系，栅格神经网络的基本单元由一维卷积神经网络和非线性激活函数组成；