[发明专利]一种基于元学习的地铁新开车站短期客流预测方法

说明书

本发明公开了一种基于元学习的地铁新开车站短期客流预测方法。该方法包括：将目标车站的短期客流预测问题进行建模；构建元学习器，以通过多个元学习任务从数据丰富的源站点学习知识，并将学到的知识转移到数据有限的新开车站，实现对目标车站的短期客流预测。利用本发明，能够准确预测新开地铁车站的客流，并且可以推广到数据缺乏条件下的非新开地铁车站后，提升了预测性能。

技术领域

本发明涉及交通客流预测技术领域，更具体地，涉及一种基于元学习的地铁新开车站短期客流预测方法。

背景技术

精确的地铁车站短时预测客流，对于合理配置站内资源、缓解拥堵、降低运营风险具有重要意义。相比于历史客流数据充足的车站，新开通地铁车站的客流数据有限，这会降低新开车站内的短时客流预测精度，增加车站管理和运营的难度。因此如何精准预测新开通地铁车站的短时客流是亟待解决的问题，既有的短时客流预测方法普遍依赖于充足的历史客流数据，难以直接应用于新开通的地铁车站。

时空预测是大数据时代地铁运营管理的一项基础性任务。传统的时间序列预测方法已被广泛使用，如HA方法、ARIMA、卡尔曼滤波方法等。近年来，许多经典的深度学习方法被引入到交通时空预测领域，如门控循环单元(GRU)、CNN、ST-ResNet和ST-GCN。随后，出现了基于RNN、CNN和GCN的混合模型，或者将残差架构与LSTM(长短时记忆网络)相结合，用于地铁车站的短期客流预测。

总体而言，已有的时空模型表现良好需要提供大量数据支持。但是，由于新开通的车站客流数据不足，使得依赖于充足数据的时空预测模型无法达到令人满意的性能。因此，有必要引入一个框架，该框架不仅可以利用上述方法在具有足够数据的多个站点上捕获时空知识，而且可以将知识转移到数据稀缺站点。

迁移学习方法为在数据不足的情况下进行准确预测提供了解决方案，但在地铁客流预测方面的应用较少。迁移学习方法通过将知识从数据丰富的源域迁移到数据有限的目标域来解决问题。例如，为了解决数据不足的空气质量预测问题，迁移学习方法从数据丰富的城市学习多种模式的语义相关词典，同时将词典转移到数据不足的目标城市。又如，以数据模式和地理属性为标准，从数据充足的链路(即源链路)中选择与目标链路相似的链路(即数据不足的链路)，并将知识转移到目标链路。然而，当知识从单一源域转移时，转移的性能不稳定。例如，如果源域和目标域的特征匹配良好，则迁移的性能表现较好。但是，如果源域和目标域的特征不匹配，则迁移学习方法将没有任何贡献，甚至会降低性能。

总之，目前针对新开地铁车站的短时客流预测主要存在以下问题：1)既有的短时客流预测方法依赖于充足的历史客流数据，难以应对数据缺乏条件下的地铁车站客流预测。2)虽然迁移学习方法为数据缺乏条件下的客流预测提供了解决方案，但既有迁移学习方法考虑单一目标之间的知识迁移，导致迁移学习的效果不稳定，例如迁移对象与被迁移对象之间的特征相似时，迁移效果较好，而当两者之间的特征不相似时，迁移效果较差。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于元学习的地铁新开车站短期客流预测方法，该方法包括：

将针对目标车站的短期客流预测问题建模为：

其中，S_u＝{s₁,…,s_u}是一组源车站，S_t＝{s₁,…,s_t}是一组目标车站，τ是历史时间步的数量，是目标车站第τ+1个时间步的客流，f为客流预测模型，θ₀表示从源车站提取后迁移到目标车站的参数，至是目标车站的τ历史时间步的客流信息；

通过以下步骤获得目标车站第τ+1时间步的客流：