一种重大公共卫生事件下交通出行需求的预测方法

1.一种重大公共卫生事件下交通出行需求的预测方法，其特征在于，包括如下步骤：S1：对于需要进行交通出行需求预测的地区，通过多元线性回归方法得到初步回归结果，通过预先训练好的时序图卷积网络模型进行时空残差预测，得到残差预测结果；S2：将所述初步回归结果与所述残差预测结果相加，得到最终预测结果；其中，所述时序图卷积网络模型的训练过程包括如下步骤：SS1：构建不同地区的交通出行需求数据库，包括不同地区的交通出行需求矩阵；SS2：计算每两个地区的交通出行需求矩阵的DTW距离，得到DTW距离矩阵；SS3：以所述DTW距离为相似性度量标准，对所述DTW距离矩阵进行时空相关性聚类，将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式；SS4：对于不同的交通出行需求模式，通过多元线性回归方法得到待回归交通出行需求特征的回归值，计算所述待回归交通出行需求特征的回归值与所述待回归交通出行需求特征的实际值之间的回归残差；SS5：根据不同地区的交通出行需求矩阵包含的交通出行需求特征，建立交通出行需求特征图，每个交通出行需求特征为所述交通出行需求特征图的一个节点，各个交通出行需求特征之间的皮尔逊相关系数为所述交通出行需求特征图的边；SS6：根据建立的交通出行需求特征图，搭建时序图卷积网络模型，利用所述时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习，得到预先训练好的时序图卷积网络模型。 2.如权利要求1所述的重大公共卫生事件下交通出行需求的预测方法，其特征在于，步骤SS1中，单个地区的交通出行需求矩阵为： (1)其中， p 表示单个地区的交通出行需求矩阵中特征的个数， t 表示从观测日开始的总天数； 表示第 i 天第 j 个交通出行需求特征的值， i= 1,2,…, t ， j= 1,2,…, p 。 3.如权利要求2所述的重大公共卫生事件下交通出行需求的预测方法，其特征在于，步骤SS2中，计算每两个地区的交通出行需求矩阵的DTW距离，具体包括：根据 M 地区的交通出行需求矩阵 和 N 地区的交通出行需求矩阵 ，计算矩阵 和矩阵 的DTW距离 如下： (2)其中， 是由矩阵 的第 m 行构成的向量，表示 M 地区第 m 天的交通出行需求， m= 1,2,…, t ； 是由矩阵 的第 n 行构成的向量，表示 N 地区第 n 天的交通出行需求， n= 1,2,…, t ； (3) (4)其中， 表示向量 与向量 的DTW距离， 表示向量 与向量 的DTW距离， 表示向量 与向量 的DTW距离， 表示向量 与向量 的DTW距离； 是由矩阵 的第 m -1行构成的向量，表示 M 地区第 m -1天的交通出行需求； 是由矩阵 的第 n -1行构成的向量，表示 N 地区第 n -1天的交通出行需求； 表示向量 与向量 的欧式距离； 为矩阵 的第 m 行第 j 列，表示 M 地区第 m 天第 j 个交通出行需求特征； 为矩阵 的第 n 行第 j 列，表示 N 地区第 n 天第 j 个交通出行需求特征。 4.如权利要求3所述的重大公共卫生事件下交通出行需求的预测方法，其特征在于，步骤SS3，以所述DTW距离为相似性度量标准，对所述DTW距离矩阵进行时空相关性聚类，将不同地区的交通出行需求矩阵划分为多个不同的交通出行需求模式，具体包括：设置聚类簇的数目为 q ，将不同地区的交通出行需求矩阵划分为 q 类交通出行需求模式，表示为 ；每类交通出行需求模式由一系列不同地区的交通出行需求矩阵组成，第 k 类交通出行需求模式由 Z k 个地区的交通出行需求矩阵组成集合： ， k =1,2,…, q ，其中， 代表第 k 个交通出行需求模式中的第 r 个地区的交通出行需求矩阵， r =1,2,…, Z k 。 5.如权利要求4所述的重大公共卫生事件下交通出行需求的预测方法，其特征在于，步骤SS4，对于不同的交通出行需求模式，通过多元线性回归方法得到待回归交通出行需求特征的回归值，计算所述待回归交通出行需求特征的回归值与所述待回归交通出行需求特征的实际值之间的回归残差，具体包括：从单个交通出行需求矩阵所包含的特征中选定一个待回归交通出行需求特征，并建立所述待回归交通出行需求特征的解释变量矩阵 ，解释变量具体包括常数项、除所述待回归交通出行需求特征外的其他交通出行需求特征以及影响交通出行需求的外部因素； (5)其中， 为回归训练集的样本总天数，回归训练集为单个交通出行需求模式所包含的不同地区的交通出行需求矩阵集合；当选择第 k 个交通出行需求模式进行回归时，有 ； l 表示解释变量矩阵的维度； 表示第 u 天第 v 个待回归交通出行需求特征的解释变量的值， u= 1,2,…, a ， v= 1,2,…, l -1；多元线性回归方法的计算公式如下： (6)其中， 表示解释变量矩阵对应的多元线性回归系数，对应于常数项解释变量的 为多元线性回归方法计算公式(6)的常数项，采用最小二乘法进行校准： (7)其中， 表示待回归交通出行需求特征采用多元线性回归方法得到的回归值； 表示待回归交通出行需求特征的实际值；将待回归交通出行需求特征的实际值 与待回归交通出行需求特征的回归值 作差，得到回归残差： (8)。 6.如权利要求5所述的重大公共卫生事件下交通出行需求的预测方法，其特征在于，步骤SS5中，各个交通出行需求特征之间的皮尔逊相关系数的计算公式如下： (9)其中， 表示从不同地区的交通出行需求矩阵所包含的交通出行需求特征中选择的第 个交通出行需求特征的实际值向量，向量长度为 T ， ； 表示从不同地区的交通出行需求矩阵所包含的交通出行需求特征中选择的第 j 个交通出行需求特征的实际值向量，向量长度为 T ； ， 表示样本总数目， Z 表示地区总数目； 为 中第 s 个样本值， 为 中第 s 个样本值， s =1,2,…, T 。 7.如权利要求6所述的重大公共卫生事件下交通出行需求的预测方法，其特征在于，步骤SS6，根据建立的交通出行需求特征图，搭建时序图卷积网络模型，利用所述时序图卷积网络模型对计算得到的回归残差的时空变化模式进行学习，得到预先训练好的时序图卷积网络模型，具体包括：结合循环门控单元和图卷积网络，搭建时序图卷积网络模型，计算公式如下： (10) (11) (12) (13)其中， (14) (15) (16) (17)其中， 表示 d 时刻的更新门， 表示 d 时刻的复位门， 表示 d 时刻时序图卷积网络模型的候选隐藏层， 表示 d 时刻时序图卷积网络模型的隐藏层的输出， 表示 d -1时刻时序图卷积网络模型的隐藏层的输出； 为 d 时刻输入的交通出行需求特征矩阵， 表示输入的交通出行需求特征矩阵经过图卷积操作后的结果，作为时序图卷积网络模型的输入层； 表示sigmoid激活函数，tanh表示tanh激活函数， 表示 激活函数； 表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到更新门的权重， 表示从时序图卷积网络模型的输入层和时序图卷积网络模型的前一隐藏层到复位门的权重， 表示从时序图卷积网络模型的输入层、复位门和时序图卷积网络模型的前一隐藏层到时序图卷积网络模型的候选隐藏层的权重， 表示更新门偏差， 表示复位门偏差， 表示候选隐藏层偏差， 表示图卷积操作； 表示交通出行需求特征图的邻接矩阵， 表示修正后的交通出行需求特征图的邻接矩阵， 表示 的对称归一化矩阵， 表示 第 I 行第 J 列的值， 表示修正后的交通出行需求特征图的度矩阵， 表示与邻接矩阵 相同大小的单位矩阵； 表示第一层的权值矩阵， 表示第二层的权值矩阵；d 时刻隐藏层输出 再经过一个全连接层，实现残差学习任务；全连接层的公式如下： (18)其中， 表示 d 时刻的残差预测值， 表示从 d 时刻隐藏层到残差预测的权重， 表示残差预测的偏差。