本发明涉及客流预测方法领域，特别涉及基于多维特征输入的地铁网络od客流分类预测方法。
背景技术：
1、在地铁网络中，od客流表示两站点之间的客流量，通常用一个矩阵来描述，精准的od客流预测是地铁网络精细化管理的重要条件。现实中，随着地铁网络规模的不断扩大，od客流时空规律变得极为复杂。一方面，全地铁网络的od数量巨大，不同od客流的时空分布各不相同，不同类型的od客流具有随机性，需要选择不同的预测方法；另一方面，影响od客流的因素众多，不同因素对od客流的作用机制也各不相同，且不同因素之间存在着非常复杂的关联性。因此，针对大规模地铁网络的od客流预测面临极大的挑战。
2、传统的地铁客流预测方法主要有：基于统计的预测方法和基于非线性理论的预测方法。其中基于统计的预测方法计算简单，容易理解，但这种方法基于线性理论，难以适用于影响因素复杂、随机性较大的od客流预测问题；而基于非线性理论的预测方法因其计算复杂度高，也难以应用在大规模地铁网络中。近年来，基于深度学习的预测方法被广泛应用在地铁客流预测中，包括循环神经网络、卷积神经网络和长短时记忆神经网络等。但这些方法在预测地铁网络的od客流时，仍存在一些不足。首先，这些方法无法考虑客流的时间信息，如日期、时段等，但这些信息会对od客流的时空特征产生影响；另一方面，现有方法并不区分od对的类别，对所有od客流预测均采用相同方法，这不仅无法保证预测精度，还增加了大量的无效计算量。此外，现有方法均假设od客流存在空间相关性，即任意od客流会受到其他所有od客流的影响，这种假设并不符合实际，还会造成计算的大量冗余。
技术实现思路
1、本发明意在提供基于多维特征输入的地铁网络od客流分类预测方法，解决了现有的地铁客流预测方法的预测精度低且产生了大量冗余计算的问题。
2、为了达到上述目的，本发明的技术方案如下：基于多维特征输入的地铁网络od客流分类预测方法，包括如下步骤：
3、s1、对影响od客流的多重因素进行定量分析，确定影响因素的特征集合，作为预测模型的输入条件；
4、s2、对地铁网络中所有od客流进行两阶段聚类处理，确保每种类型od客流具有相似的规模和时变规律；
5、s3、对地铁网络中不同类型的od客流进行时间序列数据可预测性评估，检测od客流的相似性和平稳性；
6、s4、针对不同类型的od客流分别采用基于arima的预测模型和基于改进attention-lstm的预测模型进行客流预测。
7、进一步的，步骤s1中预测变量特征的选择方法如下：从包含所有特征的集合出发，逐步移除表现最弱的特征，通过反复迭代直至达到设定的特征子集规模，在每轮迭代中，采用线性回归模型评估出的特征重要性对特征进行重排序，移除的便是那些重要性评分最低的特征。
8、进一步的，步骤s2的两阶段聚类方法如下：
9、s2.1、基于od客流分布的趋势数据，进行od客流的第一阶段聚类，确保类内od具有相似的客流变化规律；
10、s2.2、在步骤s2.1的聚类基础上，基于客流量大小数据，进行od二阶段聚类，确保类内od客流具有相似客流量的变化趋势和客流规模。
11、进一步的，对步骤s2.1的客流特征指标采用模糊c均值聚类方法，具体步骤如下：
12、步骤1：计算初始的隶属度矩阵；
13、步骤2：计算o个聚类中心；
14、步骤3：计算目标函数值，若此值小于特定阈值或其变化量低于设定阈值，则算法终止；否则，再次更新隶属度矩阵，并返回步骤2继续迭代。
15、进一步的，步骤s2.2中采用k-means算法对全网od客流进行第二阶段分类，具体方法如下：采用“肘方法”确定聚类数量；再采用k-means聚类分析方法，针对od对的第一阶段聚类结果，基于od的小时客流量大小，对od对进行第二阶段聚类。
16、进一步的，步骤s3中，时间序列相似性度量模型如下：
17、采用pearson相关系数法，借助相关系数矩阵检验当前客流与历史周同期客流数据的相似性，相关系数法如下式：
18、
19、式中，为od客流向量，ut为第t个od对u，i、j为周数，e为周中天数，计算任意两日的客流相关系数，得到一个七阶的相关系数矩阵ru(ie,je)，如下式所示：
20、
21、计算od的平均相关系数如下式所示：
22、
23、式中，相关系数矩阵的阶数l取值为7，
24、针对每一类od的类别k，计算该类别内所有od对的平均相关系数cke，如下式：
25、
26、cke的取值为[0,1]，其值越大，表示客流序列间相似度越高，对这类od客流可采用时间序列模型进行预测，cke较小时，采用更复杂的深度学习模型进行预测。
27、进一步的，步骤s3中，时间序列平稳性检验模型如下：
28、采用平稳性检验技术评估od客流数据序列的稳定性，其计算模型为：
29、
30、式中，a为常量，b为时间趋势的系数，t为时间变量，n为自回归过程的滞后阶数，
31、将常量a和时间趋势b加入模型，同时使用aic准则确定自回归过程的滞后阶数n，
32、在明确模型结构后，对每个od对从周一到周日连续七天的客流时间序列执行adf检验，获取相应的p值，如下式：
33、pu＝(p1,p2,…,pu)
34、针对每一个类别k的od客流，计算类内所有od对的平均概率：
35、
36、p值取值为0-1之间，其大小反映了客流数据序列平稳性的强度，若p值低于预设的显著性水平阈值，表明客流时间序列在该显著性水平下具有统计上的显著稳定性，可用于短时预测。
37、进一步的，步骤s4的具体方法如下：
38、s4.1、提出一种数据结构重构策略，通过数据结构的重构与还原操作，减少od客流数据中极小值的影响，达到更好的预测精度；
39、s4.2、构建基于arima的od预测模型，该模型用于预测在时序可预测评估模型中表现最好的od对，该类od的平稳性和相似性最好；
40、s4.3、针对在时序可预测评估模型中表现较差的od对，构建基于改进的attention-lstm客流预测模型，并考虑多变量输入，以提高模型对这类od的预测准确性。
41、进一步的，步骤s4.1的数据结构重构方法如下：
42、s4.1.1、设定最小阈值ε，
43、s4.1.2、对每个的历史平均客流矩阵mij与步骤s4.1.1的阈值比较，标记矩阵mij中高于阈值的元素位置，仅保留中这些位置的数据，得到数据集，如下式：
44、
45、s4.1.3、将中的有效数据前置，并使用掩码值在序列末尾进行填充，得到重构后的数据：
46、
47、s4.1.4、预测结束后，再根据步骤s4.1.2的公式保留的元素位置信息，还原数据结构。
48、与现有技术相比，本方案的有益效果：
49、(1)为了更精细地划分od对类别，建立两阶段od对分类方法，更能够精确划分出相似客流分布趋势规律和相似客流量大小的od对；建立了时序可预测性评估模型，从平稳性和相似性角度对分类后的od对进行评估，根据评估结果，重新划分od，并判定其适用的od预测模型。根据od分类建立其适用的预测模型的方法能更加贴合实际客流模式，减少计算资源的消耗，提升预测效率，降低过拟合风险，节省经济成本。
50、(2)基于历史od信息输入的预测模型，输入od为一维数据，为了提高预测精度，考虑影响od的多重因素，有效利用历史od信息、、od站点属性信息、用地信息来作为预测模型的输入，增强预测效果。
51、(3)多变量的输入和注意力机制的加入大大提高了模型精度。模型通过结合这两个分支的输出，实现对预测结果的动态优化。这样的并行架构设计不仅增强了模型处理大规模客流数据的能力，提高了预测的准确性和效率，同时也减少了由于忽略小客流而可能导致的预测误差。
52、(4)建立了基于改进的attention-lstm的od预测模型，并将od多重影响因素考虑在内，构建了多变量条件下的改进attention-lstm预测模型，通过整合多重影响因素，模型能够更全面捕捉客流动态，对短时od客流分布情况的刻画更为准确。
1.基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：步骤s1中预测变量特征的选择方法如下：从包含所有特征的集合出发，逐步移除表现最弱的特征，通过反复迭代直至达到设定的特征子集规模，在每轮迭代中，采用线性回归模型评估出的特征重要性对特征进行重排序，移除的便是那些重要性评分最低的特征。
3.根据权利要求1所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：步骤s2的两阶段聚类方法如下：
4.根据权利要求3所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：对步骤s2.1的客流特征指标采用模糊c均值聚类方法，具体步骤如下：
5.根据权利要求4所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：步骤s2.2中采用k-means算法对全网od客流进行第二阶段分类，具体方法如下：采用“肘方法”确定聚类数量；再采用k-means聚类分析方法，针对od对的第一阶段聚类结果，基于od的小时客流量大小，对od对进行第二阶段聚类。
6.根据权利要1所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：步骤s3中，时间序列相似性度量模型如下：
7.根据权利要6所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：步骤s3中，时间序列平稳性检验模型如下：
8.根据权利要1所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：步骤s4的具体方法如下：
9.根据权利要8所述的基于多维特征输入的地铁网络od客流分类预测方法，其特征在于：步骤s4.1的数据结构重构方法如下：
