[发明专利]一种基于多任务学习的多模式交通短时客流协同预测方法

说明书

本发明公开了一种基于多任务学习的多模式交通短时客流协同预测方法。该方法包括：获取目标区域内三种交通模式的客流数据，包括地铁和公交的进站客流时间序列，以及出租车的流入时间序列：将获取的三种模式的客流时间序列输入到经训练的预测模型，输出后续时间段三种交通模式的流入客流信息。本发明协同考虑地铁、出租车和公交三种交通方式的进站客流并分别准确地预测不同交通方式的未来时段客流，实现对区域内多模式交通短时客流的准确预测。

技术领域

本发明涉及交通客流预测技术领域，更具体地，涉及一种基于多任务学习的多模式交通短时客流协同预测方法。

背景技术

随着“出行即服务”(MaaS)的盛行，协同考虑多种交通模式已经成为研究热点。然而，开展多模式交通短时客流预测存在困难。首先，由于融合多种交通模式，导致其客流数据的时空特征极为复杂。其次，多模式交通客流具有差异大、波动大的特点，致使多模式交通客流难以准确预测。

近年来，随着人工智能技术与大数据的快速发展，涌现出许多针对短时客流预测的新思路、新方法。由于短时客流预测的本质是一种时间序列预测任务，与交通流预测等预测任务相似，鉴于此，下文针对国内外交通领域相关的时间序列预测模型进行综述。现有的预测模型主要划分为四类：传统的数理统计预测模型、基于机器学习的预测模型、基于深度学习的预测模型、基于多任务学习的预测模型。

传统的数理统计预测模型通常将客流或交通流视为时间序列数据，多种类型的模型被广泛应用到短时客流或交通流的预测中。例如ARIMA(差分整合移动平均自回归模型)、历史平均模型、逻辑回归模型、卡尔曼滤波模型等。然而，传统的数理统计预测模型只能获取数据的一部分信息，无法充分获取数据中的时空特性，因此，该类预测模型的预测精度提升空间有限。

基于机器学习的预测模型被广泛的应用至与交通相关的时间序列预测任务中，并实现较高的预测精度，例如贝叶斯网络、K近邻模型、支持向量机等。相较于传统的数理统计模型而言，机器学习模型取得了更好的预测结果和更高的预测精度，但在处理庞大复杂的数据时，这些模型的预测精度可能会有所下降。此外，大部分基于机器学习的模型只适用于预测单个站点或区域，很难适用于全网层面的客流预测或基于多任务学习的预测。

基于深度学习的预测模型被广泛应用于交通领域。在早期阶段，通常将深度神经网络和循环神经网络(RNN)应用于客流和交通流的预测。作为RNN的一个典型代表模型，长短时记忆网络(LSTM)十分适合处理时间序列预测任务。然而，该类模型无法捕获数据的空间特征。此外，LSTM模型无法并行执行，导致训练模型的时间较长。随着卷积神经网络(CNN)的广泛应用，基于CNN的预测模型能够全面获取蕴藏在交通数据中的空间特征。由于CNN处理数据的方式，该模型在处理交通数据时很可能会导致拓扑信息丢失，致使预测精度下降。图卷积神经网络(GCN)能够充分地获取站点或区域之间的时空相关性，但该类模型都是针对特定的任务或者特定的交通模式构建，也称为单任务学习模型。实际上，一种交通模式的客流很可能会受到其他交通模式的影响，而基于单任务学习构建的模型无法考虑多种交通模式的影响，致使在某些场景中，预测精度较低。

基于多任务学的预测模型能够同时考虑多种不同的任务。例如，基于GCN的多任务学习模型用于交通路网上的出租车需求预测，该模型将局部关系图和全局关系图视为两种不同的任务，通过多任务学习实现对出租车需求的预测。又如，通过将城市划分为若干区域，并进行区域分类，将不同类别的区域的客流预测任务视为不同任务，实现基于多任务学习的短时客流预测。但在已有研究中，将不同交通模式的客流统一视为一个区域的客流，该模型的目标是进行区域的短时客流预测，未能分别考虑不同交通模式，分别预测不同交通模式的未来客流。

综上，目前关于多模式交通短时客流预测存在如下问题：1)缺乏分别考虑地铁、公交及出租车三种不同交通模式的客流预测的方案，无法协同地预测多种交通模式未来进站客流；2)每种交通模式在工作日的客流规律较为相似，但不同交通模式的客流规律之间存在较大差异，如何合理的建模从而协同考虑不同交通模式也是既有问题之一；3)不同的交通模式客流数据不同，需要考虑如何组织数据结构。