一种考虑多种集散模式的交通枢纽客流量预测方法

本技术涉及人工智能领域，尤其是涉及一种考虑多种集散模式的交通枢纽客流量预测方法。

背景技术：

1、近年来，随着全球城市化和经济的快速发展，大型综合交通枢纽的客流量显著增加。随着智能交通系统的蓬勃发展，乘客出行需求日益多样化。由于客流量的复杂变化，枢纽的多种集散模式给交通规划和管理带来了独特的挑战和机遇。准确的客流预测可以为优化运营策略、保障资源高效配置提供重要的基础参考。然而，获得准确的、精细化的且具有指导意义的预测结果仍然是一项具有挑战性的任务。卷积神经网络(cnn)将客流数据转换为图像表示以提取时间特征。使用卷积层可以大大提高并行计算能力和效率。但相对简单的模型可能无法完全捕捉时间串行数据中的非线性关系和复杂模式。自注意力机制使transformer能够考虑串行中的所有元素并创建各种相关性，从而引起了研究人员的极大关注。然而，窗口大小会直接限制长序处理中的上下文依赖性，影响训练和推理。一些研究将交通中心划分为不同的区域以预测客流分布，基于图卷积神经网络(gcn)提取空间特征。此外，还有研究考虑了多源数据，包括手机数据、特殊事件、天气情况和智能卡数据进行综合预测。

2、然而，现有的研究大多仅从时间角度考虑交通枢纽内整体客流的变化，而忽略了周边其他交通方式的影响。到达或离开火车站的乘客常常使用多种交通方式，因此，忽略它们之间的相互作用会导致无法识别特定的交通模式。多模式精细化的预测使管理者能够了解各种交通方式的具体需求，从而提高服务质量并有效识别潜在的安全隐患。然而，当考虑多种模式的相互作用时，目标就变成了有效地对它们复杂的时空相关性进行建模，当前研究仍存在以下问题：在空间维度，客流在不同交通实体之间表现出显着的相互依赖性和传递性。交通状态的变化会改变不同交通模式之间的联系。一些研究使用cnn被用来捕捉局部的空间相关性。一个显着的局限性是忽略了现实世界交通结构的不规则性，导致关键拓扑信息的丢失。避免这个问题的更好方法是将交通网络构建为图。具体来说，gcn通常使用邻接矩阵或拉普拉斯矩阵来描述图结构。然而，交通枢纽周围的多种交通方式分布不均，其空间关联随时间动态变化，方式复杂。使用静态或自适应邻接矩阵的交通图无法动态反映每一时刻的真实空间关系。因此，构建由数据驱动的动态交通图具有实际意义。在时间维度，交通状况呈周期性、可变性波动。因此，多模式客流数据表现出显着的波动性和持续的相互作用。与仅关注整体客流的角度不同，精细预测更具挑战性，但可以实现更详细的客流分布预测。深度学习模型可以通过持续训练学习规律的时间模式。然而，像假期这样的特殊情况需要特殊处理。一些研究将外部因素纳入模型训练以适应异常情况。天气、路况和假期等因素可以与时间数据一起集成到网络中进行联合学习。客流的时间间隔也会影响捕捉时间特征的难度。在一定范围内，较大的间隔会引入更多的波动性并丢失更多的细节，使未来的准确预测更具挑战性。特别是在火车站，多模式客流的强烈波动性和数据尖峰给预测带来了困难。而管理部门对高峰期的准确性要求极高，以便采取相应的应急措施。需要专门设计全面的时间特征增强解决方案以更好地服务于多模式预测。

3、因此，如何准确地对具有多种集散模式的交通枢纽进行客流量预测，是亟需解决的问题。

技术实现思路

1、本技术提供了一种考虑多种集散模式的交通枢纽客流量预测方法，可以准确地对交通枢纽内多种交通方式的客流量进行预测。

2、为了实现上述目的，本发明采用了如下技术方案:

3、第一方面，本发明提供一种考虑多种集散模式的交通枢纽客流量预测方法，所述方法包括：

4、采集多模式客流量数据和外部因素数据，对数据进行预处理，得到原始数据；

5、构造预测模型，所述预测模型包括多通道时序增强模块、时空编码与通道融合模块和优化和预测模块；

6、所述多通道时序增强模块通过多个通道将所述原始数据进行时序特征增强；

7、所述时空编码与通道融合模块中，基于门控循环单元和动态图卷积构造得到时空动态图卷积循环网络，其中，利用动态图卷积操作替换门控循环单元中的矩阵积，然后将通过时序特征增强后的原始数据输入所述时空动态图卷积循环网络，得到编码数据，接着采用自适应的通道注意力机制融合所述编码数据，得到融合数据；

8、所述优化和预测模块，将所述外部因素数据转换为连续的向量表示，设计每种交通模式的客流量数据对应的外部信息编码，采用位置编码表示所述融合数据的顺序，得到辅助预测数据，将所述融合数据中的每个交通枢纽定义成一个多模式交通图网络，每个交通流抽象为一个节点，结合所述辅助预测数据，通过自注意力机制对各节点在时间维度和特征维度的特征表示进行投影，得到多种交通方式的客流分布预测值；

9、基于所述多模式客流量数据和外部因素数据，基于预设的损失函数和训练设置训练所述预测模型；

10、将所述多模式客流量数据和外部因素数据输入训练完成的所述预测模型，得到交通枢纽中多种交通方式的客流分布预测值。

11、在本技术一较佳的示例中可以进一步设置为，所述多通道时序增强模块通过多个通道将所述原始数据进行时序特征增强，包括：

12、所述多通道时序增强模块使用序列分解通道、历史增强通道和峰值增强通道处理所述原始数据，得到时序特征增强的原始数据。

13、在本技术一较佳的示例中可以进一步设置为，包括：

14、所述序列分解通道，通过经验模态分解将信号串行分解为一系列固有模态函数，每个固有模态函数代表不同频率范围内的振荡分量，然后通过ceemdan算法对每一次分解结果进行集成，得到分解结果；

15、所述历史增强通道，基于膨胀因果卷积对所述原始数据进行历史增强；

16、所述峰值增强通道，通过结合不同的maxpooling 1d卷积核捕获所述原始数据中不同时间尺度上的峰值信息。

17、在本技术一较佳的示例中可以进一步设置为，所述将通过时序特征增强后的原始数据输入所述时空动态图卷积循环网络，得到编码数据，包括：

18、在通过时序特征增强后的原始数据输入所述时空动态图卷积循环网络后，所述时空动态图卷积循环网络从每一时刻的时序数据中提取各节点的时空关联，并从中映射成为动态邻接矩阵；

19、对生成的所述动态邻接矩阵进行归一化，得到动态卷积核；

20、基于所述动态卷积核，通过图卷积操作完成每个节点间交互信息的传递，得到编码数据。

21、在本技术一较佳的示例中可以进一步设置为，所述接着采用自适应的通道注意力机制融合所述编码数据，得到融合数据，包括：

22、在每个时刻，将所述编码数据中的每个交通流的多通道时空编码堆叠成一个编码，随后将编码变换形状以进行矩阵运算，使用softmax层的矩阵乘法结果来获得通道注意力图；

23、使用平均池化层来提取通道整体权重；

24、利用所述通道注意力图对多通道时空编码进行权重加强，使用所述整体权重进行多通道编码的融合，得到融合数据。

25、在本技术一较佳的示例中可以进一步设置为，所述外部因素数据，包括：

26、节假日、天气状况和时间信息。

27、第二方面，本技术提供一种考虑多种集散模式的交通枢纽客流量预测装置，所述装置包括：

28、数据采集模块，用于采集多模式客流量数据和外部因素数据，对数据进行预处理，得到原始数据；

29、模型构建模块，用于构造预测模型，所述预测模型包括多通道时序增强模块、时空编码与通道融合模块和优化和预测模块；所述多通道时序增强模块通过多个通道将所述原始数据进行时序特征增强；所述时空编码与通道融合模块中，基于门控循环单元和动态图卷积构造得到时空动态图卷积循环网络，其中，利用动态图卷积操作替换门控循环单元中的矩阵积，然后将通过时序特征增强后的原始数据输入所述时空动态图卷积循环网络，得到编码数据，接着采用自适应的通道注意力机制融合所述编码数据，得到融合数据；所述优化和预测模块，将所述外部因素数据转换为连续的向量表示，设计每种交通模式的客流量数据对应的外部信息编码，采用位置编码表示所述融合数据的顺序，得到辅助预测数据，将所述融合数据中的每个交通枢纽定义成一个多模式交通图网络，每个交通流抽象为一个节点，结合所述辅助预测数据，通过自注意力机制对各节点在时间维度和特征维度的特征表示进行投影，得到多种交通方式的客流分布预测值；

30、模型训练模块，用于基于所述多模式客流量数据和外部因素数据，基于预设的损失函数和训练设置训练所述预测模型；

31、预测模块，用于将所述多模式客流量数据和外部因素数据输入训练完成的所述预测模型，得到交通枢纽中多种交通方式的客流分布预测值。

32、第三方面，本技术提供一种计算机设备，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，所述处理器执行所述计算机程序时实现如上述任一项所述的考虑多种集散模式的交通枢纽客流量预测方法的步骤。

33、第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，其中所述程序被处理器执行时，实现如上述任一项所述的考虑多种集散模式的交通枢纽客流量预测方法。

34、第五方面，本技术提供一种计算机程序产品，包括计算机指令，该计算机指令在被处理器执行时实现如上述任一项所述的考虑多种集散模式的交通枢纽客流量预测方法的步骤。

35、综上，与现有技术相比，本技术实施例提供的技术方案带来的有益效果至少包括：

36、本技术提供的一种考虑多种集散模式的交通枢纽客流量预测方法，不仅注重多种模式动态时空依赖性，而且融合外部因素，如节假日、天气状况和时间信息，能够对交通枢纽内多种交通方式的客流量进行精细化预测，而不仅仅是预测整体流量，这种独特的视角为显着改善异常情况下的协同管理提供了更强的实践价值。本技术的利用信号分解和卷积处理技术的集成时间增强策略，能够有效应对时序数据中存在的强波动性和数据尖峰处理能力不足的问题，对比现有方法可以得到更好的时序特征表示，服务于下游的预测任务。所述时空动态图卷积循环网络为数据驱动，能够综合捕获全局和局部的时空模式，同步完成时空特征的高效编码，对比现有方法可以突破静态特征提取的固有局限性。