[发明专利]基于自适应多图卷积的多模式交通系统短时客流预测方法

说明书

本发明公开了一种基于自适应多图卷积的多模式交通系统短时客流预测方法。该方法包括：针对多模式交通系统，获取历史客流序列、自相关图和互相关图；以历史客流序列、自相关图和互相关图作为输入，利用经训练的短时客流预测模型输出预测的每种交通模式的未来客流。本发明能够协同考虑城市多模式交通系统范围内多个不同区域对于多种交通模式的未来客流，解决了多模式交通客流异质性问题，并且实现了不同交通模式的信息交互，提升了计算效率。

技术领域

本发明涉及交通客流预测技术领域，更具体地，涉及一种基于自适应多图卷积的多模式交通系统短时客流预测方法。

背景技术

城市交通系统中的短时客流预测能够捕捉多模式交通客流的时空特征，并分别预测每种交通模式在城市内每个区域的未来客流。然而，对多交通模式进行短期流入预测存在一些难点。例如，多模式交通系统中不同交通模式之间的信息交互机制难以获取；多模式交通系统的客流的复杂动态时空特征难以捕获；多模式交通的客流数据存在异质性，导致客流数据难以组织，模型难以构建。

目前，深度学习模型被广泛应用于交通预测，包括长短时记忆网络(LSTM)、卷积神经网络(CNN)、图卷积神经网络(GCN)等。然而，现有的多模式交通短时客流预测方案存在如下问题：现有研究通常只关注目标交通方式和一些外部因素，如天气条件，而忽略其他交通方式的影响；现有的多模式交通短时客流预测的研究很少关注多模式交通系统内的交互机制；由于不同交通模式具有不同的空间特征，导致多模式交通的客流数据存在异质性，客流数据的异质性导致多模式交通客流数据难以组织，预测模型难以构建；由于城市网络范围内不同区域的功能不同，因此在多模交通系统中，不同交通模式的客流规律存在较大差异，导致在城市范围内不同交通模式的客流规律难以获取。此外，不同交通模式之间的时空关系可能是随时间变化的，而现有研究利用静态的时空关系矩阵刻画不同交通模式之间的时空关系，难以捕获动态的时空特性。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于自适应多图卷积的多模式交通系统短时客流预测方法。该方法包括以下步骤：

针对多模式交通系统，获取历史客流序列X_(t-L)→t以及自相关图G_s和互相关图G_c；

通过训练短时客流预测模型学习映射函数F(·)，以预测每种交通模式的未来客流，表示为：

X_t+1＝F(X_(t-L)→t,G_s,G_c)

其中，L表示历史时间段的长度，X_t+1表示多模式交通系统在t+1时刻的进站客流序列。

与现有技术相比，本发明的优点在于，提出了一种新颖的基于多任务学习的短时客流预测模型，能够准确预测多模式交通系统内不同交通模式的未来进站客流，并提取不同交通模式之间的信息交互机制，为管理和理解多交通模式系统提供了可靠的方法和深刻的见解。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于自适应多图卷积的多模式交通系统短时客流预测方法的流程图；

图2是根据本发明一个实施例的短时客流预测模型的示意图；

图3是根据本发明一个实施例的多元时间关系注意力机制示意图；

图4是根据本发明一个实施例的影响系数矩阵可视化示意图；

图5是根据本发明一个实施例的基于注意力机制的特征聚合层示意图；