[发明专利]一种基于时空图卷积网络的公共交通流量预测方法

权利要求书

1.一种基于时空图卷积网络的公共交通流量预测方法，其特征在于，步骤如下：

步骤(1)、获取公共交通流量数据并进行预处理；

步骤(2)、公共交通网络建模；

步骤(3)、构建时间序列特征；

步骤(4)、构建时空图卷积网络；

将时间序列特征A和节点特征X作为时空图卷积网络的输入；时空图卷积由图卷积网络和门控循环单元构成；

步骤(5)、训练时空图卷积网络；

步骤(6)、时空图卷积网络的测试过程；

训练完成后，将测试集输入在步骤(5)中保存下来的时空图卷积网络中即可得到测试结果，用于预测未来某一时间段交通流量。

2.根据权利要求1所述的一种基于时空图卷积网络的公共交通流量预测方法，其特征在于，步骤(1)具体方法如下：

收集三个月内某一地区地铁的乘客流量数据；以30分钟为时间窗口，统计每个时间窗口内的乘客数量以及他们的出发地和目的地；将所有数据按照6：2：2的比例划分为训练集、验证集和测试集。

3.根据权利要求2所述的一种基于时空图卷积网络的公共交通流量预测方法，其特征在于，步骤(2)具体方法如下：

将地铁站点作为顶点即节点，建立邻接矩阵其中N为节点数，即地铁站点数量；A_i,j表示一个时间窗口内由站点i去往站点j的乘客数量，得到有向有权无环图；将该图命名为流量共现图，其邻接矩阵为流量共现矩阵；由于每个所处地理位置不同，其周围地域功能不同，故随机初始化可学习参数作为节点特征，其中D为特征维度。

4.根据权利要求3所述的一种基于时空图卷积网络的公共交通流量预测方法，其特征在于，步骤(3)具体方法如下：

考虑到乘客数量变化的周期性和实时性，选择邻接、日、周乘客流量数据作为特征；邻接特征属于实时特征，由被预测时间窗口邻接的T_n个时间窗口的流量共现矩阵拼接后得到日特征属于周期特征，由前T_d天与被预测时间窗口处于相同时段的流量共现矩阵拼接后得到周特征同样属于周期特征，由前T_w周与被预测时间窗口处于相同时段的流量共现矩阵拼接后得到将三种特征拼接便得到最终用于训练的时间序列特征其中||表示拼接，T＝T_w+T_d+T_n；被预测窗口的流量共现矩阵为实际值Y_t。

5.根据权利要求4所述的一种基于时空图卷积网络的公共交通流量预测方法，其特征在于，步骤(4)具体方法如下：

将时间序列特征A和节点特征X作为时空图卷积网络的输入；时空图卷积由图卷积网络和门控循环单元构成；

z_t＝σ(GCN(A_:,t,X；W_z)+h_t-1U_z) (2)

r_t＝σ(GCN(A_:,tXW_r)+h_t-1U_r) (3)

其中为时间序列特征A中的第t个时间窗口的特征，是时间步t时的输入；是A_:,t的度矩阵；h_t是时间步t时的输出；z_t和r_t分别是重置门和更新门；X,W_z,U_z,W_r,U_r为可学习参数；σ是激活函数，⊙为哈达玛积；被预测时间段的流量共现矩阵由最后一个时间步的输出h_-1经过全连接层得到：

Y_p＝σ(h_-1W+b) (6)

其中W和b为可学习参数。

6.根据权利要求5所述的一种基于时空图卷积网络的公共交通流量预测方法，其特征在于，步骤(5)具体方法如下：

对时空图卷积网络进行训练；按照步骤(1)所述的比例选取训练集和验证集；采用Adam优化器，MSE损失函数；在验证过程中将预测得到的流量共现矩阵Y_p和实际流量共现矩阵Y_p展平为一维数据后使用MSE、RMSE和MAPE进行评价，将性能最优的网络参数保存下来。