[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

说明书

本发明公开了一种基于时空图卷积网络的公共交通流量预测方法，包括以下步骤：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；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；针对复杂的公共交通流量预测问题，该方法能够高效准确地预测未来一段时间内乘坐公共交通工具出行的乘客流量，便于规划线路，错开高峰时段，提高乘坐体验，提升百姓生活质量。

技术领域

本发明涉及交通流量预测领域，具体涉及时空图卷积网络用于回归问题及其实际应用于公共交通流量预测领域。

背景技术

近年来，随着城市化的进一步发展，智能交通系统对城市管理起到了重要作用，而公共交通流量预测是智能交通系统中的关键一环。城市公共交通运行速度和状态会直接影响乘客的乘坐体验和交通运输容量。若能够对公共交通运输状态进行准确预测，则有助于规划交通路线和动态管理，方便百姓出行，提高生活质量。

实际公共交通流量通常具有非常高的非线性和复杂性，单纯使用已有的时间序列算法只能够简单预测车站某时段内乘客流量，无法考虑车站间的空间关系。若将车站网络以图的形式建模，然后采用基于图的深度学习方法预测交通流量则只考虑了空间关系，忽略了动态时空相关性。

通过整合以时间序列形式展现的交通流量数据以及以图的形式建模的车站网络数据，即结合循环神经网络和图卷积神经网络——时空图卷积网络，统筹交通流量的动态时空相关性，可以较好的预测某时段内经过某站点的交通流量。但目前的时空图卷积方法都是先将站点网络建模为普通无向图，边的权重由节点间的物理距离决定，这不符合实际车站分布情况，因为现实生活中有大量的站点相距不远却难以直接到达。因此，我们需要改变建模思路，寻求更合适的建模方式。

发明内容

针对上述情况，本发明提供一种基于时空图卷积网络的公共交通流量预测方法。提出的方法包括数据预处理，更合适的站点网络建模方式以及整合了循环神经网络的和图卷积神经网络的时空图卷积网络。将站点作为图中的节点，边的权重不再取决于节点间的距离而是一段时间内的车站的交通流量。考虑到不同的站点具有不同的实际意义，为每个站点都随机初始化了节点特征，并在训练过程中加以学习。对每一个时间段内的交通流量都以上述形式建模为图得到时序公共交通图后将其输入时空图卷积神经网络，便可预测未来一段时间内的公共交通流量。

一种基于时空图卷积网络的公共交通流量预测方法，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。

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。

步骤(2)具体方法如下：