【技术实现步骤摘要】
本专利技术涉及图像处理领域，特别涉及一种基于时空注意力的城际网约车多线路需求预测方法及系统。
技术介绍
1、城际网约车是一种现代城市交通系统，借助互联网技术，提供了固定的城际出行线路。它通过整合供需信息，为这些线路提供了可预约的汽车出行服务，以满足人们日益多样化的城际出行需求。这种服务为数百万人的日常通勤和城际出行提供了便利和灵活性。从实际场景来看，城际网约车平台提供的是固定城际线路间点到点的出行服务。当前城内网约车的需求预测通常研究的是短时预测，即只预测未来下一个时间段的需求情况。城际网约车的行程时间较长，平台在提前调度时需要了解未来需求量的变化趋势，所以要预测出未来连续多个时间段的需求量，即多时间步长预测，问题更为复杂。
2、对多条城际线路的网约车需求量进行多时间步长预测，同时利用多条线路的历史需求数据去预测各线路未来连续多个时间步长的需求数据，属于多元时间序列预测问题。各线路未来时段的预测值不只与本线路的历史需求有关，还可能与其他线路的历史需求有关，因此还需要考虑不同线路间由于交通状况、需求高峰、连通情况等变化的关系。
3、在交通领域的时间序列预测场景中的存在多元时序预测问题，因为很多场景具有空间特征，例如在预测城市内各区域出租车的流量情况时，相邻区域之间的流量会有影响，也就是说还需要考虑不同变量之间的关系。yu等人利用卷积神经网络(convolutionalneural network, cnn)获取不同区域间的空间特征，提高了城市各区域交通流量的预测准确度，yu d, liu y, yu x.
4、defferrard等人将图卷积网络(graph convolutional network, gcn)运用到交通流量预测中，实验验证了gcn在获取空间特征上比按网格划分的cnn效果更好，defferrard m, bresson x, vandergheynst p. convolutional neural networks ongraphs with fast localized spectral filtering[c]// proceedings of the 2016advances in neural information processing systems (neurips'16). barcelona:mit press, 2016: 3844-3852。li等人将扩散图卷积与gru相结合，提出扩散卷积循环神经网络用于交通流预测，该模型利用双向随机游走捕获空间关联特征，gru捕获时间关联特征，li y, yu r, shahabi c, et al. diffusion convolutional recurrent neuralnetwork: data-driven traffic forecasting[c]// proceedings of the 2018international conference on learning representations (iclr'18). vancouver:openreview.net, 2018: 1-16。
5、综合上述，当前研究者们在研究多元时间序列预测问题时，通常使用图神经网络去显式地建模变量间的空间关系。这些解决方案大都使用预定义的图结构去表示变量间的相似性、连通性、距离等关系，然后在预测模型中分别对空间模块和时间模块进行更新。这种方式虽然可以获取到相同时间段内不同变量间的关系，但无法有效获取不同时间段内不同变量间的动态联系。
6、在城际网约车的场景中，不同线路间的关系由于交通状况、需求高峰等因素的变化而动态相关。而且最近几年经常有城际线路因为外部突发事件的原因暂时关闭，线路间的连通情况也可能发生变化。因此现有预定义变量关系的方式在城际网约车多线路多时间步长预测问题中并不是好的选择，需要进一步研究。
技术实现思路
1、针对现有技术的问题，本专利技术的目的在于提供一种基于时空注意力的城际网约车多线路需求预测方法及系统，相比其他多元时序预测算法能有效提取城际线路间的动态联系，从而提高多线路未来多个时间步长的需求预测准确度。
2、本专利技术采用如下技术方案：
3、一方面，一种基于时空注意力的城际网约车多线路需求预测方法，包括：
4、s101，多元输入扁平化步骤，将多条线路的需求序列经过扁平化操作转化为一条长序列；所述长序列包括了所有线路在不同时间步长上的需求信息；
5、s102，多因素嵌入步骤，在长序列中嵌入包括时间、值、变量、局部连通标识和是否预测标识的多因素信息，获得一条包括所有线路不同时间步长信息的全局时空序列；并根据是否预测标识将全局时空序列划分为历史观测部分和未来预测部分；
6、s103，编码步骤，将历史观测部分输入到编码器的第一多层次自注意力网络；将第一多层次自注意力网络的输入与输出进行第一残差连接，并将第一残差连接的输出进行第一批标准化操作后输入解码器的第一前馈网络；将第一前馈网络的输出与第一残差连接的输出进行第二残差连接，并将第二残差连接的输出进行第二批标准化操作后输入到解码器的第二多层次交叉注意力网络；
7、s104，解码步骤，将未来预测部分输入到解码器的第二多层次自注意力网络，未来预测部分输入经第二多层次自注意力网络和多层次交叉注意力网络后，将多层次交叉注意力网络的输出与第二多层次自注意力网络的输入进行第三残差连接，第三残差连接的输出经第三批标准化操作后输入解码器的第二前馈网络；将第二前馈网络的输出与第三残差连接的输出进行第四残差连接，并将第四残差连接的输出进行第四批标准化处理后输入到线性层，获得各线路要预测的时间步长；所述解码器和编码组成时空注意力网络。
8、优选的，所述s101中，将多条线路的本文档来自技高网...
【技术保护点】
1.一种基于时空注意力的城际网约车多线路需求预测方法，其特征在于，包括：
2.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述S101中，将多条线路的需求序列经过扁平化操作转化为一条长序列，具体包括：
3.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述S102中，在长序列中嵌入时间和值的方法包括：
4.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述S102中，在长序列中嵌入变量和局部连通标识的方法包括：
5.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述S102中，在长序列中嵌入是否预测标识的方法包括：
6.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述第一多层次自注意力网络和第二多层次自注意力网络的网络结构相同，均包括依次连接的单变量层、局部连通变量层和全局变量层三部分；单变量层包括单变量内多头自注意力模块、批标准化以及残差连接，先进行批标准化
7.根据权利要求6所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述单变量内多头自注意力模块、局部连通变量多头自注意力模块和全局变量多头自注意力模块均采用基于正交随机性的注意力机制。
8.一种基于时空注意力的城际网约车多线路需求预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于时空注意力的城际网约车多线路需求预测方法，其特征在于，包括：
2.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述s101中，将多条线路的需求序列经过扁平化操作转化为一条长序列，具体包括：
3.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述s102中，在长序列中嵌入时间和值的方法包括：
4.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述s102中，在长序列中嵌入变量和局部连通标识的方法包括：
5.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述s102中，在长序列中嵌入是否预测标识的方法包括：
6.根据权利要求1所述的基于时空注意力的城际网约车多线路需求预测方法，其特征在于，所述第一多层次自注意力网络和第二...
【专利技术属性】
技术研发人员：喻小光，邝温杰，陈霞，傅顺开，杨光，
申请(专利权)人：华侨大学，
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。