基于改进GCN网络的共享单车需求量预测方法

专利主权项内容

1.基于改进GCN网络的共享单车需求量预测方法，其特征在于，该方法是基于改进GCN网络实现共享单车需求量的精准预测，该GCN网络的改进包括对输入特征、图的邻接矩阵以及计算层的改进；对输入特征的改进是新增了一个共享单车需求量特征模块，该共享单车需求量特征模块通过移动平均法将输入时间序列信号分解成趋势信号和周期信号，用于提高GCN网络对复杂信号的学习，并且该共享单车需求量特征模块能够在训练集中超长时间序列信号学习到稳定独立共享的节点特征，该节点特征能够使得GCN网络更好地区分不同的单车站点；对图的邻接矩阵的改进是新增了一个自适应时空图结构学习模块，该自适应时空图结构学习模块将原来作为图的邻接矩阵的N×N矩阵变为TN×TN矩阵，其中N为单车站点个数，T为时间窗口长度，使得图的邻接矩阵不再只与单车站点相关，还与时间相关，进而使得图的邻接矩阵同时含有空间维度和时间维度的信息，并且图的邻接矩阵会随着训练过程进行变化，更加适应真实场景；对计算层的改进是根据图的邻接矩阵的结构变化，将计算层消息传递计算方式从原来只有空间关系改进为同时包含空间、时间两个维度的计算方式，使得GCN网络能够同时聚合空间维度与时间维度的特征，并添加残差结构缓解GCN网络的过平滑问题；所述共享单车需求量预测方法的具体实施，包括：获取共享单车需求量数据并进行预处理，得到添加了时间信息的共享单车需求量数据；利用已训练好的改进GCN网络对添加了时间信息的共享单车需求量数据进行以下处理：由共享单车需求量特征模块对输入的数据进行深入挖掘，获得时间序列信号、节点特征和时间特征，并将它们混合起来形成共享单车需求量特征E，即该共享单车需求量特征E包含时间序列特征、节点特征和时间特征；由自适应时空图结构学习模块根据时间窗口长度T和单车站点个数N生成同时含有空间维度和时间维度的图的邻接矩阵A；将共享单车需求量特征E和图的邻接矩阵A输入到改进GCN网络的时空融合主干网络，得到时空融合特征H，再将时空融合特征H输入到改进GCN网络的预测模块得到最终的预测结果；其中，所述时空融合主干网络由改进的计算层和和残差结构组成。