[发明专利]基于深度时空网络的OD数据预测方法及系统

权利要求书

1.一种基于深度时空网络的OD数据预测方法，其特征在于，包括：

步骤S1：根据历史数据构建多个数据集，多个数据集包括至少一间隔历史周期数据集以及当日趋势数据集；

步骤S2：构建OD稀疏时空残差网络模型；

步骤S3：利用深度神经网络的反向传播规则和Adam算法对OD稀疏时空残差网络模型进行训练；

步骤S4：根据实时数据通过OD稀疏时空残差网络模型获得预测结果;

其中，所述步骤S2中包括：

步骤S21：基于时间滑动机制对至少一间隔历史周期数据集进行处理对应地获得至少一滑动间隔历史周期数据集；

步骤S22：构建二维逐点卷积层对至少一滑动间隔历史周期数据集进行特征提取与聚合获得特征图；

步骤S23：构建OD残差卷积单元，对特征图及当日趋势数据集提取空间特征；

步骤S24：构建简化时序处理单元从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测；

步骤S25：根据历史时空预测及外部环境预测获得初步预测；

步骤S26：引入稀疏性的非零注意机制根据初步预测获得最终预测；

其中，所述步骤S26中包括：

步骤S261：根据至少一间隔历史周期数据集以及当日趋势数据集获得OD矩阵均值；

步骤S262：通过非零激活函数将OD矩阵均值转化为非零元素注意矩阵；

步骤S263：通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段OD矩阵的最终预测值。

2.如权利要求1所述的OD数据预测方法，其特征在于，所述步骤S1中包括：

多个数据集是根据历史数据以不同的时间段为预测目标选取出来的，至少一间隔历史周期数据集包括：周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者。

3.如权利要求1所述的OD数据预测方法，其特征在于，所述步骤S3中，根据构建的当日趋势数据集及至少一间隔历史周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和Adam算法进行模型训练。

4.如权利要求2所述的OD数据预测方法，其特征在于，所述步骤S23中包括：

步骤S231：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；

步骤S232：通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。

5.如权利要求4所述的OD数据预测方法，其特征在于，所述步骤S24中包括：

步骤S241：将空间特征在时间上进行堆叠，得到当日趋势空间特征集及至少一间隔周期空间特征集；

步骤S242：通过连续的多个二维逐点卷积层用于从当日趋势空间特征集及至少一间隔周期空间特征集中提取非线性的时序关联特征；

步骤S243：根据提取的时序关联特征获得当日趋势时空预测值及至少一间隔周期时空预测值；

步骤S244：根据当日趋势时空预测值以及至少一间隔周期时空预测值获得历史时空预测值。