本發(fā)明涉及地鐵客流預(yù)測，具體涉及一種基于多知識圖神經(jīng)網(wǎng)絡(luò)模型的地鐵短時od客流預(yù)測方法。

背景技術(shù)：

1、地鐵是滿足城市快速、大運(yùn)量交通需求的重要手段，精準(zhǔn)掌握軌道交通客流時空動態(tài)特征及演變趨勢，為采取主動性運(yùn)營組織及客流管控策略提供參考。目前，地鐵客流預(yù)測大多是地鐵進(jìn)出站客流量預(yù)測，這種方法并不能體現(xiàn)乘客需求在地鐵網(wǎng)絡(luò)的具體分布。地鐵od（origin?destination，起點(diǎn)和終點(diǎn)）是指地鐵車站之間的交流量，更能反映乘客的出行行為，對運(yùn)營組織和客流管控策略的意義更大。

2、然而，軌道交通站點(diǎn)間od矩陣在時間和空間兩個維度上稀疏性均較為嚴(yán)重：時間維度上，乘客的出行模式隨時間變化，導(dǎo)致od流的稀疏模式隨時間變化；空間維度上，部分地鐵車站之間出行量很少或幾乎沒有，低值且隨機(jī)的od客流對于地鐵的運(yùn)營與管理重要程度不高并且它們的引入可能弱化模型的預(yù)測能力。此外，地鐵od客流變化具有復(fù)雜的時空相關(guān)性：時間維度上，od客流存在一定的周期性、趨勢性，某特定時刻的od客流不僅與其臨近的歷史時刻客流存在相關(guān)性，還與歷史同一時刻有相關(guān)性；空間維度上，不同空間位置的車站或線路之間的客流需求會相互影響，od客流在空間維度上存在顯著的出發(fā)地依賴性和目的地依賴性。同時，現(xiàn)有預(yù)測模型的精度與能力還不夠，可解釋性也有待提高。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)提供一種基于多知識圖神經(jīng)網(wǎng)絡(luò)模型的地鐵短時od客流預(yù)測方法，以解決地鐵客流預(yù)測難度較高，現(xiàn)有預(yù)測模型的精度與能力不夠，可解釋性有待提高的問題。

2、根據(jù)第一方面，一種實(shí)施例中提供一種基于多知識圖神經(jīng)網(wǎng)絡(luò)模型的地鐵短時od客流預(yù)測方法，所述方法包括：

3、收集地鐵網(wǎng)絡(luò)、地鐵客流及客流影響因素相關(guān)的多源基礎(chǔ)數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理，提取地鐵客流關(guān)鍵od對；

4、構(gòu)建多知識圖神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型用于首先利用多知識圖提取多種空間相關(guān)性特征，然后基于多知識圖結(jié)果以及構(gòu)建的od對特征矩陣，利用空間特征建模模塊提取空間特征，再將帶有空間特征的時間序列輸入至?xí)r間特征建模模塊提取時間特征，最后通過全連接層獲得未來時間的od客流預(yù)測結(jié)果；

5、構(gòu)建訓(xùn)練集和測試集，對所述多知識圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試并評估，得到最終的多知識圖神經(jīng)網(wǎng)絡(luò)模型。

6、進(jìn)一步地，收集地鐵網(wǎng)絡(luò)、地鐵客流及客流影響因素相關(guān)的多源基礎(chǔ)數(shù)據(jù)，具體包括：

7、所述多源基礎(chǔ)數(shù)據(jù)包括地鐵站點(diǎn)空間位置數(shù)據(jù)、afc刷卡數(shù)據(jù)、poi數(shù)據(jù)以及匿名化的手機(jī)信令數(shù)據(jù)。

8、進(jìn)一步地，數(shù)據(jù)預(yù)處理，具體包括：

9、對afc刷卡數(shù)據(jù)預(yù)處理，包括：

10、分時段地鐵站進(jìn)出站客流統(tǒng)計(jì)：對afc刷卡數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗；根據(jù)清洗后的afc刷卡數(shù)據(jù)，按照站點(diǎn)、時間區(qū)間分別統(tǒng)計(jì)進(jìn)站量和出站量；

11、分時段地鐵站間od客流量統(tǒng)計(jì)：根據(jù)清洗后的afc刷卡數(shù)據(jù)，按出站時間進(jìn)行分時段聚合，按時間窗口統(tǒng)計(jì)起點(diǎn)車站和終點(diǎn)車站之間的od客流量，得到多個時間序列的地鐵站間od客流矩陣；

12、對地鐵站點(diǎn)空間位置數(shù)據(jù)預(yù)處理，包括：

13、標(biāo)注所有地鐵站的wgs-84坐標(biāo)系下的經(jīng)緯度，并映射至地圖中；

14、對poi數(shù)據(jù)預(yù)處理，包括：

15、將各類poi數(shù)據(jù)的坐標(biāo)系分別與地鐵站的坐標(biāo)系統(tǒng)一，并匹配至地圖中；

16、對手機(jī)信令數(shù)據(jù)預(yù)處理，包括：

17、首先，對匿名化的手機(jī)信令數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，將時間戳統(tǒng)一為標(biāo)準(zhǔn)格式，將基站id映射到地理坐標(biāo)，根據(jù)時間戳和基站位置，重建用戶的移動軌跡；

18、其次，分析用戶在不同時間段的活動模式，推斷其居住地和工作地；

19、接著，將研究區(qū)域劃分網(wǎng)格，將用戶的居住或工作記錄映射到對應(yīng)的網(wǎng)格中，生成每個網(wǎng)格的工作與居住數(shù)據(jù)；

20、最后，統(tǒng)計(jì)各個網(wǎng)格內(nèi)部的居住人口與工作人口，并擴(kuò)樣校準(zhǔn)。

21、進(jìn)一步地，提取地鐵客流關(guān)鍵od對，具體包括：

22、關(guān)鍵od對提取需滿足：任一od對零值的占比低于預(yù)設(shè)閾值，并且od對時間序列總和大于預(yù)設(shè)百分位數(shù)或od對標(biāo)準(zhǔn)差大于預(yù)設(shè)百分位數(shù)，若取百分之90分位數(shù)，則關(guān)鍵od對表示為：

23、；

24、其中，od對零值占比低于預(yù)設(shè)閾值，表示為：

25、；

26、其中，表示第 i個od對時間序列中零值的占比；為第 i個od對時間序列的張量； z是零值占比的預(yù)設(shè)閾值，根據(jù)所有od對零值占比的分布設(shè)定；表示第 i個od對歷史時間od客流量所組成的時間序列，其中 t是時間序列的長度，是第 i個od對 t時刻的od客流量；指od對時間序列張量中0的數(shù)量；指od對時間序列張量的長度；

27、od對時間序列總和大于百分之90分位，表示為：

28、；

29、其中，為第 i個od對時間序列的總和，；

30、是所有時間序列的和組成集合的百分之90分位數(shù)：

31、；指求數(shù)據(jù)集合的分位數(shù)；

32、od對標(biāo)準(zhǔn)差大于百分之90分位數(shù)，表示為：

33、；

34、為第 i個od對時間序列的標(biāo)準(zhǔn)差，，是時間序列的均值；

35、是所有時間序列的標(biāo)準(zhǔn)差組成集合的百分之90分位數(shù)：

36、。

37、進(jìn)一步地，利用多知識圖提取多種空間相關(guān)性特征，具體包括：

38、所述多知識圖包括：

39、空間連接性知識圖：包括計(jì)算并構(gòu)建關(guān)鍵od對起點(diǎn)間的空間距離矩陣、關(guān)鍵od對終點(diǎn)間的空間距離矩陣；站點(diǎn) i與站點(diǎn) j之間的空間距離采用haversine公式計(jì)算；空間連接性相關(guān)性矩陣中每個元素為站點(diǎn)間空間距離的倒數(shù)；

40、進(jìn)站量或出站量模式相似性知識圖：包括計(jì)算并構(gòu)建關(guān)鍵od對起點(diǎn)進(jìn)站量時間模式相似性矩陣、關(guān)鍵od對終點(diǎn)進(jìn)站量時間模式相似性矩陣、關(guān)鍵od對起點(diǎn)出站量時間模式相似性矩陣、關(guān)鍵od對終點(diǎn)出站量時間模式相似性矩陣；進(jìn)站量或出站量時間模式相似性基于dtw函數(shù)進(jìn)行計(jì)算并量化；

41、od量時間模式相似性知識圖：包括計(jì)算并構(gòu)建關(guān)鍵od對之間的模式相關(guān)性矩陣，矩陣中每個元素是od對之間od客流量時間序列的皮爾遜相關(guān)系數(shù)；

42、功能相似性知識圖：包括計(jì)算并構(gòu)建關(guān)鍵od對起點(diǎn)間功能相似性矩陣、關(guān)鍵od對終點(diǎn)間功能相似性矩陣；站點(diǎn) i?和? j?之間的功能相似性根據(jù)兩個站點(diǎn)的poi量、工作人口以及居住人口組成的向量? p(i)?和 p(j)?的余弦相似度來計(jì)算。

43、進(jìn)一步地，利用空間特征建模模塊提取空間特征，具體包括：

44、構(gòu)建od對特征矩陣：車站間od對特征矩陣，n是od對的數(shù)量， p是od對時間序列的長度， i時刻的特征值為， r表示實(shí)數(shù)集合，為矩陣或向量；

45、圖卷積網(wǎng)絡(luò)gcn處理：將知識圖以及od對特征矩陣輸入到gcn中并得到對應(yīng)的狀態(tài)矩陣，多個知識圖均經(jīng)過gcn處理并得到多個狀態(tài)矩陣；

46、拼接：將多個知識圖的狀態(tài)矩陣結(jié)果進(jìn)行拼接得到 h concat。

47、進(jìn)一步地，將帶有空間特征的時間序列輸入至?xí)r間特征建模模塊提取時間特征，最后通過全連接層獲得未來時間的od客流預(yù)測結(jié)果，具體包括：

48、將多個知識圖經(jīng)gcn處理后的狀態(tài)矩陣進(jìn)行拼接后得到的 h concat，輸入至門控循環(huán)單元gru中進(jìn)行時序建模并輸出高維的隱藏狀態(tài)結(jié)果，再通過全連接層將隱藏狀態(tài)映射為一個或者多個未來時間步的預(yù)測結(jié)果。

49、進(jìn)一步地，對所述多知識圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試并評估，具體包括：

50、在訓(xùn)練過程中，目標(biāo)是最小化實(shí)際值與預(yù)測值之間的誤差，使用和分別表示實(shí)際od和預(yù)測od，多知識圖神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)表示為：

51、；

52、第一項(xiàng)指最小化實(shí)際值與預(yù)測值之間的誤差，第二項(xiàng)是l2正則化項(xiàng)，是超參數(shù)。

53、進(jìn)一步地，對所述多知識圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試并評估，具體包括：

54、采用包括均方根誤差rmse、平均絕對誤差mae、準(zhǔn)確率、決定系數(shù) r 2、解釋方差得分var的評價指標(biāo)對所述多知識圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評價和優(yōu)化，得到最終預(yù)測模型。

55、根據(jù)第二方面，一種實(shí)施例中提供一種基于多知識圖神經(jīng)網(wǎng)絡(luò)模型的地鐵短時od客流預(yù)測系統(tǒng)，所述系統(tǒng)包括：

56、數(shù)據(jù)采集模塊，用于收集地鐵網(wǎng)絡(luò)、地鐵客流及客流影響因素相關(guān)的多源基礎(chǔ)數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理，提取地鐵客流關(guān)鍵od對；

57、預(yù)測模型構(gòu)建模塊，用于構(gòu)建多知識圖神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型用于首先利用多知識圖提取多種空間相關(guān)性特征，然后基于多知識圖結(jié)果以及構(gòu)建的od對特征矩陣，利用空間特征建模模塊提取空間特征，再將帶有空間特征的時間序列輸入至?xí)r間特征建模模塊提取時間特征，最后通過全連接層獲得未來時間的od客流預(yù)測結(jié)果；

58、模型訓(xùn)練和測試模塊，用于構(gòu)建訓(xùn)練集和測試集，對所述多知識圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測試并評估，得到最終的多知識圖神經(jīng)網(wǎng)絡(luò)模型。

59、根據(jù)第三方面，一種實(shí)施例中提供一種電子設(shè)備，所述設(shè)備包括：處理器和存儲器；

60、所述存儲器用于存儲一個或多個程序指令；

61、所述處理器，用于運(yùn)行一個或多個程序指令，用以執(zhí)行如上任一項(xiàng)所述的一種基于多知識圖神經(jīng)網(wǎng)絡(luò)模型的地鐵短時od客流預(yù)測方法的步驟。

62、根據(jù)第四方面，一種實(shí)施例中提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上任一項(xiàng)所述的一種基于多知識圖神經(jīng)網(wǎng)絡(luò)模型的地鐵短時od客流預(yù)測方法的步驟。

63、本技術(shù)提供一種基于多知識圖神經(jīng)網(wǎng)絡(luò)模型的地鐵短時od客流預(yù)測方法，首先，基于地鐵站點(diǎn)位置數(shù)據(jù)、afc數(shù)據(jù)、poi數(shù)據(jù)、手機(jī)信令數(shù)據(jù)等多源數(shù)據(jù)，量化地鐵網(wǎng)絡(luò)結(jié)構(gòu)，客流特征及地鐵站周邊用地、人口特征，并提取關(guān)鍵od對，防止低值和隨機(jī)數(shù)據(jù)對模型造成影響；其次，構(gòu)建多個知識圖捕捉節(jié)點(diǎn)之間的空間連接性、出行模式相似性、功能相似性；同時，構(gòu)建空間特征建模模塊，利用圖神經(jīng)網(wǎng)絡(luò)捕捉節(jié)點(diǎn)之間潛在的空間關(guān)系；最后，構(gòu)建時間特征建模模塊，利用時間序列建模方法捕捉客流動態(tài)變化過程。該預(yù)測方法有效量化捕捉了地鐵客流存在的復(fù)雜時空相關(guān)性，預(yù)測能力和可解釋性顯著增強(qiáng)。