OD客流预测方法和装置、电子设备及存储介质
本发明实施例涉及客流预测，尤其涉及一种od客流预测方法和装置、电子设备及存储介质。
背景技术：
1、城市轨道交通在优化城市空间结构、缓解城市交通拥堵和环境保护方面均具有积极作用，是一种大运量、便捷、准时、高效的交通方式。
2、近年来，随着乘客出行需求的剧增，城市轨道交通企业面临新的挑战，因此，如何准确、实时、快速的进行od客流预测，为运营组织者提供可靠的决策依据，成为城市轨道交通企业当前亟需解决的技术问题。
技术实现思路
1、本发明实施例提供了一种od客流预测方法和装置、电子设备及存储介质，能够准确、实时和快速地进行od客流预测。
2、第一方面，本发明实施例提供了一种od客流预测方法，包括：
3、获取od客流分布数据，所述od客流分布数据包括多个时间序列下的多源数据，所述多源数据包括时间数据、空间数据和天气数据；
4、从所述od客流分布数据提取得到时间特征、空间特征和外部特征；
5、将所述时间特征、所述空间特征和所述外部特征输入至客流预测模型进行客流预测，得到客流预测结果，其中，所述客流预测模型包括时间特征模块、空间特征模块和外部特征模块，所述时间特征模块用于处理所述时间特征，所述空间特征模块用于处理所述空间特征，所述外部特征模块用于处理所述外部特征。
6、在一些实施例中，所述时间特征采用时间序列进行表示，所述时间特征包括时间波动性特征、时间趋势性特征和时间周期性特征，所述时间特征模块对所述时间特征的处理流程包括如下：
7、采用多个时间序列作为输入，通过提取所述时间波动性特征、所述时间趋势性特征和所述时间周期性特征；
8、通过引入一维卷积神经网络从所述时间序列中提取出关键特征；
9、利用池化层对所述关键特征进行压缩，得到压缩后的所述关键特征；
10、利用卷积门控循环单元来获取压缩后的所述关键特征中的高维关系特征；
11、通过全连接神经网络处理所述高维关系特征，将所述时间波动性特征、所述时间趋势性特征和所述时间周期性特征融合在一起。
12、在一些实施例中，所述卷积门控循环单元由输入层、一维卷积层、平均池化层、门控循环单元、全连接神经网络和输出层组成，每个一维卷积层都由卷积操作和激活函数组成，单个一维卷积层的输出表示为：
13、ci＝f(wi*ci-1+bi)
14、其中，*表示卷积运算；wi为可学习参数；i表示整个卷积模型中的第i层；ci-1表示i-1层的输出；ci为第i层的输出；f为激活函数。
15、在一些实施例中，所述全连接神经网络包括输入层、隐藏层和输出层，所述输入层、所述隐藏层和所述输出层相邻两层的节点之间全部连接，具有单个隐藏层的全连接神经网络表示公式如下：
16、
17、hj＝tanh(x1·w1j+x2·w2j+…+xu·wuj+bj)
18、ok＝tanh(h1w′1k+h2w′2k+…+hqw′qk+bk)
19、激活函数采用tanh函数；xi为输入层的第i个输入，共计u个；hj为隐藏层的第j个神经元，共计q个；ok为输出层的第k个神经元,共计p个；wij和w′jk为权重，b为偏置。
20、在一些实施例中，所述空间特征模块对所述空间特征的处理流程包括如下：
21、通过k-means和k-shape聚类算法提取所述空间特征中的高维空间类别特征；
22、利用全连接神经网络挖掘所述高维空间类别特征之间的交互关系，并基于所述交互关系对所述高维空间类别特征进行融合。
23、在一些实施例中，所述外部特征模块对所述外部特征的处理流程包括如下：
24、将外部特征作为输入，所述外部特征获取自所述天气数据；
25、采用独热编码、门控循环单元和全连接神经网络对所述外部特征进行处理，得到外部特征处理结果。
26、在一些实施例中，所述时间特征模块包括有两层一维卷积、一层池化层、两层门控循环单元和一层全连接神经网络，其中，一维卷积层采用256个1*3尺寸大小的卷积核，池化层使用的是平均池化法，卷积核尺寸为2，门控循环单元层内含有2048个隐藏神经元，全连接神经网络层中含1个隐藏神经元；
27、所述空间特征模块包括全连接层，所述全连接层为单层，内含32个隐藏神经元；
28、所述外部特征模块包括有一个内含256个隐藏神经元的门控循环单元层和一个含有1个隐藏神经元的全连接神经网络层；
29、所述时间特征模块、所述空间特征模块和所述外部特征模块的输出在第三维度上进行拼接，拼接后输入至全连接神经网络层中，输出后得到所述客流预测模型的最终输出值；其中，只有全连接神经网络的激活函数为线性函数，其他神经网络的激活函数都为relu，所述客流预测模型的损失函数为huber，所使用的优化器为adam优化器。
30、第二方面，本发明实施例还提供了一种od客流预测装置，所述装置包括：
31、获取模块，用于获取od客流分布数据，所述od客流分布数据包括多个时间序列下的多源数据，所述多源数据包括时间数据、空间数据和天气数据；
32、提取模块，用于从所述od客流分布数据提取得到时间特征、空间特征和外部特征；
33、预测模块，用于将所述时间特征、所述空间特征和所述外部特征输入至客流预测模型进行客流预测，得到客流预测结果，其中，所述客流预测模型包括时间特征模块、空间特征模块和外部特征模块，所述时间特征模块用于处理所述时间特征，所述空间特征模块用于处理所述空间特征，所述外部特征模块用于处理所述外部特征。
34、第三方面，本发明实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面所述的od客流预测方法。
35、第四方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面所述的od客流预测方法。
36、根据本发明实施例提供的od客流预测方法和装置、电子设备及存储介质，其中，od客流预测方法包括：获取od客流分布数据，od客流分布数据包括多个时间序列下的多源数据，多源数据包括时间数据、空间数据和天气数据；从od客流分布数据提取得到时间特征、空间特征和外部特征；将时间特征、空间特征和外部特征输入至客流预测模型进行客流预测，得到客流预测结果，其中，客流预测模型包括时间特征模块、空间特征模块和外部特征模块，时间特征模块用于处理时间特征，空间特征模块用于处理空间特征，外部特征模块用于处理外部特征。基于此，本发明实施例采用多源数据，融合客流分布的高维特征，采用多模块组合的深度学习方法(hdf-dl)来解决城市轨道交通网络od客流短时预测问题，其中，多模块组合为采用时间特征模块、空间特征模块和外部特征模块进行组合。通过分析od客流分布的时间特征、空间特征和外部特征，提高od客流预测的精度，能够准确、实时和快速地进行od客流预测。
技术特征：
1.一种od客流预测方法，包括：
2.根据权利要求1所述的方法，其特征在于，所述时间特征采用时间序列进行表示，所述时间特征包括时间波动性特征、时间趋势性特征和时间周期性特征，所述时间特征模块对所述时间特征的处理流程包括如下：
3.根据权利要求2所述的方法，其特征在于，所述卷积门控循环单元由输入层、一维卷积层、平均池化层、门控循环单元、全连接神经网络和输出层组成，每个一维卷积层都由卷积操作和激活函数组成，单个一维卷积层的输出表示为：
4.根据权利要求2所述的方法，其特征在于，所述全连接神经网络包括输入层、隐藏层和输出层，所述输入层、所述隐藏层和所述输出层相邻两层的节点之间全部连接，具有单个隐藏层的全连接神经网络表示公式如下：
5.根据权利要求1所述的方法，其特征在于，所述空间特征模块对所述空间特征的处理流程包括如下：
6.根据权利要求1所述的方法，其特征在于，所述外部特征模块对所述外部特征的处理流程包括如下：
7.根据权利要求1所述的方法，其特征在于，所述时间特征模块包括有两层一维卷积、一层池化层、两层门控循环单元和一层全连接神经网络，其中，一维卷积层采用256个1*3尺寸大小的卷积核，池化层使用的是平均池化法，卷积核尺寸为2，门控循环单元层内含有2048个隐藏神经元，全连接神经网络层中含1个隐藏神经元；
8.一种od客流预测装置，其特征在于，所述装置包括：
9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的od客流预测方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至7任意一项所述的od客流预测方法。
技术总结
本发明实施例提供了一种OD客流预测方法和装置、电子设备及存储介质。其中，方法包括：获取OD客流分布数据，所述OD客流分布数据包括多个时间序列下的多源数据，所述多源数据包括时间数据、空间数据和天气数据；从所述OD客流分布数据提取得到时间特征、空间特征和外部特征；将所述时间特征、所述空间特征和所述外部特征输入至客流预测模型进行客流预测，得到客流预测结果，其中，所述客流预测模型包括时间特征模块、空间特征模块和外部特征模块，所述时间特征模块用于处理所述时间特征，所述空间特征模块用于处理所述空间特征，所述外部特征模块用于处理所述外部特征。基于此，本发明实施例能够准确、实时和快速地进行OD客流预测。
技术研发人员：苏焕银,莫尚霖,代慧子,吕秋霞
受保护的技术使用者：五邑大学
技术研发日：
技术公布日：2024/9/23