(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 20221049870 5.5
(22)申请日 2022.05.09
(71)申请人 华侨大学
地址 362000 福建省泉州市城华北路269号
华侨大学
(72)发明人 王晨曦 张惠臻 潘玉彪 缑锦
(74)专利代理 机构 泉州市文华专利代理有限公
司 35205
专利代理师 陈雪莹
(51)Int.Cl.
G06Q 10/04(2012.01)
G06V 10/80(2022.01)
G06Q 50/30(2012.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
一种基于神经网络的轨道交通客流预测方
法及系统
(57)摘要
本发明提供了智慧交通技术领域的一种基
于神经网络的轨道交通客流预测方法及系统, 方
法包括: 步骤S10、 获取轨道交通的刷卡数据集以
及轨道站点的邻接关系图, 对刷卡数据集进行预
处理得到进站客流数据集; 步骤S20、 基于邻接关
系图以及 进站客流数据集重构站点邻接关系; 步
骤S30、 基于GCN构建多维空间状态下的一致性特
征提取通道以及异质性特征提取通道, 并通过
Attent i on机制自适应分配一致性特征提取通
道以及异质性特征提取通道所提取特征的权重;
步骤S40、 基于LSTM以及全连接层网络构建时序
预测模型, 对时序预测模型进行训练; 步骤S50、
将站点邻接关系输入时序预测模 型, 输出轨道交
通客流预测结果。 本发明的优点在于: 极大的提
升了轨道交通 客流预测的精度。
权利要求书2页 说明书9页 附图3页
CN 114881330 A
2022.08.09
CN 114881330 A
1.一种基于神经网络的轨道交通 客流预测方法, 其特 征在于: 包括如下步骤:
步骤S10、 获取轨道交通的刷卡数据集以及轨道站点的邻接关系图, 对所述刷卡数据集
进行预处理得到进站客 流数据集;
步骤S20、 基于所述邻接关系图以及进站客 流数据集重构站点邻接关系;
步骤S30、 基于GCN构 建多维空间状态下的一致性特征提取通道以及异质性特征提取通
道, 并通过Attention机制自适应分配所述一致性特征提取通道以及异质性特征提取通道
所提取特征的权重;
步骤S40、 基于所述一致性特征提取通道以及异质性特征提取通道, 通过LSTM以及全连
接层网络构建时序预测模型, 对所述时序预测模型进行训练;
步骤S50、 将所述站点邻接关系输入训练后的时序预测模型, 输出轨道交通客流预测结
果。
2.如权利要求1所述的一种基于神经网络的轨道 交通客流预测方法, 其特征在于: 所述
步骤S10具体为:
通过闸机获取轨道交通的刷卡数据集, 通过地图软件获取轨道 站点的邻接关系图;
对所述刷卡数据集进行清洗后, 按照所述刷卡数据集中的每一条刷卡数据所在的站点
和时段构建客 流量矩阵, 进 而生成进站客 流数据集。
3.如权利要求2所述的一种基于神经网络的轨道 交通客流预测方法, 其特征在于: 所述
步骤S20具体为:
基于所述邻接关系图构建的邻接矩阵以及客 流量矩阵重构站点邻接关系。
4.如权利要求3所述的一种基于神经网络的轨道 交通客流预测方法, 其特征在于: 所述
步骤S30具体为:
基于所述邻 接矩阵构建异质性特征提取通道, 基于所述客流量矩阵构建一致性特征提
取通道;
通过Attention机制引入特征融合模块, 进而自适应分配所述一致性特征提取通道以
及异质性特 征提取通道所提取 特征的权重。
5.如权利要求1所述的一种基于神经网络的轨道 交通客流预测方法, 其特征在于: 所述
步骤S40中, 所述对所述时序预测模型进行训练具体为:
利用预先创建的测试集对所述 时序预测模型进行训练, 直至所述 时序预测模型的预测
值与真实值之间的均方根 误差和平均值 误差小于设定的阈值。
6.一种基于神经网络的轨道交通 客流预测系统, 其特 征在于: 包括如下模块:
数据获取模块, 用于获取轨道交通的刷卡数据集以及轨道站点的邻接关系图, 对所述
刷卡数据集进行 预处理得到进站客 流数据集;
站点邻接关系重构模块, 用于基于所述邻 接关系图以及进站客流数据集重构站点邻 接
关系;
特征提取通道构建模块, 用于基于GCN构建多维空间状态下的一致性特征提取通道以
及异质性特征提取通道, 并通过Attention机制自适应分配所述一致性特征提取通道以及
异质性特 征提取通道所提取 特征的权重;
时序预测模型创建模块, 用于基于所述一致性特征提取通道以及异质性特征提取通
道, 通过LSTM以及全连接层网络构建时序预测模型, 对所述时序预测模型进行训练;权 利 要 求 书 1/2 页
2
CN 114881330 A
2轨道交通客流预测模块, 用于将所述站点邻接关系输入训练后的时序预测模型, 输出
轨道交通 客流预测结果。
7.如权利要求6所述的一种基于神经网络的轨道 交通客流预测系统, 其特征在于: 所述
数据获取模块具体为:
通过闸机获取轨道交通的刷卡数据集, 通过地图软件获取轨道 站点的邻接关系图;
对所述刷卡数据集进行清洗后, 按照所述刷卡数据集中的每一条刷卡数据所在的站点
和时段构建客 流量矩阵, 进 而生成进站客 流数据集。
8.如权利要求7所述的一种基于神经网络的轨道 交通客流预测系统, 其特征在于: 所述
站点邻接关系重构模块具体为:
基于所述邻接关系图构建的邻接矩阵以及客 流量矩阵重构站点邻接关系。
9.如权利要求8所述的一种基于神经网络的轨道 交通客流预测系统, 其特征在于: 所述
特征提取通道构建模块具体为:
基于所述邻 接矩阵构建异质性特征提取通道, 基于所述客流量矩阵构建一致性特征提
取通道;
通过Attention机制引入特征融合模块, 进而自适应分配所述一致性特征提取通道以
及异质性特 征提取通道所提取 特征的权重。
10.如权利要求6所述的一种基于神经网络的轨道交通客流预测系统, 其特征在于: 所
述时序预测模型创建模块中, 所述对所述时序预测模型进行训练具体为:
利用预先创建的测试集对所述 时序预测模型进行训练, 直至所述 时序预测模型的预测
值与真实值之间的均方根 误差和平均值 误差小于设定的阈值。权 利 要 求 书 2/2 页
3
CN 114881330 A
3
专利 一种基于神经网络的轨道交通客流预测方法及系统
安全报告 >
其他 >
文档预览
中文文档
15 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共15页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 07:33:59上传分享