买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京航空航天大学;中国移动通信集团北京有限公司

摘要：本发明属于时空数据挖掘领域，公开了一种基于先验因果传递的城市出行需求预测方法。所述预测方法首先收集历史城市出行需求数据，构造训练集；接着构建基于先验因果传递的深度学习模型，包括因果去偏模块、因果图学习器、先验因果传递模块和融合预测模块；采用训练集对深度学习模型完成训练；最后将训练好的深度学习模型应用于未来城市出行需求数据的预测。本发明的预测方法能够有效提升预测模型的精度和鲁棒性。

主权项：1.一种基于先验因果传递的城市出行需求预测方法，其特征在于，包括以下步骤：S1：按照预测要求，采集待预测地域内的历史城市出行需求数据，经标准化处理后得到训练集；S2：构建基于先验因果传递的深度学习模型，所述深度学习模型包括因果去偏模块、因果图学习器、先验因果传递模块和融合预测模块；在所述因果图学习器中，基于时间位置信息构建时间嵌入矩阵，再利用时间嵌入矩阵为待预测地域构建动态特征矩阵，最后基于动态特征矩阵构建因果传递矩阵；在所述先验因果传递模块中，基于所述因果传递矩阵，融合距离图和交互图作为先验知识，利用图卷积网络构建因果传递过程并生成增强时空因果特征；S3：采用S1中训练集对所述深度学习模型完成训练；S4：将训练好的深度学习模型应用于期望的城市出行需求数据预测；所述S1中的标准化处理为：将待预测地域划分为N个子地域，统计各子地域内各时段的城市出行需求数据；所述因果去偏模块将不同时段所有N个子地域按照混杂因素分为p类区域，再采用并行的编码器分别提取不同时段各类区域的时空因果特征，并合并得到不同时段的时空因果特征；所述因果图学习器构建因果传递矩阵的过程包括：（1）基于时间位置信息构建时间嵌入矩阵，并构建投影矩阵； （2）构建所有区域的动态特征矩阵： 其中为第t时段所有区域的动态特征矩阵，为第t-1时段所有区域的动态增强特征矩阵，为第t时段提取的时空因果特征，为第t-1时段增强时空因果特征，与均为投影矩阵，、、、为可学习参数，为第t时段时间位置信息，为第t-1时段时间位置信息；（3）基于和生成从第时段到第时段的因果传递矩阵；所述先验因果传递模块中的因果传递过程如下：（1）建立因果传递过程如下： 其中，表示第t时段因果传递模块的最终输出特征，表示ReLU激活函数，l表示第l层因果传递，L表示因果传递总层数，表示第t时段因果传递过程的初始值，表示第t时段第层的输出特征，表示第层的输出特征，表示第层网络参数权重，表示第层网络偏置；（2）将距离图和交互图作为先验知识融入因果传递过程中，生成第t时段增强时空因果特征： 其中，表示距离图的因果传递过程，表示交互图的因果传递过程，表示区域间距离图的邻接矩阵，表示第t时段所在时区的交互矩阵；所述的获取方式如下：（1）将一周时间划分为K个时区，统计各个时区内区域间的交互流量，表示时区k内由第i类区域出发到达第j类区域的交互流量，k=1,2,3…K；（2）对进行归一化处理，得到归一化后的各个时区内区域间的交互流量： （3）构建各时区的交互矩阵，第t时段所在时区的交互矩阵即为；所述融合预测模块以多个串联的增强时空因果特征提取模块的输出为输入，利用堆叠的全连接层和Relu激活函数生成城市出行需求数据预测结果： 其中，为第t+1时段预测的城市出行需求数据，、、和均为可学习的参数，为最后一个时段提取的增强时空因果特征。

全文数据：

权利要求：

百度查询： 北京航空航天大学 中国移动通信集团北京有限公司 一种基于先验因果传递的城市出行需求预测方法