一种基于ST-RANet模型的地铁客流预测方法技术

本发明专利技术的实施例公开了一种基于ST

【技术实现步骤摘要】
一种基于ST
‑
RANet模型的地铁客流预测方法


[0001]本专利技术涉及城市轨道交通
，特别涉及一种基于ST
‑
RANet模型的地铁客流预测方法。

技术介绍

[0002]经济的快速发展和城市化水平的不断提高使得城市规模持续扩大，从而带来了日益增长的出行需求。城市轨道交通是一种绿色高效的新型公共交通方式，合理利用地下空间且能解决人们的日常出行需求，成为交通运输的重要组成部分。
[0003]客流预测是保证轨道交通系统正常运转和优化规划的关键技术之一。高精度的短期客流预测不仅可以帮助运营商优化资源利用，比如提前进行客流控制和列车运营时间的调整，还可以提前预知车站拥挤度，保障人民生命财产安全。总之，城市轨道交通短期客流预测对于轨道交通的日常运营及精细化管理、规划以及公共安全等领域都具有重要的意义。
[0004]进行地铁客流预测时，由于客流呈现出周期性、趋势性、波动性以及随机性的特点，仅依靠历史数据往往难以精确预测未来的客流量，因此现代技术通常采用基于深度学习的方法来进行客流预测，高精度的地铁客流预测成为深度学习领域中极具挑战性的问题。

技术实现思路

[0005]有鉴于此，本专利技术实施例的目的在于提供一种基于ST
‑
RANet模型的地铁客流预测方法，能够解决因周期性、趋势性、波动性及随机性等影响因素带来的客流预测不精准问题。
[0006]本专利技术的实施例是这样实现的：一种基于ST
‑
RANet模型的地铁客流预测方法，其包括：获取地铁进出站历史客流数据和对应时空的外部因素数据，根据待预测地区的地铁站点的分布网络构建特征图，将所述客流数据和对应的所述外部因素数据融合，组成待预测地区地铁数据集；分别按照邻近性、周期性和趋势性三种时间尺度，将所述待预测地区地铁数据集中的客流数据进行时间片段分类，对所述待预测地区地铁数据集中的客流数据进行建模，搭建邻近性、周期性和趋势性三个时空模块，将各时间片段所对应的历史客流数据的输入张量作为三个时空模块的输入；将三个时空模块的输出结果融合，得到时空模块输出模型；根据所获取的外部因素数据构建外部因素模块，将外部因素模块输出模型与时空模块输出模型融合，得到客流预测值模型ST
‑
RANet；获取地铁站进出站实时客流数据和对应时空的外部因素数据，将所述实时客流数据和对应的所述外部因素数据输入至客流预测值模型ST
‑
RANet，进行客流预测。
[0007]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，所述历史客流数据由地铁自动售检票系统数据统计所得；所述外部因素数据包括节假日日期和气象数据，其中所述气象数据包括天气、温度和风力速度指标。
[0008]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，获取地铁进出站历史客流数据和对应时空的外部因素数据后，进行缩放操作的预处理，得到统一后的客流数据；根据待预测地区的地铁站点的分布网络构建特征图，将统一后的客流数据组成待预测地区地铁数据集。
[0009]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，所述分别按照邻近性、周期性和趋势性三种时间尺度，将所述待预测地区地铁数据集中的客流数据进行时间片段分类，对所述待预测地区地铁数据集中的客流数据进行建模，搭建邻近性、周期性和趋势性三个时空模块，将各时间片段所对应的历史客流数据的输入张量作为三个时空模块的输入，包括：将待预测地区地铁数据集中的客流数据依次按照邻近时间段、邻近若干天的相同时间段和邻近若干周的相同时间段分类，提取历史客流数据的邻近性、周期性和趋势性三种时间尺度的特性；将每日总时长等间隔划分为T个时间步，对于待预测的时间步t，以邻近性时间尺度沿时间轴截取邻近时间片段，以周期性时间尺度沿时间轴截取邻近若干天相同时间片段，以趋势性时间尺度沿时间轴截取邻近若干周相同时间片段；搭建邻近性时空模块，用变量c表示邻近时间片段所包含时间片的数量，表示邻近时间片段所对应的历史客流数据输入张量，作为邻近性时空模块的输入；搭建周期性时空模块，用变量d表示邻近若干天相同时间片段所包含时间片的数量，表示邻近若干天相同时间片段所对应的历史客流数据输入张量，作为周期性时空模块的输入；搭建趋势性时空模块，用变量w表示邻近若干周相同时间片段所包含时间片的数量，表示邻近若干周相同时间片段所对应的历史客流数据输入张量，作为趋势性时空模块的输入。
[0010]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，所述邻近性时空模块的历史客流数据输入张量为，其中，R为域，I
×
J表示空间区域大小；所述邻近性时空模块采用最近的c个时间片的二通道客流矩阵。
[0011]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，所述
周期性时空模块的历史客流数据输入张量为，其中；所述周期性时空模块采用邻近t时间片的前d天相同时间片的二通道客流矩阵。
[0012]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，所述趋势性时空模块的历史客流数据输入张量为，其中；所述趋势性时空模块采用邻近若干周相同时间片的二通道客流矩阵。
[0013]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，搭建邻近性、周期性和趋势性三个时空模块后，分别进行两层卷积操作，包括：对历史客流数据的输入张量进行第一层卷积操作，得到第一输入张量，其中输入张量为、、中的任意一个，，L表示输入张量的长度，输入张量的长度值为c、d、w中的一个，*为卷积操作，f为激活函数，和是第一层卷积操作中的参数；对所述第一输入张量进行通道注意力模块加权，得到通道加权张量，其中M
c
表示通道注意力模块对第一输入张量进行的操作，表示矩阵对应位置元素进行乘积；进行空间注意力模块加权，得到注意力加权输入张量，其中M
s
表示空间注意力模块对通道加权张量F进行的操作，表示矩阵对应位置元素进行乘积；对所述注意力加权输入张量加入k层残差单元，得到残差加权输入张量，其中，和分别表示第k个残差单元的输入和输出，为残差单元函数，为包括第k个残差单元的所有可学参数；对所述残差加权输入张量进行第二层卷积操作、通道注意力模块加权和空间注意力模块加权，得到第二输入张量，邻近性模块的输出结果为，周期性模块的输出结果为，趋势性模块的输出结果为。
[0014]在本专利技术较佳的实施例中，上述基于ST
‑
RANet模型的地铁客流预测方法中，所述将三个时空模块的输出结果融合，得到时空模块输出模型，包括：采用基于参数矩阵的融合方式，将三个时空模块的输出结果融合，得到时空模块输出模型，其中，、、分别为权重参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ST
‑
RANet模型的地铁客流预测方法，其特征在于，包括：获取地铁进出站历史客流数据和对应时空的外部因素数据，根据待预测地区的地铁站点的分布网络构建特征图，将所述客流数据和对应的所述外部因素数据融合，组成待预测地区地铁数据集；分别按照邻近性、周期性和趋势性三种时间尺度，将所述待预测地区地铁数据集中的客流数据进行时间片段分类，对所述待预测地区地铁数据集中的客流数据进行建模，搭建邻近性、周期性和趋势性三个时空模块，将各时间片段所对应的历史客流数据的输入张量作为三个时空模块的输入；将三个时空模块的输出结果融合，得到时空模块输出模型；根据所获取的外部因素数据构建外部因素模块，将外部因素模块输出模型与时空模块输出模型融合，得到客流预测值模型ST
‑
RANet；获取地铁站进出站实时客流数据和对应时空的外部因素数据，将所述实时客流数据和对应的所述外部因素数据输入至客流预测值模型ST
‑
RANet，进行客流预测。2.根据权利要求1所述的基于ST
‑
RANet模型的地铁客流预测方法，其特征在于，所述历史客流数据由地铁自动售检票系统数据统计所得；所述外部因素数据包括节假日日期和气象数据，其中所述气象数据包括天气、温度和风力速度指标。3.根据权利要求1所述的基于ST
‑
RANet模型的地铁客流预测方法，其特征在于，获取地铁进出站历史客流数据和对应时空的外部因素数据后，进行缩放操作的预处理，得到统一后的客流数据；根据待预测地区的地铁站点的分布网络构建特征图，将统一后的客流数据组成待预测地区地铁数据集。4.根据权利要求1所述的基于ST
‑
RANet模型的地铁客流预测方法，其特征在于，所述分别按照邻近性、周期性和趋势性三种时间尺度，将所述待预测地区地铁数据集中的客流数据进行时间片段分类，对所述待预测地区地铁数据集中的客流数据进行建模，搭建邻近性、周期性和趋势性三个时空模块，将各时间片段所对应的历史客流数据的输入张量作为三个时空模块的输入，包括：将待预测地区地铁数据集中的客流数据依次按照邻近时间段、邻近若干天的相同时间段和邻近若干周的相同时间段分类，提取历史客流数据的邻近性、周期性和趋势性三种时间尺度的特性；将每日总时长等间隔划分为T个时间步，对于待预测的时间步t，以邻近性时间尺度沿时间轴截取邻近时间片段，以周期性时间尺度沿时间轴截取邻近若干天相同时间片段，以趋势性时间尺度沿时间轴截取邻近若干周相同时间片段；搭建邻近性时空模块，用变量c表示邻近时间片段所包含时间片的数量，表示邻近时间片段所对应的历史客流数据输入张量，作为邻近性时空模块的输入；搭建周期性时空模块，用变量d表示邻近若干天相同时间片段所包含时间片的数量，表示邻近若干天相同时间片段所对应的历史客流数据输入张量，作为周期
性时空模块的输入；搭建趋势性时空模块，用变量w表示邻近若干周相同时间片段所包含时间片的数量，表示邻近若干周相同时间片段所对应的历史客流数据输入张量，作为趋势性时空模块的输入。5.根据权利要求4所述的基于ST
‑
RANet模...

【专利技术属性】
技术研发人员：杨恢凡，陈佳悦，董雪茹，王燕，谢海珍，杨军，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：