[发明专利]一种基于动态多视图耦合图卷积的城市出行需求预测方法

说明书

本发明公开了一种基于动态多视图耦合图卷积的城市出行需求预测方法，获取城市中各个区域的地理位置数据、POI数据和道路数据，以各个区域为节点构建地理相似图、功能相似图和道路相似图；以单位时间为间隔，获取城市中每个区域在各个单位时间内的出行需求数据，构建动态需求相似图；然后结合动态多视图和耦合图卷积模块，能够从多个角度对出行需求数据中复杂的时空关系进行建模，对各个单位时间对应的融合空间特征分别采用门控循环单元提取时间相关特征，然后提取时间相关特征与外部特征之间的注意力分数，以注意力分数为权重，对所有单位时间对应的时间相关特征进行加权求和，得到最终预测结果。本发明提高了城市出行需求预测的准确性。

技术领域

本申请属于数据预测技术领域，尤其涉及一种基于动态多视图耦合图卷积的城市出行需求预测方法。

背景技术

随着智慧交通系统的快速发展，出租车、网约车、公交车、地铁等交通工具成为了人们日常出行的主要工具，交通拥堵预测、交通事故预测和出租车异常路径检测等问题已成为智慧城市建设的重大挑战。如何提高车辆的利用率，减少乘客的等待时间，是一个很紧迫的挑战。准确的城市出行需求预测可以减少乘客的等待时间，提高出行效率，可以帮助车辆运行商对车辆进行合理的预调度，还可以帮助交通部门来缓解交通拥堵。

城市出行需求预测是智能交通系统中的一个重要问题，对交通管理和城市规划等有很大影响。为此，人们提出了大量的交通需求预测方法，这些方法主要集中在如何有效地提取时间和空间的关联性。早期的交通需求预测大多使用的是机器学习和统计分析方法，如自回归移动综合平均ARIMA模型及其变体，最小二乘支持向量机(LS-SVM)，K近邻等，他们主要研究的是时间序列的变化，而忽略了不同区域之间的空间相关性的影响。

最近的一些深度学习的成果在处理复杂的时空数据方面表现出卓越的性能，许多学者将卷积神经网络(CNN)与其他网络如(循环神经网络RNN，长短期记忆神经网络LSTM，门控循环单元GRU)等相结合捕获时空相关性。但是他们中的大多数将复杂的交通网络建模为静态图，忽略了在整个时间轴上动态的构建区域图的重要性。

发明内容

本申请的目的是提供一种基于动态多视图耦合图卷积的城市出行需求预测方法，克服现有技术方案的不足，提高城市出行需求预测的准确性。

为了实现上述目的，本申请技术方案如下：

一种基于动态多视图耦合图卷积的城市出行需求预测方法，包括：

获取城市中各个区域的地理位置数据、POI数据和道路数据，以各个区域为节点构建地理相似图、功能相似图和道路相似图；

以单位时间为间隔，获取城市中每个区域在各个单位时间内的出行需求数据，得到每个单位时间对应的特征矩阵，并构建动态需求相似图；

将特征矩阵分别与动态需求相似图、地理相似图、功能相似图和道路相似图的邻接矩阵输入到对应的耦合图卷积模块，得到各相似图对应的空间特征，将各相似图对应的空间特征进行融合，得到融合空间特征；

对各个单位时间对应的融合空间特征分别采用门控循环单元提取时间相关特征，然后通过注意力层提取时间相关特征与外部特征之间的注意力分数，以注意力分数为权重，对所有单位时间对应的时间相关特征进行加权求和，得到最终预测结果。

进一步的，所述地理相似图表示为其中V表示图中节点的集合，E_g表示节点间边的集合，A_g表示图的邻接矩阵，A_g中每个元素表示两个节点间是否相邻；

A_g中任一元素A_g(i,j)表示为：