导航:X技术最新专利计算;推算;计数设备的制造及其应用技术
本发明针对传统铁路货运需求预测忽略拓扑网络时空特征导致精度不足的问题,提出构建融合时间序列与空间矩阵的铁路货运网络时空图,通过时空图卷积神经网络提取拓扑结构与动态特征,结合门控卷积层与图卷积层实现多站货运需求的细粒度预测,提升预测精度与时空关联性建模能力。
本发明涉及铁路货运需求预测,尤其涉及一种铁路多站货运需求预测方法和装置。
1、铁路货运因其具备运量大、高速、节能等优势在交通运输系统中占有极大占比,截至2022年低,铁路的运营里程已达到15.5公里,同时全国铁路货运年总发送量达到49.84亿吨。科学预测出铁路货运量发展趋势对于铁路运输结构调整、社会资源配置优化,以及铁路货运管理水平提升有着积极的现实意义。
2、然而,铁路货运与客运相比主动性较低,货物需要人工协商下单,运输过程中还需要耗费人力经历搬运、转移、分类等复杂流程,不能像乘客那样直接简便地购买运输服务并自动到达、出发,运输过程受不可抗力影响较大,这使得制定铁路货运时刻表变得异常困难。另外,由于货运需求具有多地分散集中、多品类货运分类组装、多目的地分批次运输等复杂特性,使得铁路货运需求整体呈现出非线性变化。目前的货运需求预测主要以基于时间序列预测方法的中长期预测为主,其预测多以季度、年为时间单位的粗粒度预测,缺乏对车站的短期货运需求的细粒度预测;同时由于货运车站站点之间的内在耦合关系,导致货流运输受不同站点的时空特征影响,因此融合货流数据内部的时空特征对于提高货运需求预测精度具有重要作用。
2、鉴于现有技术的上述缺点、不足,本发明提供一种铁路多站货运需求预测方法和装置,其解决了传统铁路货运需求忽略铁路拓扑网络时空特征对预测精度的影响的技术问题。
6、s1、获取铁路货运网络拓扑图,并基于铁路货运网络拓扑图构建铁路货运网络时空图;时空图包含时间序列和空间矩阵,时间序列为预设历史时间步长内铁路货运网络拓扑图中所有车站的货运特征量序列,空间矩阵为用来表征铁路货运网络空间特征的矩阵;
7、s2、将时空图输入预先训练的时空图卷积神经网络中,获得未来预设时间步长的拓扑图中所有车站的货运特征量;
8、时空图卷积神经网络包括依次连接的至少一个时空卷积模块和一个输出层,时间序列输入第一个时空卷积模块,空间矩阵分别输入每一个时空卷积模块,时空卷积模块输出卷积的时间序列作为与其连接的下一个时空卷积模块的输入,输出层将最后一个时空卷积模块输出的卷积时间序列映射到未来预设时间步长的时空图中所有车站的货运特征量;
9、时空卷积模块包括依次连接的第一门控时间卷积层、空间图卷积层和第二门控时间卷积层,空间矩阵输入空间图卷积层。
10、可选地,构建的铁路货运网络时空图为其中,表示铁路货运网络拓扑图中n个车站在t时刻的货运特征量,ε表示铁路货运网络拓扑图中站点之间的连通性,表示图的加权邻接矩阵,表示实数;
11、加权邻接矩阵w根据铁路货运网络拓扑图中n个车站之间的区间距离获得,表达式为:
13、其中,dij为站点i和j之间的距离;σ2和λ分别为w的分布性阈值和稀疏性阈值;ωij为w中的元素,表示由dij决定的边的权重。
17、a1、采用时间序列中货运发送量的平均值替换时间序列中货运发送量为零的值,采用时间序列中货车满载率的平均值替换时间序列中货运发送量为零的值;
19、s2、将预处理的时间序列和空间矩阵输入预先训练的时空图卷积神经网络中。
20、可选地,时间门控卷积层由一个一维的因果卷积核和一个非线性的门控线、可选地,空间卷积层的表达式为:
24、其中,θ为图卷积核;x为空间卷积层的输入信号;表示将θ限制为λ的切比雪夫多项式的多项式系数的向量,in为单位矩阵;为对角度矩阵,其中dij=∑jwij;表示x具有ci通道的信号;c0为空间卷积层的输出通道;yj为空间卷积层的具有cj通道的输出;
27、其中,为卷积核;表示具有ci通道的输入信号,m为时空卷积模块输入序列的长度;p、q分别是门控线性单元中门的输入,p与时间序列中的成分结构和动态方差相关,σ(q)控制当前状态的所对应的输入值;⊙表示元素的阿达玛乘积。
30、其中,表示时空卷积模块l的输入,m为时空卷积模块输入序列的长度,n为铁路货运网络拓扑图中车站的数量,cl为时空卷积模块l的输入通道;表示时空卷积模块l的输出,kt为一维因果卷积核的宽度,cl+1为时空卷积模块l的输出通道,也即时空卷积模块l+1的输入通道;为时空卷积模块l内的第一时间卷积核;为时空卷积模块l内的第二时间卷积核;θl为时空卷积模块l的图卷积核;relu(·)为线、可选地,输出层将最后一个时空卷积模块输出的卷积时间序列映射到未来预设时间步长的时空图中所有车站的货运特征量,包括:
34、可选地,时空图卷积神经网络包括依次连接的两个时空卷积模块和一个输出层。
35、可选地,在s1之前还包括:接收用于训练的铁路货运网络时空图,生成训练样本;基于损失函数,将训练样本输入时空图卷积神经网络中进行模型训练。
37、获取模块,用于获取铁路货运网络拓扑图,并基于铁路货运网络拓扑图构建铁路货运网络时空图;时空图包含时间序列和空间矩阵,时间序列为预设历史时间步长内铁路货运网络拓扑图中所有车站的货运特征量序列,空间矩阵为用来表征铁路货运网络空间特征的矩阵;
38、预测模块,用于将时间序列和空间矩阵输入预先训练的时空图卷积神经网络中,获得未来预设时间步长的时空图中所有车站的货运特征量;
39、其中,时空图卷积神经网络包括依次连接的至少一个时空卷积模块和一个输出层,时间序列输入第一个时空卷积模块,空间矩阵分别输入每一个时空卷积模块,时空卷积模块输出卷积的时间序列作为与其连接的下一个时空卷积模块的输入,输出层将最后一个时空卷积模块输出的卷积时间序列映射到未来预设时间步长的时空图中所有车站的货运特征量;时空卷积模块包括依次连接的第一门控时间卷积层、空间图卷积层和第二门控时间卷积层,空间矩阵输入空间图卷积层。
42、本发明提出的铁路多站货运需求预测方法,基于铁路货运网络拓扑图构建铁路货运网络时空图,能够提取出铁路货运网络拓扑的时空特征,并将时空图输入时空图卷积神经网络中对拓扑图中车站的货运需求进行预测,考虑了铁路拓扑网络时空特征对车站货运需求预测的影响,使预测精准度更高。