一种考虑城市指标相似性的物理先验城际客运需求预测方法及系统

本发明属于交通规划，尤其涉及一种考虑城市指标相似性的物理先验城际客运需求预测方法及系统。

背景技术：

1、城际客运需求反映城市间人员出行的空间分布规律，是交通规划、线路优化、运力配置、政策制定的核心基础。城际客运需求预测主要分为两类方法：物理机理驱动方法与数据驱动机器学习方法。

2、物理机理驱动方法以城际出行的宏观规律为基础，基于出行行为、引力模型、阻抗关系等物理先验构建预测模型。这类方法物理意义明确、可解释性强，能保证预测结果符合城际出行的基本规律，例如城市规模越大、距离越近，出行需求越强。但传统物理模型结构固定、参数难以动态适配复杂多变的城市发展与出行特征，难以利用海量历史客流数据捕捉非线性、动态变化的出行规律，预测精度有限。

3、机器学习类模型依靠大量历史客流数据、城市属性数据、交通网络数据进行训练，能够自动挖掘城际出行的复杂非线性关联，预测精度较高。但纯数据驱动模型存在明显缺陷：模型仅从数据中学习特征，缺乏城际出行内在物理规律的约束，容易出现违背常识的预测结果，例如近距离城市间客流预测极低、大城市间出行需求异常偏小等；同时模型泛化能力弱，在数据稀疏区域、城市发展新片区预测易失真。

4、现有技术中，物理模型与机器学习模型通常采用独立建模或简单结果叠加的方式进行融合，未实现物理先验信息与数据学习过程的深度耦合。此外，多数方法仅考虑人口、gdp及空间距离等基础指标，未充分引入邻接城市之间的空间关联效应及多维城市属性相似性，难以刻画城市群结构对城际客运需求的影响机制。

技术实现思路

1、发明目的：本发明基于融合物理规律空间分布预测流程，将物理类模型与机器学习类模型深度耦合，引入城市指标相似性特征，提出一种考虑城市指标相似性的物理先验城际客运需求预测方法，用于城际客运需求空间分布预测，解决现有技术预测精度不足、结果缺乏物理一致性、模型泛化能力差的问题。

2、技术方案：本发明提供了一种考虑城市指标相似性的物理先验城际客运需求预测方法，具体为：

3、采集城际客运需求相关数据，并对数据进行清洗、去重、异常值剔除和格式标准化处理；

4、基于城市指标相似性，考虑邻接城市影响，修正城市的质量指标，最终构建考虑城市指标相似性的城际客运需求物理模型；

5、求解城际客运需求物理模型中相关参数的最优值，采用城际客运需求物理模型输出城际客运需求预测结果，作为物理基准预测项；

6、基于实际城际客运需求与物理基准预测项结果之间的偏差构建残差学习目标函数，建立以机器学习模型为基础的残差修正模型，输出城际客运需求残差修正项；

7、基于城市指标相似性动态构建权重，对物理基准预测项与残差修正项之间的进行加权融合得到最终的城际客运需求值。

8、进一步的，所述相关数据具体包括城际客运需求、城市规模指标、城际空间距离，城市产业结构、年龄结构、职业结构、用地结构指标数据；

9、所述城市规模指标为常住人口数量和gdp；

10、所述城际空间距离为地表空间距离；

11、城市产业结构采用一产比例、二产比例和三产比例构成的结构向量表征；

12、年龄结构采用城市常住人口中不同年龄段人口比例结构向量表征；

13、城市职业结构采用不同职业人口比例结构向量表征；

14、城市用地结构采用不同类型兴趣点比例结构向量表征。

15、进一步的，将城市i作为出发城市，城市j作为到达城市，采用余弦相似度计算城市与城市j在第k个指标下的相似度；

16、考虑邻接城市影响，修正城市的质量指标，得到修正后的质量指标：

17、；

18、其中，为修正前城市的质量指标，为邻接城市指标相似性修正系数，为城市的邻接城市集合；为城市与城市n的综合相似性：

19、；

20、其中，均为权重；

21、基于修正后的质量指标，构建考虑城市指标相似性的城际客运需求物理模型：

22、；

23、其中，为需求规模修正因子，分别为出发城市与到达城市质量的修正系数，为起讫城市指标相似性修正系数，城市i和城市j之间的为城际空间距离。

24、进一步的，采用最小二乘法对考虑城市指标相似性的城际客运需求物理模型中的需求规模修正因子，出发城市与到达城市质量的修正系数，距离衰减系数，起讫城市指标相似性修正系数，城市指标相似性修正系数进行拟合标定，确定最优参数空间。

25、进一步的，构建特征集：

26、；

27、计算实际观测城际客运需求与物理基准预测项之间的残差：

28、；

29、采用机器学习进行残差修正，的残差修正项：

30、；

31、其中，为机器学习模型；

32、设置最小化损失函数对机器学习模型进行训练，采用训练好的机器学习模型输出残差修正项：

33、。

34、进一步的，构建城市i和城市j之间的权重：

35、；

36、表示sigmoid函数，为相似性影响强度系数，为误差影响强度系数；

37、对物理基准预测项与残差修正项进行加权融：

38、。

39、进一步的，通过最小化如下目标函数，对参数与进行寻优：

40、。

41、进一步的，采用拟合优度r2、皮尔逊相关系数pcc、均方根误差rmse作为预测结果的评价指标。

42、一种考虑城市指标相似性的物理先验城际客运需求预测方法的系统，包括：

43、数据采集与处理模块，用于采集城际客运需求相关数据，并对数据进行清洗、去重、异常值剔除和格式标准化处理；

44、城际客运需求物理模型构建模块，用于基于城市指标相似性，考虑邻接城市影响，修正城市的质量指标，最终构建考虑城市指标相似性的城际客运需求物理模型；

45、寻优模块，用于求解城际客运需求物理模型中相关参数的最优值，采用城际客运需求物理模型输出城际客运需求预测结果，作为物理基准预测项；

46、预测结果输出模块，用于基于实际城际客运需求与物理基准预测项结果之间的偏差构建残差学习目标函数，建立以机器学习模型为基础的残差修正模型，输出城际客运需求残差修正项；基于城市指标相似性动态构建权重，对物理基准预测项与残差修正项之间的进行加权融合得到最终的城际客运需求值。

47、一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种考虑城市指标相似性的物理先验城际客运需求预测方法的步骤。

48、有益效果：

49、本发明引入起讫城市与邻接城市之间的城市产业结构相似性、年龄结构相似性、职业结构相似性及用地结构相似性特征，构建考虑城市指标相似性的城际客运需求物理模型；本发明采用考虑城市指标相似性的城际客运需求物理模型提升了预测精度，贴合城市群真实出行规律，相比传统引力模型，新增邻城等效质量、城市相似度两大变量，覆盖城市群联动、城市属性匹配两类关键影响因素，能够捕捉传统模型无法解释的客流差异，大幅降低预测误差，尤其适配都市圈、连片城市群场景。本发明通过残差学习框架将物理模型与机器学习模型进行深度耦合，并引入基于城市指标相似性与预测误差的动态权重机制，实现城际客运需求数据自适应融合预测；本发明结构清晰、可落地，可直接通过编程实现，便于工程应用。