本技術(shù)實施例涉及軌道交通控制，尤其涉及軌道交通客流od預(yù)測方法及其系統(tǒng)。

背景技術(shù)：

1、城市軌道交通作為城市中的一種交通方式，具有客運量大，安全，準(zhǔn)時和可持續(xù)的特點，在城市發(fā)展中具有重要的作用。但隨著城市化進程加快，在軌道交通線網(wǎng)承受巨大的客運壓力下，出現(xiàn)了準(zhǔn)點率低，列車發(fā)車次數(shù)不能有效滿足早晚高峰等問題，究其根本在于沒有對客流出行規(guī)律的準(zhǔn)確分析，導(dǎo)致軌道交通線網(wǎng)資源分配不平衡，出現(xiàn)了軌道線網(wǎng)供給不能滿足運輸需求的問題。綜上所述，如何精準(zhǔn)的預(yù)測客流成為一個急需解決的問題。

2、對于精準(zhǔn)的od客流預(yù)測，早期主要是基于統(tǒng)計理論的各種經(jīng)典線性預(yù)測模型。例如自回歸綜合移動平均(armia)模型、卡爾曼濾波模型和非參數(shù)模型等。使用該模型的一個重要的假設(shè)是客流量具備線性且平穩(wěn)的特征，基于統(tǒng)計理論的線性預(yù)測模型，計算簡單效率高，是一種靜態(tài)的預(yù)測方法，受大客流和異常客流的影響較大，預(yù)測精度較低。事實上，od量受到其自身內(nèi)部的時間變異性和空間相關(guān)性的影響較大，而隨著大數(shù)據(jù)技術(shù)的發(fā)展，相關(guān)研究逐步過渡到采用神經(jīng)網(wǎng)絡(luò)等方法，通過大量的od數(shù)據(jù)訓(xùn)練，試圖從中挖掘出時空關(guān)系，進而準(zhǔn)確的把握客流規(guī)律。但是，該種方法容易出現(xiàn)梯度消失和爆炸的問題，且訓(xùn)練不易。

技術(shù)實現(xiàn)思路

1、為了克服上述技術(shù)缺陷，提升城市軌道交通中od客流預(yù)測的準(zhǔn)確性，本技術(shù)實施例提供了軌道交通客流od預(yù)測方法及其系統(tǒng)，具體方案如下：

2、第一方面，本發(fā)明實施例中，一種軌道交通客流od預(yù)測方法，其特征在于，包括以下步驟：s1、構(gòu)建od客流數(shù)據(jù)集：將數(shù)據(jù)清洗后的客流數(shù)據(jù)與進出站信息匹配形成一定時間步的od客流數(shù)據(jù)集，其中客流數(shù)據(jù)是從自動售檢票afc系統(tǒng)中抽取的；s2、生成od矩陣：針對軌道交通系統(tǒng)中每一個站點，將該站點作為起始站點同時其他站點作為不同目的站點從od客流數(shù)據(jù)集中取出相應(yīng)的客流量生成對應(yīng)的od矩陣；其中od矩陣中包括空間關(guān)系和時間關(guān)系，在每一個站點對應(yīng)的od矩陣中從同一起始站點到不同目的站點的時間序列對應(yīng)的空間變量表示其空間關(guān)系，在每一個站點對應(yīng)的od矩陣中從同一起始站點至不同目的站點的同一時間戳對應(yīng)的時間變量表示其時間關(guān)系；s3、od客流預(yù)測：將od矩陣輸入訓(xùn)練好的od預(yù)測模型中預(yù)測得到od客流預(yù)測結(jié)果；其中od預(yù)測模型是基于itransformer模型改進得到，包括變量嵌入層、多變量注意力機制層、時域卷積網(wǎng)絡(luò)層、特征融合層和全連接層，多變量注意力機制層中的自注意力機制用于對od矩陣中的空間關(guān)系進行特征提取，時域卷積網(wǎng)絡(luò)層中包括因果卷積和擴張卷積，用于對od矩陣中的時間關(guān)系進行特征提取。

3、可選的，在本發(fā)明實施例的一種實現(xiàn)方式中，所述數(shù)據(jù)清洗的具體步驟包括刪除重復(fù)值和采用平滑修正法修正異常值；

4、所述od客流數(shù)據(jù)集記為dt＝t；其表達式為：

5、

6、式中，t＝t代表不同時間，n＝1，2，…，n，,…,n，dt＝t為不同時間的od數(shù)據(jù)集，d12(t)，…d1n(t)分別代表客流從第2到第n個起始站點出發(fā)到達第1個站點的客流量，其中第1個站點到第1個站點的客流量為零，即式中的第一行第一列的數(shù)值；d21(t)…dn1(t)代表第1個起始站點到第2到n個站點的客流量；式中的對角線上的元素代表第n個站點到第n個站點的客流量且均為0。

7、可選的，在本發(fā)明實施例的一種實現(xiàn)方式中，在軌道交通系統(tǒng)中，軌道交通系統(tǒng)的每日運營時段分為b個時間段，代表第d(1≤d≤s)天區(qū)間p中從起點i到目的地j的乘客量，對于起點為i的n個目的地，n個od對上的乘客量形成一個n維od向量表示為：

8、

9、此時，od矩陣記為其表達式為：

10、

11、式中，空間變量為中每一列對應(yīng)的向量，記為mc，時間變量為中每一行對應(yīng)的向量，記為mk。

12、可選的，在本發(fā)明實施例的一種實現(xiàn)方式中，所述od客流預(yù)測的具體步驟包括：

13、s3.1、od矩陣輸入od預(yù)測模型后，其空間變量mc輸入至變量嵌入層，其時間變量mk輸入至?xí)r域卷積網(wǎng)絡(luò)層；

14、s3.2、由變量嵌入層對其進行向量嵌入，隨后輸入多變量注意力機制層，在多變量注意力機制層中使用自注意力機制提取空間變量mc中的特征，并將提取到的結(jié)果依次進行殘差連接、層歸一化處理得到空間變量特征記為hc，并輸出至特征融合層中；

15、s3.3、在時域卷積網(wǎng)絡(luò)層中先將時間變量mk轉(zhuǎn)置后，再使用因果卷積和擴張卷積構(gòu)成的時域卷積網(wǎng)絡(luò)進行特征提取得到時間變量特征記為hm，并輸出至特征融合層中；

16、s3.4、在特征融合層中對空間變量特征hc和時間變量特hm進行特征融合得到特征w，其特征融合表達為：輸出至全連接層中；

17、s3.5、在全連接層中對輸入的特征w進行特征提取后輸出od客流預(yù)測結(jié)果；

18、其中全連接層的層數(shù)采用3層隱藏層、1層輸入層、1層輸出層，其神經(jīng)元個數(shù)設(shè)置為256個，其激活函數(shù)采用softmax函數(shù)，其輸入層接收特征w，其輸出層采用反歸一化處理。

19、可選的，在本發(fā)明實施例的一種實現(xiàn)方式中，所述使用因果卷積和擴張卷積構(gòu)成的時域卷積網(wǎng)絡(luò)進行特征提取得到時間變量特征記為hm的具體步驟包括：

20、s3.3.1、使用如下計算公式對時間變量mk進行計算得到計算結(jié)果，其計算公式為：

21、

22、式中，d為空洞系數(shù)，g為卷積核大小，f(e)為卷積核中的第e個元素；

23、s3.3.2、將計算結(jié)果先通過relu激活函數(shù)，然后層歸一化處理，最后使用殘差連接輸出，其輸出f(m)表示為：

24、f(m)＝f(t)+mk；

25、s3.3.3、對殘差連接的輸出結(jié)果再次進行層歸一化處理得到時間變量特征hm。

26、可選的，在本發(fā)明實施例的一種實現(xiàn)方式中，在od預(yù)測模型的訓(xùn)練過程中采用交叉驗證的方式進行參數(shù)更新優(yōu)化，od預(yù)測模型的損失函數(shù)為mse，并以最小化mape和rmse作為評價指標(biāo)，從而完成模型訓(xùn)練。

27、第二方面，本發(fā)明實施例中提供了一種軌道交通客流od預(yù)測系統(tǒng)，包括：

28、數(shù)據(jù)采集單元、數(shù)據(jù)處理單元、訓(xùn)練單元和預(yù)測單元；

29、數(shù)據(jù)采集單元用于構(gòu)建od客流數(shù)據(jù)集，具體包括：將數(shù)據(jù)清洗后的客流數(shù)據(jù)與進出站信息匹配形成一定時間步的od客流數(shù)據(jù)集，其中客流數(shù)據(jù)是從自動售檢票afc系統(tǒng)中抽取的；

30、數(shù)據(jù)處理單元用于生成od矩陣，具體包括：針對軌道交通系統(tǒng)中每一個站點，將該站點作為起始站點同時其他站點作為不同目的站點從od客流數(shù)據(jù)集中取出相應(yīng)的客流量生成對應(yīng)的od矩陣；其中od矩陣中包括空間關(guān)系和時間關(guān)系，在每一個站點對應(yīng)的od矩陣中從同一起始站點到不同目的站點的時間序列對應(yīng)的空間變量表示其空間關(guān)系，在每一個站點對應(yīng)的od矩陣中從同一起始站點至不同目的站點的同一時間戳對應(yīng)的時間變量表示其時間關(guān)系；

31、訓(xùn)練單元用于：在od預(yù)測模型的訓(xùn)練過程中采用交叉驗證的方式進行參數(shù)更新優(yōu)化，od預(yù)測模型的損失函數(shù)為mse，并以最小化mape和rmse作為評價指標(biāo)，從而完成模型訓(xùn)練；

32、預(yù)測單元用于od客流預(yù)測，具體包括：將od矩陣輸入訓(xùn)練好的od預(yù)測模型中預(yù)測得到od客流預(yù)測結(jié)果；其中od預(yù)測模型是基于itransformer模型改進得到，包括變量嵌入層、多變量注意力機制層、時域卷積網(wǎng)絡(luò)層、特征融合層和全連接層，多變量注意力機制層中的自注意力機制用于對od矩陣中的空間關(guān)系進行特征提取，時域卷積網(wǎng)絡(luò)層中包括因果卷積和擴張卷積，用于對od矩陣中的時間關(guān)系進行特征提取。

33、本技術(shù)實施例采用上述技術(shù)方案可以實現(xiàn)以下技術(shù)效果：

34、該方案采用itransformer中的時序變量嵌入和自注意力機制獲得軌道od客流的空間分布，同時對于時間關(guān)系的挖掘利用時域卷積網(wǎng)絡(luò)進行特征提取，并將空間關(guān)系特征和時間關(guān)系特征進行融合，由全連接層進行進一步的內(nèi)部特征學(xué)習(xí)，并做出預(yù)測，采用反歸一化獲得易于理解的表達，提升城市軌道交通中od客流預(yù)測的準(zhǔn)確性。