【技术实现步骤摘要】
一种基于时空图卷积网络的公共交通流量预测方法
[0001]本专利技术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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]针对上述情况,本专利技术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 ...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员:颜成钢,阮定,孙垚棋,张继勇,李宗鹏,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。