基于時(shí)空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測(cè)方法

(西安建筑科技大學(xué) 信息與控制工程學(xué)院，西安 710055)

0 引言

近年來(lái)，隨著我國(guó)旅游人數(shù)的急劇增長(zhǎng)，旅游景區(qū)景點(diǎn)飽和、游客擁擠等問(wèn)題也日益突顯出來(lái)，進(jìn)而影響游客的出游體驗(yàn)和旅游業(yè)發(fā)展。因此，準(zhǔn)確地預(yù)測(cè)區(qū)域旅游客流量能夠?yàn)榫皡^(qū)管理者快速?zèng)Q策提供幫助，從而避免游客聚集，提高游客的安全性，進(jìn)一步推動(dòng)旅游業(yè)的持續(xù)發(fā)展。

目前，流量預(yù)測(cè)的方法較多，主要分為傳統(tǒng)方法和深度學(xué)習(xí)方法。傳統(tǒng)的流量預(yù)測(cè)方法，如線性回歸法[1-2]、灰色預(yù)測(cè)法[3-4]、ARIMA法[5]、人工神經(jīng)網(wǎng)絡(luò)[6-9]等，這些方法很難準(zhǔn)確預(yù)測(cè)波動(dòng)性強(qiáng)、復(fù)雜非線性的區(qū)域旅游客流量，并且無(wú)法學(xué)習(xí)空間相關(guān)性。

隨著深度學(xué)習(xí)的發(fā)展，研究者將其運(yùn)用在交通流量[10-12]、客流量[13-15]、燃?xì)庳?fù)荷量[16]等流量預(yù)測(cè)上。Y.F.Li等人[17]采用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)方法對(duì)旅游流量進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)表明LSTM方法比自回歸集成移動(dòng)平均(ARIMA)模型和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)有更好的預(yù)測(cè)效果，充分利用了旅游客流量數(shù)據(jù)的時(shí)間維度。但此方法沒(méi)有利用空間屬性，X.Zhan等人[18]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的交通流預(yù)測(cè)方法，使用浮動(dòng)車(chē)的GPS軌跡數(shù)據(jù)來(lái)估算全市的交通量。X.Ma 等[19]提出了一種大規(guī)模交通網(wǎng)絡(luò)速度預(yù)測(cè)的深度卷積神經(jīng)網(wǎng)絡(luò)，將時(shí)空矩陣轉(zhuǎn)換為圖像作為 CNN 的輸入?？梢钥闯?，單一的神經(jīng)網(wǎng)絡(luò)無(wú)法充分利用時(shí)空數(shù)據(jù)的多屬性特征。J.Zhang等人提出了一種基于深度學(xué)習(xí)的時(shí)空殘差網(wǎng)絡(luò)模型ST-ResNet，使用殘差網(wǎng)絡(luò)來(lái)模擬人群流量在時(shí)間上的相關(guān)性，將城市劃分為均勻的網(wǎng)格并使用ST-ResNet模型預(yù)測(cè)每個(gè)地區(qū)人群流入量和流出量[20-21]。段宗濤等人也將出租車(chē)GPS數(shù)據(jù)和天氣數(shù)據(jù)等轉(zhuǎn)化為柵格數(shù)據(jù)，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)構(gòu)建了出租車(chē)需求預(yù)測(cè)模型[22]。

雖然以上方法考慮到了時(shí)空數(shù)據(jù)的多屬性問(wèn)題，但是，區(qū)域客流量易受季節(jié)性影響，短期相關(guān)性更強(qiáng)，且波動(dòng)性強(qiáng)。針對(duì)以上問(wèn)題，本文提出用于區(qū)域客流量預(yù)測(cè)的改進(jìn)Quad-ResNet模型，利用殘差網(wǎng)絡(luò)模擬時(shí)空數(shù)據(jù)的時(shí)間與空間特征，并且利用全連接網(wǎng)絡(luò)模擬季節(jié)性影響。為了驗(yàn)證方法的可行性，在陜西省寶雞市扶風(fēng)縣法門(mén)鎮(zhèn)真實(shí)序列數(shù)據(jù)集上測(cè)試了Quad-ResNet模型與LSTM、CNN、ST-ResNet模型的性能，發(fā)現(xiàn)Quad-ResNet模型性能優(yōu)于LSTM、CNN、ST-ResNet模型。

本文的其余部分組織如下。第一節(jié)介紹基于時(shí)空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測(cè)方法。第二節(jié)討論了幾種選定模型的實(shí)驗(yàn)設(shè)計(jì)和性能。最后，第三部分是結(jié)論。

1 基于時(shí)空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測(cè)方法

1.1 區(qū)域客流量定義

htm,n= |{pi∈(m,n)∧pi∈P} |

(1)

式中，P是t時(shí)刻旅游景區(qū)中行人的位置點(diǎn)集合；pi是集合P中的一個(gè)位置點(diǎn)；pi∈(m,n)表示位置點(diǎn)pi在網(wǎng)格(m×n)內(nèi)；|·|表示集合的基數(shù)。

1.2 區(qū)域客流量影響因素分析

1.2.1 空間影響

根據(jù)地理學(xué)第一定律可知，任何事物都是與其他事物相關(guān)的，且鄰近事物之間的相關(guān)性可能更強(qiáng)，距離越近的事物關(guān)聯(lián)可能越緊密[23]。因此，旅游景區(qū)相鄰區(qū)域的客流量會(huì)因?yàn)槿巳旱囊苿?dòng)而相互影響，即存在空間鄰近性。距離較遠(yuǎn)的區(qū)域之間也可能相互影響，兩個(gè)相似區(qū)域的客流量變化情況呈現(xiàn)出一定的相關(guān)性，即為空間的相似性。

1.2.2 時(shí)間影響

旅游景區(qū)某一時(shí)刻區(qū)域客流量會(huì)受到前幾個(gè)時(shí)刻的影響，根據(jù)時(shí)間間隔的長(zhǎng)短可以具體分為鄰近性、相似性、周期性、趨勢(shì)性。

1.2.2.1 鄰近性

圖1為五分鐘間隔所有區(qū)域總流量折線圖，從中可以看到，0∶00～6∶00客流量較少且逐漸減少，6∶00～12∶00客流量不斷增加，12∶30左右出現(xiàn)當(dāng)日的一個(gè)高峰，然后不斷振蕩直到20∶00，之后客流量開(kāi)始逐步減少。對(duì)于一天各個(gè)時(shí)刻的客流量來(lái)說(shuō)，每個(gè)時(shí)刻的客流量均會(huì)受到鄰近的前幾個(gè)時(shí)刻的影響，而且它也會(huì)影響之后幾個(gè)時(shí)刻的客流量，體現(xiàn)了區(qū)域客流量的鄰近性。

圖1 區(qū)域流量鄰近性

1.2.2.2 相似性

圖2將12∶00區(qū)域的客流量依次與11∶00、10∶00、9∶00區(qū)域客流量做差，差值大于10的區(qū)域用白色表示，其余區(qū)域用黑色表示。從圖2中可以看到，白色區(qū)域從整體上看屬于少數(shù)，說(shuō)明大部分區(qū)域客流量相差不大，體現(xiàn)了時(shí)間上的相似性。

圖2 區(qū)域流量相似性

1.2.2.3 周期性

圖3顯示了連續(xù)五天的區(qū)域客流量，從圖3可以看到每天的客流量變化趨勢(shì)是大體相同的，每天同一時(shí)刻的客流量與1天前、2天前的客流量存在相似性，呈現(xiàn)出區(qū)域客流量的周期性。

圖3 區(qū)域流量周期性

1.2.2.4 趨勢(shì)性

圖4顯示了時(shí)長(zhǎng)為6個(gè)月，間隔為1周，每早8∶00的客流量，隨著氣溫變暖，同一時(shí)刻客流量增多，體現(xiàn)了區(qū)域客流量的趨勢(shì)性。

圖4 區(qū)域流量趨勢(shì)性

1.2.3 季節(jié)性影響

在區(qū)域客流量相關(guān)的研究中經(jīng)常會(huì)提到“季節(jié)性”這個(gè)概念，它反映了由于天氣因素、日歷效應(yīng)和時(shí)機(jī)決策的不同，客流量在時(shí)間分布上的不均勻，最終導(dǎo)致旅游市場(chǎng)具有明顯的淡旺季。具體在區(qū)域客流量的研究上，需要考慮的因素分為天氣和法定節(jié)假日等。

1.3 Quad-ResNet模型框架

基于時(shí)空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測(cè)方法Quad-ResNet模型的整體架構(gòu)如圖5所示，模型主要分為5個(gè)部分，通過(guò)4個(gè)殘差網(wǎng)絡(luò)分別來(lái)模擬時(shí)間的鄰近性、相似性、周期性和趨勢(shì)性，一個(gè)兩層全連接網(wǎng)絡(luò)模擬季節(jié)性影響。殘差網(wǎng)絡(luò)由一個(gè)卷積層、L個(gè)殘差單元和一個(gè)卷積層組成，這種結(jié)構(gòu)可以模擬空間鄰近性和相似性。4個(gè)殘差網(wǎng)絡(luò)的輸出op[L + 2]、oq[L + 2]、or[L + 2]、os[L + 2]通過(guò)參數(shù)矩陣融合為of，of與全連接網(wǎng)絡(luò)的輸出oe進(jìn)行融合。最后，通過(guò)Tanh函數(shù)將融合后的輸出映射到[-1,1]。

圖5 Quad-ResNet模型整體架構(gòu)

4個(gè)殘差網(wǎng)絡(luò)結(jié)構(gòu)是相同的，以鄰近性部分為例。應(yīng)用BN(Batch Normalization)[24]后殘差單元的計(jì)算如式(2)、式(3)所示：

a[l+1]=w[l+1]*g(a[l])

(2)

a[l+2]=w[l+2]*g(a[l+1])+a[l]

(3)

式中，*表示卷積操作；g表示激活函數(shù)ReLU；w[l+1]、w[l+2]是可學(xué)習(xí)參數(shù)。

鄰近性部分、相似性部分、周期性部分與趨勢(shì)性部分通過(guò)參數(shù)矩陣進(jìn)行融合，融合后的輸出of如式(4)所示：

(4)

式中，*表示Hadamard積；wp、wq、wr、ws是可學(xué)習(xí)的參數(shù)，分別用來(lái)調(diào)整鄰近性、相似性、周期性、趨勢(shì)性的影響程度。

(5)

模型采用MSE(Mean Square Error，均方誤差)來(lái)計(jì)算損失，損失函數(shù)L(θ)如式(6)所示：

(6)

2 實(shí)驗(yàn)設(shè)計(jì)與分析

2.1 模型調(diào)優(yōu)實(shí)驗(yàn)

2.1.1 實(shí)驗(yàn)數(shù)據(jù)集

原始流量數(shù)據(jù)來(lái)源騰訊位置大數(shù)據(jù)網(wǎng)站，爬取陜西省寶雞市扶風(fēng)縣法門(mén)鎮(zhèn)2018年1月1日～2018年6月30日的APP定位數(shù)據(jù)，時(shí)間間隔為5分鐘，轉(zhuǎn)換為區(qū)域客流量數(shù)據(jù)后，共包含52 128個(gè)時(shí)刻。

采用扶風(fēng)縣的歷史天氣數(shù)據(jù)作為法門(mén)鎮(zhèn)旅游景區(qū)的天氣數(shù)據(jù)，天氣數(shù)據(jù)包含日期、天氣狀況、氣溫、風(fēng)力風(fēng)向這四個(gè)屬性。節(jié)假日數(shù)據(jù)來(lái)源于開(kāi)放API，工作日標(biāo)識(shí)為0，周末休息日標(biāo)識(shí)為1，法定節(jié)假日標(biāo)識(shí)為2。

2.1.2 超參數(shù)設(shè)置

Quad-ResNet模型使用Adam優(yōu)化算法進(jìn)行訓(xùn)練，batch size設(shè)置為32，學(xué)習(xí)率設(shè)置為0.0001，損失函數(shù)設(shè)置為MSE。鄰近性時(shí)間間隔的單位為1個(gè)時(shí)刻，相似性時(shí)間間隔的單位為1個(gè)小時(shí)，周期性時(shí)間間隔的單位為1天，趨勢(shì)性時(shí)間間隔的單位為1周。由于數(shù)據(jù)集的時(shí)間間隔是5分鐘，因此鄰近性時(shí)間間隔p=1，相似性時(shí)間間隔q=12，周期性時(shí)間間隔r=288，趨勢(shì)性時(shí)間間隔s=2016。

2.1.3 模型評(píng)估標(biāo)準(zhǔn)

采用RMSE(Root Mean Squared Error，均方根誤差)對(duì)模型進(jìn)行評(píng)價(jià)，RMSE的計(jì)算如式(7)所示。RMSE越小則說(shuō)明模型的誤差越小、精度越高。

(7)

2.1.4 參數(shù)選擇實(shí)驗(yàn)

參數(shù)選擇實(shí)驗(yàn)主要是對(duì)鄰近性序列長(zhǎng)度、周期性序列長(zhǎng)度、相似性序列長(zhǎng)度、趨勢(shì)性序列長(zhǎng)度與殘差單元數(shù)量進(jìn)行選擇。

以鄰近性序列長(zhǎng)度選擇實(shí)驗(yàn)為例，實(shí)驗(yàn)結(jié)果如圖6(a)所示。從圖中可以看到，隨著lp變大，RMSE首先減小然后平穩(wěn)最后增大。lp=0時(shí)，表示不使用鄰近性部分，導(dǎo)致RMSE很大，說(shuō)明鄰近性部分有助于提高模型的精度。lp=2時(shí)，RMSE最小，表明此時(shí)模型的精度最高。lp=6時(shí)RMSE反而比之前更大，說(shuō)明較長(zhǎng)的鄰近性序列不但無(wú)法提升模型的精度反而可能導(dǎo)致模型的精度下降。因此，最終選取鄰近性序列長(zhǎng)度lp=2，此時(shí)模型的誤差最小，精度最高。根據(jù)圖6(b)～6(e)所示，最終選取周期性序列長(zhǎng)度lr=3，相似性序列長(zhǎng)度lq=4，趨勢(shì)性序列長(zhǎng)度ls=1，殘差單元數(shù)量為4。

圖6 參數(shù)選擇實(shí)驗(yàn)結(jié)果圖

2.2 對(duì)比實(shí)驗(yàn)

2.2.1 實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證模型的有效性，本文選取了3個(gè)模型ST-ResNet，LSTM，CNN與Quad-ResNet做性能比較，其中深度學(xué)習(xí)模型ST-ResNet，LSTM，CNN設(shè)置的參數(shù)值與Quad-ResNet中的保持一致。

2.2.2 實(shí)驗(yàn)結(jié)果分析

各個(gè)模型的預(yù)測(cè)結(jié)果如表1示，從表可以看出Quad-ResNet模型的RMSE最小，說(shuō)明該模型的預(yù)測(cè)精度最高。LSTM-3、LSTM-6、LSTM-12模型的RMSE只比Quad-ResNet模型的RMSE稍大一些，說(shuō)明LSTM模型能夠有效地捕獲短期的時(shí)間相關(guān)性，并且得到較好的預(yù)測(cè)結(jié)果，但是空間相關(guān)性對(duì)于預(yù)測(cè)結(jié)果也有著重要的影響，不能只考慮時(shí)間相關(guān)性，否則無(wú)法進(jìn)一步地提升精度。

表1 實(shí)驗(yàn)結(jié)果對(duì)比表

LSTM-3、LSTM-6、LSTM-12、LSTM-144、LSTM-288模型的RMSE比較接近，明顯小于LSTM-2016模型，同時(shí)，隨著lookback的增加，模型的RMSE先減小后增大，說(shuō)明LSTM模型可能很難捕獲非常長(zhǎng)期的時(shí)間相關(guān)性(例如，一天、一周)。

CNN模型的RMSE明顯比Quad-ResNet、LSTM-3、LSTM-6、LSTM-12、LSTM-144、LSTM-288模型大，僅僅略小于LSTM-2016模型，說(shuō)明淺層的CNN可能很難捕獲到足夠的空間相關(guān)性，導(dǎo)致模型的預(yù)測(cè)精度不佳。

ST-ResNet模型的RMSE大于Quad-ResNet模型，這是由于ST-ResNet模型只考慮了時(shí)間的鄰近性、周期性、趨勢(shì)性，沒(méi)有考慮時(shí)間的相似性，導(dǎo)致模型的精度無(wú)法進(jìn)一步地提升，說(shuō)明短期的時(shí)間相關(guān)性對(duì)區(qū)域客流量預(yù)測(cè)精度的影響明顯大于長(zhǎng)期的時(shí)間相關(guān)性。鄰近性、相似性屬于短期的時(shí)間相關(guān)性，周期性、趨勢(shì)性屬于長(zhǎng)期的時(shí)間相關(guān)性。Quad-ResNet模型考慮了時(shí)間的相似性，因此實(shí)驗(yàn)結(jié)果好于ST-ResNet模型。

綜合以上各個(gè)結(jié)論可以得出，本文提出的針對(duì)區(qū)域客流量預(yù)測(cè)的Quad-ResNet模型的預(yù)測(cè)結(jié)果較好，該模型對(duì)時(shí)間相關(guān)性和空間相關(guān)性的考慮比較周全，具有一定的泛化能力，同時(shí)該模型在訓(xùn)練和預(yù)測(cè)上的操作明顯比LSTM模型更簡(jiǎn)單方便，證明Quad-ResNet模型是一個(gè)優(yōu)秀高效的模型，適用于區(qū)域客流量的預(yù)測(cè)。

3 結(jié)束語(yǔ)

本文提出了一種基于時(shí)空殘差網(wǎng)絡(luò)的區(qū)域客流量預(yù)測(cè)方法，即根據(jù)行人定位數(shù)據(jù)、天氣和節(jié)假日數(shù)據(jù)預(yù)測(cè)每個(gè)地區(qū)的客流量，從而找到旅游景區(qū)的客流量熱點(diǎn)區(qū)域。本文選取了3個(gè)模型與 Quad-ResNet模型做性能比較，證明Quad-ResNe模型更適合區(qū)域客流量的預(yù)測(cè)。但是還有一些方面需要完善，本文的區(qū)域流量是通過(guò)行人數(shù)據(jù)得到的，如果可以融合更多的交通流量，比如自行車(chē)軌跡數(shù)據(jù)、出租車(chē)軌跡數(shù)據(jù)等其他數(shù)據(jù)，在此基礎(chǔ)上預(yù)測(cè)的結(jié)果應(yīng)該更符合真實(shí)情況。本文考慮的影響因素也并不代表所有影響，未考慮到突發(fā)事件或一些未知的原因，如果可以挖掘出其他影響因素進(jìn)行分析，從而增強(qiáng)預(yù)測(cè)模型的實(shí)際意義，進(jìn)一步提高模型的精確性。