(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