一种基于自适应链式与分层注意力的地铁客流预测方法

本发明涉及智能交通，尤其涉及一种基于自适应链式与分层注意力的地铁客流预测方法。

背景技术：

1、城市地铁客流预测对于运营调度、安全管理和乘客服务具有重要意义。现有方法主要分为三类：数理统计方法（如arima）、机器学习方法（如随机森林、支持向量机）和深度学习方法（如图神经网络、transformer）。其中，基于图神经网络和注意力机制的模型在捕捉时空依赖方面取得了显著进展。

2、然而，现有技术仍存在以下缺陷：

3、1. 多源嵌入融合方式单一：大多数方法将时间嵌入、空间嵌入与原始客流特征进行简单拼接或线性加权，无法根据动态场景自适应调整各源特征的贡献度，尤其难以应对早晚高峰、节假日等动态变化。

4、2. 注意力机制的同源生成问题：现有transformer类模型中，查询q、键k、值v通常来自同一输入的线性投影，导致注意力权重主要反映全局周期性模式，对短时突发波动和局部邻接变化的响应不足，造成全局-局部特征表达失衡。

5、3. 缺乏有效的局部动态增强机制：现有模型在处理长序列时，倾向于学习长期趋势，而对短时间内客流的快速变化（如突发客流）捕捉能力有限。

6、因此，亟需一种能够动态融合多源信息、平衡全局与局部特征的地铁客流预测方法。

技术实现思路

1、本发明要解决的技术问题在于针对现有技术中存在的以下技术问题：多源嵌入融合方式多用静态拼接的方式，无法适应动态场景；注意力权重由同一输入生成，导致全局特征主导、局部特征表达不足；模型对短时突发波动的响应能力较弱；提供一种基于自适应链式与分层注意力的地铁客流预测方法。

2、本发明解决其技术问题所采用的技术方案是：

3、本发明提供一种基于自适应链式与分层注意力的地铁客流预测方法，该方法包括以下步骤：

4、s1：构建数据嵌入模块，获取地铁的历史客流数据、时间戳及节假日信息、地铁网络图，通过全连接层映射生成流量嵌入；提取时间戳及节假日信息生成时间嵌入，并对地铁网络图的拉普拉斯矩阵进行特征分解生成空间嵌入，将时间嵌入与空间嵌入拼接形成时空先验；

5、s2：构建自适应链式模块，包括前向链和反馈链：

6、所述前向链将所述时空先验作为查询、所述流量嵌入作为键和值，通过注意力机制生成客流时空嵌入；

7、所述反馈链将所述客流时空嵌入作为查询、所述流量嵌入作为键和值，计算偏差矩阵δ，并通过可学习系数将偏差矩阵δ加权后的客流时空嵌入与步骤s1得到的所述流量嵌入进行残差融合，得到校准后的客流时空特征；

8、s3：构建分层注意力模块，包括第一阶段和第二阶段：

9、第一阶段，利用所述校准后的客流时空特征生成同源注意力权重，提取全局时空表征；

10、第二阶段，将所述客流时空嵌入进行分块处理得到局部客流时空嵌入，以第一阶段输出的全局时空表征作为键和值，以所述局部客流时空嵌入作为查询，生成异源注意力权重，得到最终预测客流。

11、进一步地，本发明的所述步骤s1的数据嵌入模块中，生成流量嵌入和时间嵌入的方法包括：

12、流量嵌入生成：将历史客流序列输入全连接层，映射为流量嵌入，计算公式为：

13、

14、其中，表示全连接层，为流量的嵌入维度，

n为站点总数，

t为时间步，t为历史序列长度；

15、时间嵌入生成：将时间戳和节假日标识分别通过全连接层转换为中间向量，与动态位置编码拼接，再通过全连接层调整维度，得到时间嵌入：

16、

17、其中，表示拼接操作，为时间的嵌入维度。

18、进一步地，本发明的所述步骤s1的数据嵌入模块中，生成空间嵌入和时空先验的方法包括：

19、空间嵌入生成：基于连接图构建邻接矩阵，若两站点直接相连则，否则为0；对称化处理，计算拉普拉斯矩阵，；其中，为的度矩阵；对进行特征分解，取前个最小非零特征值对应的特征向量，经可学习线性变换生成空间嵌入，为空间的嵌入维度；

20、时空先验构建：将时间嵌入与空间嵌入拼接，形成时空先验：。

21、进一步地，本发明的所述步骤s2的自适应链式模块中，前向链的处理方法包括：

22、以流量嵌入作为查询，时空先验作为键和值，计算缩放点积注意力，生成客流时空嵌入：

23、

24、其中，为前向链查询q的注意力权重，、分别为前向链键k、值v的注意力权重，

dk为投影维度。

25、进一步地，本发明的所述步骤s2的自适应链式模块中，反向链的处理方法包括：

26、以作为查询，流量嵌入作为键，计算偏差矩阵：

27、

28、其中，为前反链查询q的注意力权重，为反向链键k的注意力权重；

29、引入可学习系数，通过残差结构生成校准后的客流时空嵌入：

30、

31、当时，，保留原始流量模式。

32、进一步地，本发明的所述步骤s3的分层注意力模块中，第一阶段的处理方法包括：

33、通过时间注意力，使用通过一个两层的全连接网络生成权重矩阵：

34、

35、

36、其中，e表示未知参数；

37、输出被拆分为三个时间注意力权重矩阵、和：

38、

39、站点在时间步与的关联度为：

40、

41、

42、其中，为第层的隐藏状态，表示之前的时间步集合；下标

ti表示当前正在处理第个时间步

、tj表示被关注的第个时间步

、tr表示所有被允许参与注意力计算的时间步；将个头的输出拼接得到时间维度的隐藏状态：

43、

44、通过空间注意力机制，空间注意力权重、和的生成方式与时间注意力权重矩阵相同；

45、与时间注意力分数不同的是，生成空间注意力分数引入了多图约束机制：

46、

47、其中，表示哈达玛积，为多图融合权重矩阵，所述多图包括连接图、静态相似性图、动态相似性图和相关性图；

48、最终，通过将增强后的注意力得分与v相乘，获得第k个注意力子模块的输出，并拼接k个并行的空间注意力子模块结果，得到站点

vi在时间间隔

t的空间隐藏状态：

49、

50、经过前馈网络得到第一阶段的输出。

51、进一步地，本发明的所述多图包括连接图、静态相似性图、动态相似性图和相关性图，具体为：

52、连接图：根据地铁线路物理连接，若两站点间存在直接轨道连接，则边权重为1，否则为0；

53、静态相似性图：利用历史客流序列的欧氏距离计算两站点的静态相似性，边权重为，其中为站点的历史状态向量；

54、动态相似性图：采用动态时间规整dtw计算站点间客流变化趋势的相似性，仅保留相似度最高的前k对站点作为虚拟边，边权重为归一化的dtw相似度；

55、相关性图：基于客流od分布，计算从站点进站、站点出站的客流占比，边权重为归一化的相关率，其中，表示从站点到站点的客流，表示从站点到任意站点的客流。

56、进一步地，本发明的所述步骤s3的分层注意力模块中，第二阶段的处理方法包括：

57、对前向链输出的进行分段处理；设序列长度，划分长度，步长，则划分个数；沿维对每个分段进行特征映射，得到局部特征占主导的；

58、使用第一阶段输出通过生成键和值的权重：

59、

60、使用生成查询的权重：

61、

62、随后按标准注意力机制计算输出预测客流。

63、本发明提供一种基于自适应链式与分层注意力的地铁客流预测系统，包括：

64、数据嵌入模块，用于获取历史客流数据生成流量嵌入，并生成时间嵌入和空间嵌入，拼接得到时空先验；

65、自适应链式模块，包括前向链和反馈链，用于生成客流时空嵌入并校准得到校准后的客流时空特征；

66、分层注意力模块，包括第一注意力阶段和第二注意力阶段，分别用于提取全局时空表征和进行局部动态调节，最终输出预测客流。

67、本发明提供一种计算机可读存储介质，其特征在于，存储有计算机程序，用于被处理器执行时，实现所述的基于自适应链式与分层注意力的地铁客流预测方法。

68、本发明产生的有益效果是：

69、（1）本发明通过自适应链式机制中的前向链和反馈链，实现了客流特征与时空先验的动态深度耦合，可学习系数允许模型自适应平衡原始观测与先验信息的贡献。

70、（2）本发明采用分层注意力架构，第一阶段提取全局时空表征，第二阶段通过分块异源注意力增强局部动态响应，克服了传统单源注意力机制中全局特征主导、局部响应不足的缺陷。