[发明专利]一种基于公交刷卡数据的站点空间关系构建方法

说明书

本发明公开了一种基于公交刷卡数据集的站点空间关系构建方法，首先基于公交刷卡数据构建物理图来表示站点的空间依赖关系，在物理图的基础上进一步聚合构建层次图。本发明的有益效果在于，充分从公交刷卡的原始数据中挖掘公交线路的真实物理图，反映公交刷卡数据的真实站点空间依赖关系。进一步地，通过物理图聚合将公交站点从细粒度转换为粗粒度，将大规模物理图转换为层次图，能够减少下游任务(如交通流预测任务等)的资源消耗，提高下游任务的计算效益。

技术领域

本发明涉及时空数据挖掘技术领域，特别是一种基于公交刷卡数据的站点空间关系构建方法。

背景技术

公交刷卡数据是城市交通管理系统的重要组成部分，其能反映城市公交站点的拓扑信息、客流量信息等，是一种时空数据。挖掘公交刷卡数据的空间关联性(物理图、相似图、功能图、层次图等)、时间关联性(邻接性、周期性、趋势性)对公交客流预测任务非常重要。站点物理图(以下简称“物理图”)是一种以矩阵的行和列来表示站点物理拓扑关系，并以矩阵数值储存站点间关系的图结构。物理图以数学的方式表示站点间的时空多粒度、多层次特征，其广泛应用在公交客流预测任务中。

物理图在客流预测任务的应用中，主要是利用已有的轨迹数据或爬取的线路数据来构建。在城市交通管理系统中，公交站点可能受外部因素(道路维修、大型活动等)发生动态变化，而爬取的线路数据是静态的，难以准确地反映数据真实的空间依赖关系。

另外，针对大规模的物理图在做图卷积计算时，可能导致计算效率低、占用资源多的问题。

(1)物理图构建

参考文献1“Liu L,Chen J,Wu H,et al.Physical-virtual collaborationmodeling for intra-and inter-station metro ridership prediction[J].IEEETransactions on Intelligent Transportation Systems,2020.”根据现有的地铁站点的线路表，直接构建物理图，其中站点间的关联关系由邻接矩阵表示，矩阵每一行归一化的结果作为物理图每条边的权重。该方法除了构建了物理图之外，还根据客流的相似性和相关性，构建了相似图和关联图，但是在公交线路拓扑结构复杂，以及拓扑结构动态变化的情况时，难以高效准确地表示站点的空间依赖关系。

参考文献2“Geng X,Li Y,Wang L,et al.Spatiotemporal multi-graphconvolution network for ride-hailing demand forecasting[C]//Proceedings ofthe AAAI conference on artificial intelligence.2019,33(01):3656-3663.”根据北京和上海的打车订单数据，以及由OpenStreetMap提供的交通连通性评估的道路网数据，将一个区域连接到3×3网格中的8个相邻区域来构造图，以表示站点间的邻接关系，构建打车站点的物理图。本方法即利用打车订单数据结合道路网数据，由真实的数据构建物理图。由此可以看出，物理图的构建对时空数据的空间依赖关系的表示非常重要。

(2)层次图构建

参考文献3“Mallick T,Balaprakash P,Rask E,et al.Graph-partitioning-based diffusion convolutional recurrent neural network for large-scaletraffic forecasting[J].Transportation Research Record.2020,2674(9):473-488.”提出了一种基于图分区的扩展卷积循环神经网络重叠节点方法，以地理上接近给定分区的传感器位置作为节点，使用图分解的方法将大型高速公路网络分解为较小的网络并独立训练。该方法使用图分解的方法实现大规模的交通预测任务，本专利则是利用层次化的思想，采用图聚合的方法将大规模站点图转换为多个子图。