本技术公开了基于动态多图融合时空深度学习的轨道客流短期预测方法,该方法首先包括对历史客流特征数据进行卷积,形成输入数据;然后构建融合图卷积模块,融合图卷积模块包括多重预定义图卷积和动态图卷积,在融合图卷积模块中引入因果时间以形成时空学习器;接着利用时空学习器对输入数据进行处理;最后时空学习器的输出通过跳转连接层进行连接,跳转连接层将时空学习器的输出引入输出层,经输出层得到预测结果。本发明使用了预定义图卷积和动态图卷积的组合作为邻接矩阵,能有效的学习客流的复杂空间特征,并引入因果时间多头注意力机制,可进行多层时空特征提取,从而提高了模型对时空特征的提取能力,为短期客流预测提供更精准的特征表示。
背景技术
随着城市轨道交通(URT)网络的快速扩张和客流量的不断增加,乘客的时空分布变得越来越复杂。短期客流预测通过提供精确的数据,使运营商可以实时调整策略,确保系统平稳运行。这种预测不仅能帮助乘客更有效地规划行程,从而降低成本,还能加强整个系统的管理。因此,准确的短期客流预测对于城市轨道交通系统的有效管理和运营是不可或缺的。
目前,在城市轨道交通客流预测领域,一般采用图卷积网络(GCN)对交通进行预测。但这种预测方式需要复杂的专业领域知识,并且可能会存在信息利用不完整的问题。或者根据数据自适应构建空间邻接矩阵的方法。上述方法的原理是利用各层共享参数构建矩阵,并通过梯度下降等方法更新矩阵。虽然GCN在城市轨道交通预测中取得了良好的效果,但仍存在以下问题。
1、在城市轨道交通的动态时空特性中。由于通勤模式、交通拥堵等因素的快速变化,网络内各站点或节点之间的互动具有动态性。例如,两个车站之间在高峰时段(如上午上下班时间)的交通量或交通密度可能与非高峰时段(如午后)的交通量或交通密度截然不同。传统模型往往无法捕捉到这些车站间空间关系的动态和演变性质,从而导致预测准确性下降。
2、影响城市轨道交通客流的变量具有多因素和复杂性的特点。城市轨道交通网络的物理结构、历史交通模式以及天气、节假日或特殊事件等其他环境和时间因素都是相互关联的。这些因素通常用预定义的图来表示。然而,每个预定义的图只能捕捉到整体叙述的一个片段,绕过了这些因素之间的相互作用。例如,强调城市铁路网物理结构的图可能会忽略历史客流模式和环境变量的影响。这种片面的动态视角会进一步影响传统模型的预测准确性。
实现思路