CN119494442A 基于多尺度时空图注意力网络的地铁客流预测方法及设备 （上海工程技术大学）

基于多尺度时空图注意力网络的地铁客流本发明涉及一种基于多尺度时空图注意力2步骤S2，基于步骤S1的数据构建OD级别的城市轨道步骤S3，将步骤S2中知识图谱的节点特征输入多2.根据权利要求1所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其所述的计算土地使用信息为计算每个OD对起点站和终点站周边不同类型兴趣点的比所述的计算OD对相关性包括：通过核典型相关性分析方法，计算3.根据权利要求1所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其4.根据权利要求1所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其L,=D,-A,vteT5.根据权利要求1所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其36.根据权利要求5所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其所述时间注意力对节点特征的学习过程包括：对于节点p及其邻居节点所述时空注意力对节点特征的学习过程包括：对于节点p及其邻居节点7.根据权利要求1所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其所述的天级LSTM模型的输入为天级的时空注意力加权特征向量，输出是长期隐藏状所述的分钟LSTM模型的输入为分钟级的时空注意力加权特征向量，8.根据权利要求7所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其9.根据权利要求1所述的一种基于多尺度时空图注意力网络的地铁客流预测方法，其M和λD分别是分钟级预测损失和天级预测损失的权重，和"(m)4前，地铁系统的客流量预测方法主要依赖于传统的时间序列模型(如自回归综合滑动平均的地铁客流量预测方法及系统，所述方法包括下述步骤：采集并处理原始地铁AFC历史数5[0007]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多尺度时点特征进行图过滤，再结合时空图注意力机制模型输出的结果更新知识图谱的节点特征，[0015]所述的计算土地使用信息为计算每个OD对起点站和终点站周边不同类型兴趣点t[0023]L,=D,-A,vteT67M和λD分别是分钟级预测损失cu和天级预测损失的权重，s;(a)和[0052]图5为本发明中方法与其他深度学习模型方法的计算效果MAPE随时间变化的对比[0054]为了解决上述挑战，本发明提出了一种融合知识图谱与MSP_GATNet(多尺度时空图注意力网络)深度学习模型的基于多尺度时空图注意力网络的地铁客流预测方法。该方89[0072]2)计算土地使用信息，通过结合OD起点和终点站周边1公里范围内的土地使用类分析(KernelCanonicalCorrelationAnalysis,KCCA)在高维特征空间中探索两个OD对和K12分别是两个OD对的自核矩阵，是两个OD对之[0098]如果计算得到的相关性超过预设的阈值，则表明这两个OD对之间存在显著的关t[0104]L,=D,-A,vteT[0109]步骤3_2，构建多尺度时空图注意力网络(MSP_GATNet)模型的时空图注意力机制[0119]其中，是时间注意力的可学习的向量WT可学习的时间参数矩阵来对特征进行转换表示向量拼接运算。]+bf)]+bi)]+bo)量输出是长期隐藏状态hf(d),其计算方式如下：[0155]为了更新分钟级的隐藏状态在每的隐藏状态hf(d-1)来初始化分钟级的隐藏状态hy(m),其计算方式如下：[0164]其中，λM和λD分别是分钟级预测损失cu和天级预测损失的权重，s;(ad)和[0165]基于所提出的评价指标体系对设计的一种融合知识图谱与MSP_GATNet深度学习N是OD对的总样本数；[0174]本实施例还涉及一种基于多尺度时空图注意力网络的地铁客流预测方法的验证且SVR又不如深度学习方法LSTM。具体来看，HA模型的MAPE为64.765显著高于SVR的性学习整个序列更为有效。虽然TCN能够通过卷积操作捕捉长期依赖，但其预测能力不及2.312.494.3464.7436.9764.653.12[0179]此外使用深度学习混合模型进行对比。PSAM_CNN(Position_SensitiveAttentionMechanismwithConvolutionalNeuralNetwork)是将位置敏感的注意力机制与卷积神经网络(CNN)结合的模型。ST_VGCN(SpatiotemporalVirtualGraphConvolutionalNetwork)ST_VGCN是一种时空虚拟图卷积网络模型。AFFN(Adaptive为43.083AFFN为38.791均优于前述基准模型中的最佳表现。MSP_GATNet的MAPE为4.774.25447.34243.08346.30141.56949.09643.87957.2646.4541.1924.554.081[0182]通过对空间和时间维度的分析，我们进一步探讨了PSAM_CNN、ST_VGCN、AFFN和MSP_GATNet在不同时间段和不同日期下的表现(见附图4)。从周一到周日的MAPE分析结果[0183]为验证MSP_GATNet中各组成部分的有效性，我们进行了消融实验，结果如表3所入土地使用信息后，MAPE显著降低至41.506而加入OD距离和可达性信息后，MAPE增至分钟预测的MAPE为58.247仅使用空间注意力时，该误差降至42.112仅使用时间注意力时，误差为54.148而结合空间和时间注意力的MSP_GATNet模型的MAPE为34.449验证了时空注意力机制对提高OD客流预测精的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来~S4的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何[0194]本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例[0195]用于实施本发明的方法的程序代码可以采