CN113470365B 一种面向有缺失数据的公交车到站时间预测方法 （北京航空航天大学杭州创新研究院）

院一种面向有缺失数据的公交车到站时间预本发明公开了一种面向有缺失数据的公交地理位置表示每条路线的地理结构构成节点信预测模型从空间和时间的角度学习公交路线之图注意力模块，时间注意力模块由LSTM层和transformer层构建。本发明可以准确有效地学不仅能提高当前旅行记录少的公交线路的到达2据整合；通过基于密度的聚类方法从历史公交车运行轨迹GPS信息中提取公交网络中重要3）利用多头时空图注意力网络预测模型，对具有缺失数据的公交车到站时间进行预模型并根据公交车运行模式的相似度，学习前h个时间段内具有完整历史数据的公交车运过基于密度的聚类方法从历史公交车运行轨迹GPS信息中提取公交网络中重要的地理位根据整合后的数据中速度为0的GPS点的数量来设置基基于密度的聚类方法得到公交网络中重要的地理位置，并根据每个地理位置包含的GPS点站点信息和其之间的被选择的地理位置信息集合作为节点s的信息，以代表两个相邻站点37.根据权利要求6所述的面向有缺失数据的公交车到站时间预测方法，其特征在于，gg4[0007]因此，对于具有历史数据缺失的公交车到站时间预测方法的提出是必要且重要中每条路径的旅行时间，不仅能提高当前旅行记录少的公交线路的到达时间预测准确率，[0010]本发明提供了一种面向有缺失数据的公交车到站时间预测方法，其包括如下步5述时间注意力模块包括一个LSTM层和一个transformer层，分别用于进行局部时间依赖学[0015]根据整合后的数据中速度为0的GPS点的数量来设置基于密度的通过基于密度的聚类方法得到公交网络中重要的地理位置，并根据每个地理位置包含的gg地理位置附近的城市兴趣点数据中包含的建筑类别信息，提取每个节点的城市功能类别，意力网络预测模型并根据公交车运行模式的相似度，学习前h个时间段内具有完整历史数[0023]与现有技术相比，本发明根据每条公共交通线路的地理结构与线路之间的空间-6有历史记录的处于设计阶段的线路提供预计的件下的正常和异常情况本发明通过一个LSTM层和一个transformer层构建了一个时间注[0030]以下对本发明的公共交通网络图构建和多注意力图网络的预测模型的构建进行7括叉路口和站点的准确位置和密度。过程不直接使用标记的车站信息，而是从DBSCAN算法次，每个车站和路口的等待时间通常受到乘客数量和交通信号灯的影响，这可能导致不同区域（Geo-structurediscovery不需要设定集群数量或固定形状，具体步骤如图2所示根据每个挖掘出的地理位置范围内GPS数量来确定站点和交叉口的权重。息和之间的重要地理位置信息的集合作为节点s的信息，以代表从一个站点到下一个站点gg息（设置为节点经纬度半径范围100米距离内的建筑城市功能类别信息集合提取每个路8各条公交线路的行驶时间，特别是对于郊区的线路和没有任何历史公交行驶记录的路径。ti是si段的输入旅行时间记录和嵌入的时间信息。si和sj的注意系数etij可以表示具有可学习的K个独立注意力头被串联起来以达9是LSTM单元的输入向量，Wix,Wih和bi是递归层的可学习参数矩阵和偏置向量，σ标准’[0075]RnnTTE：该模型基于LSTM神经网络，包含一个具有128个隐藏单元的全连接LSTM