买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉同济大学申请的专利基于多模态信息融合的城市轨道交通客流预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117112931B 。

龙图腾网通过国家知识产权局官网在2026-05-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311183016.6，技术领域涉及：G06F16/9537；该发明授权基于多模态信息融合的城市轨道交通客流预测方法是由张鼎开;何积丰;王晓玲;金博设计研发完成，并于2023-09-13向国家知识产权局提交的专利申请。

本基于多模态信息融合的城市轨道交通客流预测方法在说明书摘要公布了：本发明公开了一种基于多模态信息融合的城市轨道交通客流预测方法，首先获取城市兴趣点的特征向量，然后构基于轨道交通站点有向图，以及轨道交通站点与兴趣点的位置关系，提取得到轨道交通站点的特征向量，爬取各个时间段的社交媒体文本，从中提取出公众出行兴趣特征向量，然后基于多头交叉注意力模型融合公众出行兴趣特征向量、轨道交通站点特征向量和历史客流特征向量，再采用LTSM网络预测得到下一时间段的客流特征向量。本发明融合城市兴趣点特征、社交媒体的文本特征对城市轨道交通客流进行预测，提高预测准确度。

本发明授权基于多模态信息融合的城市轨道交通客流预测方法在权利要求书中公布了：1.一种基于多模态信息融合的城市轨道交通客流预测方法，其特征在于，包括以下步骤： S1：获取城市兴趣点数据，包括兴趣点的名称、类别、坐标和面积，对兴趣点的名称和类别分别进行编码，得到名称向量和类别向量，对兴趣点的坐标向量和面积进行归一化，然后将兴趣点的名称向量、类别向量、归一化坐标向量、归一化面积进行拼接得到兴趣点的特征向量；记城市中兴趣点数量为D，第d个兴趣点的特征向量为sd，d＝1,2,…,D； S2：获取轨道交通站点特征向量，包括以下步骤： S2.1：获取每个轨道交通站点Stationn的位置数据，包括站点编号、地理坐标、所属线路编码、上一站距离和下一站距离，n＝1,2,…,N，N表示轨道交通站点的数量；然后根据每个站点的位置数据建立轨道交通无向图，具体方法为：将每个站点作为节点，根据站点之间的连接关系确定站点之间的边，相邻站点之间边的权重为这两个相邻站点之间列车的行驶时间； S2.2：对于每个兴趣点POId，计算其与各个轨道交通站点的地理位置距离，然后筛选出距离最近的K1个地理最近邻站点，K1的值根据实际情况设置；获取公众从每个地理最近邻站点到兴趣点POId所需的行程时长timenk,d，nk表示第k个地理最近邻站点的原始序号，k＝1,2,…,K1； 对于其他每个站点Stationn′，n′＝1,2,…,N，n′≠nk，计算其在轨道交通无向图与每个地理最近邻站点之间每条路径上边的权重和作为该条路径的行程时长，如果某个站点与某个地理最近邻站点之间不存在路径，则行程时长为无穷大；然后对于站点筛选出所有行程时长中的最小值，对应地理最近邻站点的序号记为对应行程时长记为计算得到站点Stationn′到兴趣点POId的行程时长关联度rn′,d＝1timen′,d； S2.3：对于每个兴趣点POId，筛选与其行程时长最小的前K2个轨道交通站点，作为兴趣点POId的行程最近邻站点，K2的值根据实际情况设置； S2.4：对于每个轨道交通站点Stationn，获取将站点Stationn作为行程最近邻站点的兴趣点集合ωn，将兴趣点集合ωn中各个兴趣点的特征向量拼接后再将拼接特征向量通过正交映射对齐至预设维度γ1得到特征向量Sn，将兴趣点集合ωn中各个兴趣点与站点Stationn的关联度构成关联度向量后再将关联度向量通过正交映射对齐至预设维度γ2得到特征向量Rn，从而构成站点Stationn的特征向量Gn＝[Linen,Numn,Sn,Rn]，其中，Linen表示轨道交通站点Stationn所属线路编号，Numn表示轨道交通站点Stationn的站点编号； S3：从社交媒体的文本中提取公众出行城市兴趣点特征，包括以下步骤： S3.1：根据实际需要设置关键词和时间段的时长，从社交媒体上爬取若干组文本信息，每组文本信息中包含T个连续时间段的文本信息，文本信息包括用户发布内容、评论和标签，采用预设的预处理方法对每个文本信息进行预处理得到文本数据； S3.2：对于步骤S3.1收集到的每个文本数据分别提取主题，筛选出交通出行类主题的文本数据，将其余主题的文本数据删除； S3.3：对于每组经过交通出行类主题筛选的文本数据，按照时间段将文本数据整合为一个合并文本数据，将T个时间段的合并文本数据构成文本数据序列； S3.4：从每个合并文本数据中挖掘出行兴趣内容特征并进行情感特征分析，然后构建出行兴趣特征矩阵，包括以下步骤： S3.4.1：对于每个文本数据序列中的每个合并文本数据，采用CBoW模型提取出该合并文本数据中若干个中心词wi的词向量fwi＝[ti,1ti,2…ti,H]，i＝1,2,…,M，M表示文本数据中中心词的数量，H表示词向量的维度； S3.4.2：对于每个文本数据序列中的每个合并文本数据，对其中每个中心词的词向量fwi进行情感特征分析，得到其情感极性ei：当情感特征分析结果为正面，则情感极性ei＝1；当情感特征分析结果为中性，则情感极性ei＝0；当情感特征分析结果为负面，则情感极性ei＝-1； S3.4.3：对于每个文本数据序列中的每个合并文本数据，将其中每个中心词的词向量和情感极性组合得到特征向量fi＝[ti,1ti,2…ti,Hei]，然后将每个特征向量fi作为行向量构建得到大小为M×H+1的出行兴趣特征矩阵F′； S3.5：根据兴趣点特征向量sd作为行向量构建大小为D×J的兴趣点特征矩阵S，J表示兴趣点特征向量sd的维度，然后采用正交映射将每个合并文本数据的出行兴趣特征矩阵F′变换至兴趣点特征矩阵S的向量空间，得到变换后的出行兴趣特征矩阵F； S3.6：对于每个文本数据序列中的每个合并文本数据，计算出行兴趣特征矩阵F与兴趣点特征矩阵S的皮尔逊相关系数PCCF,S； S3.7：对于每个文本数据序列中的每个合并文本数据，将出行兴趣特征矩阵F展开为向量将兴趣点特征矩阵S展开为向量然后拼接得到每个合并文本数据的公众出行兴趣特征向量进而得到文本数据序列对应的公众出行兴趣特征序列； S4：根据实际需要设置待预测轨道交通站点，对于每个文本数据序列，统计每个合并文本数据对应时间段和文本数据序列下一时间段该站点的客流数据，并提取得到客流特征向量； S5：构建客流预测模型，包括多头交叉注意力模型和LSTM网络，其中： 多头交叉注意力模型用于对待预测轨道交通站点的站点特征向量、公众出行兴趣特征向量和对应时间段的客流特征向量进行融合，得到融合特征向量，然后将文本数据序列得到的T个融合特征向量构成的融合特征向量序列输入LSTM网络； LSTM网络用于对接收到的融合特征向量序列提取特征，预测得到下一时间段的客流特征向量； 将步骤S3中得到的各个文本数据序列中合并文本数据的公众出行兴趣特征向量联合待预测轨道交通站点的站点特征向量、对应时间段的客流特征向量作为输入，将文本数据序列下一时间段该站点的客流特征向量作为标签，对客流预测模型进行训练，得到训练好的客流预测模型； S6：对于待预测轨道交通站点，爬取最近T个时间段的社交媒体的文本信息，按照步骤S3中的相同方法提取得到客流特征向量序列，然后联合待预测轨道交通站点的站点特征向量和对应时间段的客流特征向量，输入步骤S5训练好的客流预测模型中，得到下一时间段的预测客流特征向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。