欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024112564600
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种轨道交通客流OD预测方法,其特征在于,包括以下步骤:

S1、构建OD客流数据集:将数据清洗后的客流数据与进出站信息匹配形成一定时间步的OD客流数据集,其中客流数据是从自动售检票AFC系统中抽取的;

S2、生成OD矩阵:针对轨道交通系统中每一个站点,将该站点作为起始站点同时其他站点作为不同目的站点从OD客流数据集中取出相应的客流量生成对应的OD矩阵;

其中OD矩阵中包括空间关系和时间关系,在每一个站点对应的OD矩阵中从同一起始站点到不同目的站点的时间序列对应的空间变量表示其空间关系,在每一个站点对应的OD矩阵中从同一起始站点至不同目的站点的同一时间戳对应的时间变量表示其时间关系;

在轨道交通系统中,轨道交通系统的每日运营时段分为b个时间段,代表第D天第p个时间段中从起点i到目的地j的乘客量,其中1≤D≤s天,对于起点为i的n个目的地,n个OD对上的乘客量形成一个n维OD向量表示为:此时,OD矩阵记为其表达式为:

式中,空间变量为中每一列对应的向量,记为Mc,时间变量为中每一行对应的向量,记为Mk;

S3、OD客流预测:将OD矩阵输入训练好的OD预测模型中预测得到OD客流预测结果;

其中OD预测模型是基于iTransformer模型改进得到,包括变量嵌入层、多变量注意力机制层、时域卷积网络层、特征融合层和全连接层,多变量注意力机制层中的自注意力机制用于对OD矩阵中的空间关系进行特征提取,时域卷积网络层中包括因果卷积和扩张卷积,用于对OD矩阵中的时间关系进行特征提取;

所述OD客流预测的具体步骤包括:

S3.1、OD矩阵输入OD预测模型后,其空间变量Mc输入至变量嵌入层,其时间变量Mk输入至时域卷积网络层;

S3.2、由变量嵌入层对其进行向量嵌入,随后输入多变量注意力机制层,在多变量注意力机制层中使用自注意力机制提取空间变量Mc中的特征,并将提取到的结果依次进行残差连接和层归一化处理得到空间变量特征记为Hc,并输出至特征融合层中;

S3.3、在时域卷积网络层中先将时间变量Mk转置后,再使用因果卷积和扩张卷积构成的时域卷积网络进行特征提取得到时间变量特征记为HM,并输出至特征融合层中;

S3.4、在特征融合层中对空间变量特征Hc和时间变量特HM进行特征融合得到特征W,其特征融合表达为:输出至全连接层中;

S3.5、在全连接层中对输入的特征W进行特征提取后输出OD客流预测结果;

其中全连接层的层数采用3层隐藏层、1层输入层和1层输出层,其神经元个数设置为256个,其激活函数采用softmax函数,其输入层接收特征W,其输出层采用反归一化处理。

2.根据权利要求1所述的方法,其特征在于,

所述数据清洗的具体步骤包括删除重复值和采用平滑修正法修正异常值;

所述OD客流数据集记为DT=t;其表达式为:

式中,T=t代表不同时间,DT=t为不同时间的OD数据集,d1i(t)代表客流从第i个起始站点出发到达第1个站点的客流量,其中第1个站点到第1个站点的客流量为零,即式中的第一行第一列的数值;dj1(t)代表第1个起始站点到j个目的地站点的客流量;式中的对角线上的元素代表第n个站点到第n个站点的客流量且均为0。

3.根据权利要求1所述的方法,其特征在于,

所述使用因果卷积和扩张卷积构成的时域卷积网络进行特征提取得到时间变量特征记为HM的具体步骤包括:S3.3.1、使用如下计算公式对时间变量Mk进行计算得到计算结果,其计算公式为:式中,d为空洞系数,g为卷积核大小,f(e)为卷积核中的第e个元素;

S3.3.2、将计算结果先通过ReLU激活函数,然后层归一化处理,最后使用残差连接输出,其输出F(M)表示为:F(M)=F(t)+Mk;

S3.3.3、对残差连接的输出结果再次进行层归一化处理得到时间变量特征HM。

4.根据权利要求1所述的方法,其特征在于,

在OD预测模型的训练过程中采用交叉验证的方式进行参数更新优化,OD预测模型的损失函数为MSE,并以最小化MAPE和RMSE作为评价指标,从而完成模型训练。

5.一种轨道交通客流OD预测系统,其特征在于,所述系统用于实现权利要求1所述的预测方法,所述系统包括:数据采集单元、数据处理单元、训练单元和预测单元;

数据采集单元用于构建OD客流数据集,具体包括:将数据清洗后的客流数据与进出站信息匹配形成一定时间步的OD客流数据集,其中客流数据是从自动售检票AFC系统中抽取的;

数据处理单元用于生成OD矩阵,具体包括:针对轨道交通系统中每一个站点,将该站点作为起始站点同时其他站点作为不同目的站点从OD客流数据集中取出相应的客流量生成对应的OD矩阵;其中OD矩阵中包括空间关系和时间关系,在每一个站点对应的OD矩阵中从同一起始站点到不同目的站点的时间序列对应的空间变量表示其空间关系,在每一个站点对应的OD矩阵中从同一起始站点至不同目的站点的同一时间戳对应的时间变量表示其时间关系;

训练单元用于:在OD预测模型的训练过程中采用交叉验证的方式进行参数更新优化,OD预测模型的损失函数为MSE,并以最小化MAPE和RMSE作为评价指标,从而完成模型训练;

预测单元用于OD客流预测,具体包括:将OD矩阵输入训练好的OD预测模型中预测得到OD客流预测结果;其中OD预测模型是基于iTransformer模型改进得到,包括变量嵌入层、多变量注意力机制层、时域卷积网络层、特征融合层和全连接层,多变量注意力机制层中的自注意力机制用于对OD矩阵中的空间关系进行特征提取,时域卷积网络层中包括因果卷积和扩张卷积,用于对OD矩阵中的时间关系进行特征提取。