申请/专利权人：中科领航智能科技(苏州)有限公司

申请日：2021-06-28

公开（公告）日：2024-04-09

公开（公告）号：CN113537580B

主分类号：G06N3/042

分类号：G06N3/042;G06N3/044;G06N3/0464;G06N3/045;G06N3/049;G06N3/08;G06Q50/26;G06Q50/40;G06F17/16

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明公开了一种基于自适应图学习的公共交通客流预测方法及系统，该方法通过构造图学习模块来生成可能的关系矩阵，然后以交替训练的方式来优化图学习模块和预测网络模块的可学习参数，在以一方为最优估计的情况下实现另一方的期望最大化，最终得到最优的关系矩阵；然后基于最优的关系矩阵对公共交通客流进行预测。本发明能够从城市公共交通客流数据中自适应学习其隐藏的复杂空间依赖关系，使得网络预测模型中的关系矩阵更加合理可靠，从而能够进一步提升客流量预测的准确性。

主权项：1.一种基于自适应图学习的公共交通客流预测方法，其特征在于，包括：基于当前关系矩阵，训练预测网络，得到预测网络的最优参数；所述预测网络以公交线路历史客流量为输入，以公交线路未来预测时段的客流量为输出；所述关系矩阵是指描述公交线路之间关系类型的邻接矩阵构成的矩阵，邻接矩阵为关系矩阵的一个子图；基于当前关系矩阵和当前图学习模块学习参数，生成新的邻接矩阵；基于训练后的预测网络最优参数和生成的新的邻接矩阵对公交线路客流量进行预测，并计算新的预测误差；基于新的预测误差，新的邻接矩阵及当前关系矩阵对图学习模块进行训练，得到图学习模块最优学习参数，并以此更新当前图学习模块学习参数；基于新的邻接矩阵，更新当前关系矩阵，再次训练预测网络；以此循环，迭代训练，直至达到结束条件，得到最优的关系矩阵；基于最优的关系矩阵采用训练好的预测网络对公交线路客流量进行预测；所述预测网络采用扩散卷积递归神经网络，基于注意力的时空卷积网络或时态图卷积网络；所述训练预测网络，包括：基于当前关系矩阵及公交线路历史客流量，采用预测网络对未来预测时段客流量进行预测，得到： ；其中，为公交线路客流量预测值，为预测模型，为输入的公交线路历史客流量，为预测网络参数；基于预测结果计算预测损失： ；其中，为预测损失，为公交线路客流量真实值，为L1损失函数；采用Adam优化算法和预测损失训练预测网络，得到最优的预测网络参数；所述基于当前关系矩阵和当前图学习模块学习参数，生成新的邻接矩阵，包括： ； ； ； ； ；其中，为生成的新的邻接矩阵，为当前关系矩阵，为对角矩阵，为对角矩阵对角线上的元素，为对角矩阵对角线上的元素，，为图学习模块学习参数，为公交线路个数，为预定义维度，为的对角化矩阵，为超参数，为线性整流函数，当前关系矩阵表示为： ；其中，为第种关系类型对应的邻接矩阵，每个邻接矩阵为关系矩阵的一个子图，为子图的数量；所述基于新的预测误差，新的邻接矩阵及当前关系矩阵对图学习模块进行训练，包括：基于新的预测误差，新的邻接矩阵及当前关系矩阵计算图损失： ； ；其中，为图损失，为新的预测误差，为超参数，为矩阵中第行第列元素，为指示函数；采用Adam优化算法和图损失训练图学习模块，得到最优的图学习模块学习参数；所述更新当前关系矩阵，包括：将新的邻接矩阵加入到当前关系矩阵中，计算所有子图的预测损失： ；其中，为第个子图的预测损失，为预测网络的预测模型，通过softmax函数计算权重向量，如下所示： ；其中，为预测损失向量，，为第个子图的预测损失，为最大损失值，，为加入新的邻接矩阵后的子图个数，通过加权求和的方式来更新当前关系矩阵，如下： ； ； ；其中，为更新后的当前关系矩阵，为对角矩阵，为对角矩阵中第个对角位置的元素。

全文数据：

权利要求：

百度查询： 中科领航智能科技(苏州)有限公司 一种基于自适应图学习的公共交通客流预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD