(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211069744.X (22)申请日 2022.09.02 (71)申请人 重庆大学 地址 400030 重庆市沙坪坝区沙正 街174号 (72)发明人 郑林江　李鹏　刘卫宁　孙棣华　 (74)专利代理 机构 重庆青飞知识产权代理有限 公司 50283 专利代理师 彭启龙 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种结合注意力机制的自适应图卷积循环 神经网络的轨道交通 客流预测模型及方法 (57)摘要 本发明公开了一种结合注意力机制的自适 应图卷积循环神经网络的轨道交通客流预测模 型及方法， 通过使用AEAGRU模块作为编码器 ‑解 码器架构的主要网络模块， 用以对时空相关性进 行联合建模， 并且提出注意力增强自适应图卷积 模块(AEAGCN)对空间动态性和节点的特异性进 行建模， 解决了现有的轨道预测方法泛化能力不 强， 无法很好实现精准的轨道客 流预测的问题。 权利要求书3页 说明书9页 附图2页 CN 115423189 A 2022.12.02 CN 115423189 A 1.一种结合注意力 机制的自适应图卷积循环神经网络的轨道交通客流预测模型， 其特 征在于： 所述模型采用以下步骤搭建得到： 步骤S1： 使用自适应图卷积网络和注意力 机制分别学习轨道 交通客流中的长期与短期 动态空间相关性， 并融合两者通过图卷积运算进行长期与短期空间相关性建模， 通过编码 器‑解码器架构来进行整体AEAGCRN模型 搭建； 步骤S2： 使用AEAGRU模块作为编码器 ‑解码器架构的主要网络模块， 即以GRU作为的主 体框架， 将GRU中的MLP运算替换成注意力增强自适应图卷积模块(AEAGCN)， 用以对 时空相 关性进行 联合建模； 步骤S3： 利用注意力增强 自适应图卷积模块(AEAGCN)对空间动态性和节点的特异性进 行建模。 2.根据权利要求1所述的结合注意力机制的自适应图卷积循环神经网络的轨道 交通客 流预测模 型， 其特征在于： 步骤S1中， 在训练期间， 通过将历史时间序列输入编码 器， 初始化 编码器状态h1为全0矩阵， 并使用编 码器最终状态初始 化解码器状态， 使用具有时间步特异 性的分离层和解码器时间步内参数共享的投影层共同组成解码器的预测层。 3.根据权利要求2所述的结合注意力机制的自适应图卷积循环神经网络的轨道 交通客 流预测模型， 其特征在于： 步骤S2中， 将通过步骤S1得到的注 意力增强的图卷积(AEAGCN)模 块嵌入到GRU中， 替代MLP运 算， 最终得到基于注意力增强的自适应图卷积循环网络； zt＝σ(AEAGCN([X： ， t， ht‑1])) rt＝σ(AEAGCN([X： ， t， ht‑1]))。 4.根据权利要求3所述的结合注意力机制的自适应图卷积循环神经网络的轨道 交通客 流预测模型， 其特 征在于： 所述 步骤S2的具体操作是： 首先将当前时间输入和状态进行拼接操作， 然后将其作为输入放到AEAGCN模块； 再通 过sigmoid激活函数进行非线性变换， 其中σ 指sigmoid激活函数， 分别得到更新门和重置门 的输入； 最后对两者进行门控操作， 得到隐藏状态和后续层输出： 其中tanh是映射到( ‑1， 1)区间的非线性激活函数； X： ， t， ht分别是第t时间步的输入和输 出； [·]表示矩阵拼接操作， *表示Hadamard乘积， zt， rt分别是更新门和重置门， 是基于重 置门计算的隐藏状态。 5.根据权利要求1至4任一所述的结合注意力机制的自适应图卷积循环神经网络的轨 道交通客流预测模 型， 其特征在于： 所述步骤S 3中， 首先， 使用2个自适应的全局共享的节 点 参数矩阵E1， E2(E1∈RN×D)来对全局时间域的空间相关性进行建模， D是参数矩阵特征维度； E1， E2分别对所有站点的进站客流与出站客流属性进行的表征， 通过E1， E2可训练参数矩阵 来构造长时间尺度全局自适应空间相关性矩阵Astatic， 用以学习节 点之间的隐藏关联关系， 具体公式如下： 其中softm ax表示非线性归一化方式， ReLU表示一种非线性激活函数； E1， E2是对全量训 练集数据进行训练后， 得到的两个全局 参数共享的关联矩阵， 并通过矩阵运算和非线性转权　利　要　求　书 1/3 页 2 CN 115423189 A 2换Aatt， 也即是Aatt是自适应的； 其次， 使用基于注意力 机制的动态图结构， 从近期历史数据中， 捕 获近期存在的空间相 关性的动态变化， 具体公式如下： 表示短期 空间相关性矩阵； 其中l表示第l层图卷积运算中的参数； 是 线性变换权值参数矩阵； ×运算符表 示矩阵乘； 通过结合两者， 模型能够 有效捕获动态空间 相关性在不同时间尺度下的特征， 实现同时对长期静态与实时动态的空间相关性进行建 模； 公式如下： 其中l表示第l层图卷积运算的参数， 与全局共享参数做区分， 表示结合全局参数 共享与局部空间特 征的空间相关性自适应矩阵； 最后， 参考 常见图卷积 模型， 通过引入节点通道域特征矩阵Ec来对不同节点特征进行表 征(Ec∈RN×d)， 具体公式如下： 其中Wc∈Rd×C_in×C_out， 表示可训练权值矩阵， bc∈RC_in×C_out表示偏置项； Hl表示第l层的 图卷积网络层AEAGCN的输入， 也是 上一层图卷积运 算的输出。 6.一种结合注意力 机制的自适应图卷积循环神经网络的轨道交通客流预测方法， 利用 了如权利要求1至 5任一所述的预测模型， 其特 征在于： 首先定义一个轨道交通网络图G＝(V， E， A)， 其中V表示轨道站点集合， V＝{v1， ...， vn}， 其中|V|＝N， N表 示轨道站点的数目， 也是图节 点的数目， E表 示图中连接两个轨道站点 的边， A表 示时序交通数据 节点的邻接矩阵(由节点距离或者时序相似性进 行度量)； 轨道时 序客流图信号张量可以表示为X＝{X： ， 1， X： ， 2， ...， X： ， t}， X∈RN×T×C， 其中X： ， t＝{X1， t， ...， Xi， t， ...， XN， t}， X： ， t∈RN×C， XN， t∈R1×C， 使用Xi， t来表示第i个节点在时间t的进出客流数据， C 表示通道维度C＝2， 表示进 出客流， 在给定交通路网G上的客流张量数据X前提条件下， 多时 间步客流预测问题可以被定 义为求解一个映射函 数fθ； fθ根据过去p个时间片的进出客流 数 据， 映射得到未来Δ个时间片的进出客 流数据， 用以下公式表示： (X： ， t+1， X： ， t+2，…， X： ， t+Δ)＝fθ(X： ， t‑p+1， X： ， t‑p+2，…， X： ， t； G)； 然后进行数据准备， 先对刷卡数据进行清洗和异常修复， 再将时间片大小进行设置为S 分钟， 并对每S分钟间隔的区间内的进出站客流量数据进行统计， 将其作为一组数据， 得到 图信号张量X∈RB×N×C； 其中B是按 时间序列排序的序列长度， N是轨道站点数目， C是节点的 属性； 最后， 按照输入输出所需的序列窗口大小， 对轨道客流时间序列数据进 行窗口滑动操 作， 制作训练和 测试数据集Xt∈RN×T×C； 完成如权利要求1至5任一所述的预测模型的搭建， 并进行模拟训练， 利用该模型进行 轨道交通 客流预测。 7.根据权利要求6所述的结合注意力机制的自适应图卷积循环神经网络的轨道 交通客 流预测方法， 其特 征在于： 将时间片大小设置为10分钟， 即S等于10 。 8.根据权利要求6所述的一种结合注意力 机制的自适应图卷积循环神经网络的轨道交 通客流预测方法， 其特征在于： 所述模拟训练使用teacher ‑forcing方法对模型进行训练，权　利　要　求　书 2/3 页 3 CN 115423189 A 3