本发明属于数据处理领域，特别涉及一种空间关联特征的提取方法及系统。
背景技术：
od数据是指一定时间段内从出发地（o点）到目的地（d点）之间的社会或经济交互关系变量大小，又称od量数据。这种一定时间段内空间地理单元之间的交互关系，包括地区之间的经济贸易规模、社会交流频度或旅客与货物运输量。所有出发地（o点）到目的地（d点）之间od量的组合，称为od矩阵。对于od数据的预测通常是进行地区之间社会经济活动规划与决策的一个重要依据。通常od数据预测的任务，是在给定的历史od数据（及相应的环境信息）的前提下，预测后续时段的od数据，从而作为社会经济活动组织与管理决策的重要依据。
对于某一交通线网，其od数据在空间上存在复杂的空间依赖关系，这种空间依赖按成因可进一步划分为出发地依赖和目的地依赖。两种空间依赖与常规空间数据中所体现的空间依赖关系存在显著差异。如何对其进行精准识别，是od数据精确预测的重要基础。
出发地依赖：从相邻的出发地开始，至某一特定目的地结束的od量之间，所存在的相互关联关系。例如在地铁线网中，从某一居住区附近的相邻车站出发，到达市中心同一车站的旅客出行量，呈现出相同的变化规律。
目的地依赖：从某一特定出发地开始，至相邻的目的地结束的od量之间，所存在的相互关联关系。例如在地铁线网中，从某一居住区车站出发，到达市中心相邻车站的旅客出行量，也具有较强的正相关关系。
近年来，深度学习在各领域成功应用激发了其在交通和运输领域的应用研究和尝试。例如，部分研究将整个城市的路网交通量看作一个热力图（其中每个像素值代表相应区域内的交通量），并使用卷积神经网络(cnn)对非线性的空间依赖进行建模。另外，一些研究者提出利用循环神经网络（rnn）建立非线性时间依赖模型进行交通流预测。后续研究将cnn与rnn进行有机融合，提出了同时考虑时间与空间依赖关系的综合预测模型，进一步提高了预测的精准度。然而，这些研究大多以城市道路交通流作为研究对象，对od数据需求复杂的空间分布和依赖特性考虑不足，难以实现精准预测。
技术实现要素：
针对上述问题，本发提供一种空间关联特征的提取方法，其中，包括：
步骤s1：对空间关联数据进行选取获得周期数据集及趋势数据集；
步骤s2：基于时间滑动机制对周期数据集进行处理后，对周期数据集进行特征提取与聚合获得特征图；
步骤s3：构建残差卷积单元，根据趋势数据集及特征图提取空间关联特征。
上述的提取方法，其中，于所述步骤s1中包括：
根据空间关联数据以不同的时间段为预测目标选取出周期数据集以及趋势数据集。
上述的提取方法，其中，所述周期数据集包括周间隔历史周期数据集及日间隔历史周期数据集，所述趋势数据集为当日趋势数据集。
上述的提取方法，其中，于所述步骤s2中包括：
步骤s21：基于时间滑动机制对周间隔历史周期数据集及日间隔历史周期数据集进行处理获得滑动周间隔历史周期数据集及滑动日间隔历史周期数据；
步骤s22：通过二维逐点卷积层对滑动周间隔历史周期数据集及滑动日间隔历史周期数据集进行特征提取与聚合获得特征图。
上述的提取方法，其中，于所述步骤s3中包括：
步骤s31：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
步骤s32：通过一维逐点卷积层提取空间关联结构，并将出发地依赖及目的地依赖特征聚合输出空间关联特征。
本发明还提供一种空间关联特征的提取系统，其中，包括：
数据集构建单元：对空间关联数据进行选取获得周期数据集及趋势数据集；
特征图获得单元：基于时间滑动机制对周期数据集进行处理后，对周期数据集进行特征提取与聚合获得特征图；
残差卷积单元构建单元：构建残差卷积单元，根据趋势数据集及特征图提取空间关联特征。
上述的提取系统，其中，所述数据集构建单元根据空间关联数据以不同的时间段为预测目标选取出周期数据集以及趋势数据集。
上述的提取系统，其中，所述周期数据集包括周间隔历史周期数据集及日间隔历史周期数据集，所述趋势数据集为当日趋势数据集。
上述的提取系统，其中，所述特征图获得单元包括：
数据集处理模块：基于时间滑动机制对周间隔历史周期数据集及日间隔历史周期数据集进行处理获得滑动周间隔历史周期数据集及滑动日间隔历史周期数据；
特征图获得模块：通过二维逐点卷积层对滑动周间隔历史周期数据集及滑动日间隔历史周期数据集进行特征提取与聚合获得特征图。
上述的提取系统，其中，所述残差卷积单元构建单元包括：
依赖特征提取模块：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
空间关联特征输出模块：通过一维逐点卷积层提取空间关联结构，并将出发地依赖及目的地依赖特征聚合输出空间关联特征。
本发明针对于现有技术其功效在于：针对空间关联数据的复杂空间关联，构建客流残差卷积单元同时对出发地依赖与目的地依赖特征进行识别，实现对复杂空间依赖的准确描述，为今后时空预测提供更为准确的数据支撑。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提取方法的流程图；
图2为图1中步骤s2的分步骤流程图；
图3为图1中步骤s3的分步骤流程图；
图4为提取系统的结构示意图；
图5为od稀疏时空残差网络模型示意图；
图6为周期历史特征提取的滑动时间窗机制示意图；
图7为od残差卷积单元结构示意图；
图8为空间特征提取示意图；
图9为简化时序处理单元结构示意图；
图10为时序堆叠特征矩阵处理过程示意图；
图11为考虑稀疏性的非零元素注意机制示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
关于本文中的“多个”包括“两个”及“两个以上”。
请参照图1，图1为本发明提取方法的流程图。如图1所示，本发明的空间关联特征的提取方法，包括：
步骤s1：对空间关联数据进行选取获得至少一周期数据集及趋势数据集。
具体地说，于步骤s1中根据空间关联数据以不同的时间段为预测目标选取出至少一周期数据集以及趋势数据集，其中至少一周期数据集包括周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者，所述趋势数据集为当日趋势数据集。
步骤s2：基于时间滑动机制对至少一周期数据集进行处理，对处理后的至少一周期数据集进行特征提取与聚合获得特征图。
请参照图2，图2为图1中步骤s2的分步骤流程图。如图2所示，于所述步骤s2中包括：
步骤s21：基于时间滑动机制对至少一周期数据集进行处理对应地获得至少一滑动周期数据集；
步骤s22：通过二维逐点卷积层对至少一滑动周期数据集进行特征提取与聚合获得特征图。
步骤s3：构建残差卷积单元，根据趋势数据集及特征图提取空间关联特征。
请参照图3，图3为图1中步骤s3的分步骤流程图。如图3所示，于所述步骤s3中包括：
步骤s31：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
步骤s32：通过一维逐点卷积层提取空间关联结构，并将出发地依赖及目的地依赖特征聚合输出空间关联特征。
以下请参照图5-10，结合图5-10以具体实施例说明提取方法的原理。需要说明的是，在本实施例中，以本发明的提取方法应用于轨道交通客流量的需求预测，但本发明并不以此为限，在其他实施例中，还可应用于其他同时具有起讫点的社会经济现象的分析与预测，如国家和地区之间的贸易、人口迁移，各种方式的客货运输等。
首先，对空间关联数据进行预处理。
具体地说，在本步骤中根据历史数据以不同的时间段为预测目标选取出周间隔历史周期数据集、日间隔历史周期数据集以及当日趋势数据集。
定义1：对于包含n个车站轨道交通线网，设其所有车站的集合为s（s={1,2,3,…,n}），在研究的第t个时间段内所有出行的集合为pt，对于车站i(i∈s)、j(j∈s)而言，第t个时间段内从车站i出发到达车站j的od客流量
其中，po与pd分别表示第t个时间段内的第p次出行的出发地和目的地，|˙|则表示集合的势，集合的势是集合中元素的数目，式（1）中，
|{po=i∧pd=j}|表示集合{po=i∧pd=j}中的元素个数。
定义2（od客流矩阵）：在研究的轨道交通线网中，其第t个时间段内所有车站之间的od客流量
对于特定轨道交通线网，给定前m-1个时间段内的od客流矩阵{xt|t=1,2,3,…,m-1}，预测其第m个时间段内的od客流矩阵xm，是为轨道交通线网客流预测问题，可以表示为：
其中，ω(˙)为预测模型或预测函数，et为第t个时段内的环境变量，用以描述天气状况（晴天、多云、雨、雪、雾）、气温、风速以及是否是节假日等环境信息。其次，根据处理后的数据构建od客流稀疏时空残差网络模型。
其中，于本步骤中包括：
1）基于时间滑动机制对周间隔历史周期数据集及日间隔历史周期数据集进行处理获得滑动周间隔历史周期数据集及滑动日间隔历史周期数据。
具体地说，请结合参照图5，图5为od客流稀疏时空残差网络模型示意图。如图5所示，所预测的第t个时段的od客流矩阵，与前t-1个时间段内的od客流矩阵不全都存在强关联性。例如，某个周二的早高峰8:00的od客流，仅与当天7:00-8:00的关联性较强，同时和以前数个工作日和数个周二早高峰8:00附近的历史数据关联性也较强，而很少依赖于其他时段的客流数据。因此，本发明从历史数据中分别选取周间隔历史周期数据集、日间隔历史周期数据集以及当日趋势数据集作为od客流稀疏时空残差网络模型的输入变量。
其中，当日趋势数据集str由拟预测时段t的前qtr个时段的od客流矩阵构成，如下式所示。其中，
由于每个周期内od客流演化规律存在一定差异性，拟预测时段t的od客流并不仅仅与历史上整数个周期间隔前的观测值存在强关联性，还在一定程度上依赖于其周围时段的观测值。例如，某个周二的早高峰8:00的od客流，与上一个周二早高峰8:00及其临近时段的观测值都存在强关联性。因此，在构建周间隔与日间隔历史周期数据集时，需要考虑一定时间滑动机制。对于第kw个周间隔与第kd个的日间隔的滑动历史数据集
其中，
其中，
2）构建二维逐点卷积层对滑动周间隔历史周期数据集及滑动日间隔历史周期数据集进行特征提取与聚合获得特征图。
请参照图6，图6为周期历史特征提取的滑动时间窗机制示意图。如图图5-6所示，图5中的a部分，本发明采用二维逐点卷积层1x1_cov2对滑动历史数据集
其中，
再次，构建od客流残差卷积单元，对特征图及当日趋势数据集提取空间特征。
于本步骤中包括：
1）构建多个深度分离一维卷积层，通过堆叠多个深度分离一维卷积层对出发地依赖或目的地依赖特征的提取；
2）构建一维逐点卷积层，通过一维逐点卷积层提取空间关联结构，并将两种空间依赖聚合输出空间特征。
请参照图7及图8；图7为od客流残差卷积单元结构示意图；图8为空间特征提取示意图。如图7及图8所示，在图5中的b部分，本发明提出一种od客流残差卷积单元od_resunit同时对出发地依赖与目的地依赖特征进行提取，其结构如图7所示。通过堆叠多个深度分离一维卷积层ds_cov1，od客流残差卷积单元实现对出发地依赖或目的地依赖特征的提取，同时利用一维逐点卷积层1x1_cov1提取空间关联结构，并将两种空间依赖聚合输出。od客流残差卷积单元还引入了残差连接，以防止梯度消失的发生。分别对
图8展示了基于ds_cov1与1x1_cov1的空间特征提取原理。以目的地依赖特征提取为例，本文将od客流矩阵中的行看作通道维。od客流矩阵可转化为包含n个通道的1×n维图片，各通道表示由特定车站出发的od客流结构。ds_cov1可利用1×n结构，其中本发明采用1×3的卷积核提取从同一车站出发，到达相邻车站的od客流之间的关联关系，但本发明并不以此为限。由于ds_cov1在不同通道采用不同的卷积核，od客流残差卷积单元实现了所有出发车站的目的地依赖特征提取。通过堆叠多个ds_cov1层，od客流残差卷积单元能够进一步识别更大空间范围的目的地依赖特征。最后，od客流残差卷积单元利用1x1_cov1，识别某一路段（通道）与其他路段之间的关联结构，进一步提高目的地关联特征的描述能力。od客流残差卷积单元对出发地依赖特征的提取过程与目的地依赖特征类似，只需在提取前对输入的od客流矩阵进行转置处理即可。
又次，构建简化时序处理单元从多个空间特征中提取非线性的时序关联特征完成时空特征聚合后获得历史时空预测。
于本步骤中包括：
1）将空间特征在时间上进行堆叠，得到当日趋势空间特征集、周间隔周期空间特征集以及日间隔周期空间特征集；
2）构建多个二维逐点卷积层，通过连续的多个二维逐点卷积层用于从当日趋势空间特征集、周间隔周期空间特征集以及日间隔周期空间特征集中提取非线性的时序关联特征；
3）根据提取的时序关联特征获得当日趋势时空预测值、周间隔周期时空预测值以及日间隔周期时空预测值；
4）根据当日趋势时空预测值、周间隔周期时空预测值以及日间隔周期时空预测值获得历史时空预测值。
请参照图9及图10；图9为简化时序处理单元结构示意图；图10为时序堆叠特征矩阵处理过程示意图。如图9及图10所示，传统循环神经网络（rnn），例如长短时记忆网络（lstm），能够自动学习时间序列中的长时依赖。然而，预测整个交通线网的od客流矩阵要求rnn具有较高的隐藏层和输出层特征维度，这需要巨量的训练样本和计算资源，在大多数应用场景中往往难以满足。根据前文所述的od客流时间依赖特征，拟预测时段的od客流仅与之前数个时间段、数周或数天的观测值具有强关联性。鉴于模型中所考虑的两种周期依赖及当日趋势依赖中的时间段数目较少，本发明提出了一种简化时序处理单元（simp_sequnit）。
图9展示了简化时序处理单元的完整结构。在简化时序处理单元中，连续的多个二维逐点卷积层1x1_cov2用于从多个时间段的空间特征中提取非线性的时序关联特征，而输出通道为1的1x1_cov2层则完成最终的时空特征聚合。简化时序处理单元的详细原理如图10所示。相对于传统rnn，简化时序处理单元在考虑的时间段数目较少时，能够利用较少的参数实现所有车站od客流的非线性时间特征提取和预测，在小数据集上更加灵活高效。
具体地说，图5中的c部分展示了利用简化时序处理单元进行od客流时间依赖特征提取的过程。将od客流残差卷积单元所获得的空间特征
分别利用简化时序处理单元对utr、uw与ud进行时序特征提取，得到当日趋势时空预测值ztr(
其中，φ为简化时序处理单元的处理函数，
然后，根据历史时空预测及外部环境预测获得初步预测。
具体地说，在考虑外部环境因素影响的情况下，将历史时空预测值zst与外部环境预测值zet（可通过普通线性层从et中获取）进行求和，可得到t时段的初步预测值
再然后，引入稀疏性的非零注意机制根据初步预测获得最终预测。于本步骤中包括：
1）根据周间隔历史周期数据集、日间隔历史周期数据集以及当日趋势数据集获得od客流矩阵均值；
2）通过非零激活函数，将od客流矩阵均值转化为非零元素注意矩阵；
3）通过非零元素注意矩阵对初步预测值进行过滤，获得某一时段od客流矩阵的最终预测值。
另外，在本文所考虑的当期趋势依赖、日间隔周期依赖及周间隔周期依赖的基础上，可进一步考虑月间隔（4周）周期依赖与年间隔周期依赖（52周）。通过在本发明所提出方法的步骤s21中，增加月间隔周期与年间隔周期历史数据集，采用类似于日间隔周期及周间隔周期历史数据集的处理流程，提取相应的时空特征，从而用于最终的od客流量预测，这可以作为本发明的又一实施例。在考虑月间隔周期依赖与年间隔周期依赖的基础上，式（11）所示的的历史时空预测值计算可更新为式（11-1），其中，和分别是月间隔周期与年间隔周期时空预测值。
再请参照图11，图11为考虑稀疏性的非零元素注意机制示意图。如图11所示，为了描述od客流在空间分布上的稀疏性，在图5中的d部分，本发明还引入了一种非零注意机制(non-zeroactivation)，其原理如图11所示。由于一定时间内的od客流矩阵的稀疏性保持稳定。因此，本文以所有输入数据集的od客流矩阵均值
其中，*表示矩阵的逐元素乘运算。本文所利用的非零激活函数λ如式（14），其参数λ可根据实际的数据分布设置。当参数λ足够大时，即使微小的x取值，也能使λ(x)趋近1。可见，所设计的非零注意机制，不仅在一定程度上保证了
其中，利用深度神经网络的反向传播规则和adam算法对od客流稀疏时空残差网络模型进行训练。具体地说，根据构建当日趋势数据集、周间隔周期数据集与日间隔周期数据集形成训练样本集，根据训练样本集利用深度神经网络的反向传播规则和adam算法进行模型训练。模型训练目标为最小化平均平方误差平方根（rmse）误差损失，rmse如式（15）所示。
但是对于所预测的稀疏od客流矩阵，由于常规的预测偏差评价指标——平均绝对百分误差（mape）可能存在被除数为0的情况，本发明提出一种总体绝对百分误差（gape）评估整个od客流矩阵的预测准确精度，如下式所示：
具体地说，输入归一化的历史od客流矩阵观测值集合：{x1,x2,…,xm-1}；外部环境信息观测值集合：{e1,e2,…,em-1}；周依赖历史数据、日依赖历史数据与当期趋势历史数据的序列长度：qw、qd、qtr周依赖历史数据、日依赖历史数据的滑动窗口：pw、pd；研究时间段长度：h（单位：分钟，则一天包含的时段总数：i=1440/h），对od客流稀疏时空残差网络模型进行训练。
其中，本发明通过引入7种既有模型作为基准，以验证所提出od客流稀疏时空残差网络模型的先进性。7中基准模型的基本设定如下：
历史平均（ha）：直接将所输入的周间隔周期数据集以及日间隔周期数据集进行历史同期平均，作为所预测时刻od客流矩阵的预测值。
自回归滑动平均（arima）：自回归滑动平均是时间序列预测的经典模型，此处利用其对当日趋势时间序列进行预测。
三维卷积网络（cnn3）：直接利用三维卷积网络对当日趋势时间序列进行空间和时间特征同时提取（不进行出发地和目的地依赖的分别处理）和预测。
普通循环神经网络（rnn）：先对日趋势时间序列中的每一个od客流矩阵进行特征提取，再利用rnn进行预测。
长短时记忆网络（lstm）：先对日趋势时间序列中的每一个od客流矩阵进行特征提取，再利用lstm进行预测。
深度时空网络（deepst）：针对时空数据的时空深度神经网络预测模型，主要用于进行城市范围内的人流聚集预测。
时空残差网络（st-resnet）：针对时空数据的时空残差网络模型，堆叠了多个cnn及相应的残差连接进行空间特征识别，主要用于城市交通流预测。
表17种基准模型与所提出od-sparsestnet的预测结果对比
表1展示了7种基准模型与所提出od-sparsestnet模型的在早高峰8:00-8:15（或早高峰8:00-8:05）时段的预测结果对比。由于ha方法仅部分考虑了周间隔与日间隔的历史周期依赖，而对于空间依赖缺乏考虑，其预测结果的rmse与gape值最高，预测偏差最大。arima、rnn与lstm本质上都是时序模型，能较好的识别当日趋势依赖而无法识别od客流的复杂空间依赖，三者的预测指标也仅优于ha方法。特别是在输出特征维度较大时，由于rnn与lstm需要大量隐藏层参数，导致其难以适用于整个交通线网的od客流矩阵预测，存在很大的预测偏差。
cnn3可将od客流矩阵的时间变化看作第三个维度，能够在一定程度上提取当日时间依赖和空间依赖特征，其预测结果也优于三种时序模型和ha方法。作为典型的时空数据处理模型，deepst与st-resnet能够同时提取多重的时间关联和外部因素特征，且其内部的cnn也能在一定程度上识别空间依赖。相对于其他基准模型，二者的预测偏差大幅下降。然而，deepst与st-resnet仍然无法对od客流所特有的出发地与目的地依赖进行精细刻画，对数据的稀疏分布也缺乏考虑。
所提出od-sparsestnet在考虑交通线网od客流所特有的复杂时间依赖（周间隔周期依赖、日间隔周期依赖，当日趋势依赖）与空间依赖（出发地依赖、目的地依赖）的基础上，进一步引入了非零激活机制描述od客流的稀疏分布特征。其预测偏差显著低于既有的空间模型（cnn3），时序模型（arima、rnn与lstm）以及时空模型（deepst与st-resne），预测偏差降低了降低14.89%以上。
请参照图4，图4为提取系统的结构示意图。如图4所示，本发明提取系统包括：
数据集构建单元11：对空间关联数据进行选取获得至少一周期数据集及趋势数据集；
特征图获得单元12：基于时间滑动机制对至少一周期数据集进行处理，对处理后的至少一周期数据集进行特征提取与聚合获得特征图；
残差卷积单元构建单元13：构建残差卷积单元，根据趋势数据集及特征图提取空间关联特征。
其中，所述数据集构建单元11根据空间关联数据以不同的时间段为预测目标选取出周期数据集以及趋势数据集。
其中，至少一周期数据集包括周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集、年间隔历史周期数据集以及当日趋势数据集中的至少一者，所述趋势数据集为当日趋势数据集。
进一步地，所述特征图获得单元12包括：
数据集处理模块121：基于时间滑动机制对至少一周期数据集进行处理对应地获得至少一滑动周期数据集；
特征图获得模块122：通过二维逐点卷积层对至少一滑动周期数据集进行特征提取与聚合获得特征图。
再进一步地，所述残差卷积单元构建单元13包括：
依赖特征提取模块131：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
空间关联特征输出模块132：通过一维逐点卷积层提取空间关联结构，并将出发地依赖及目的地依赖特征聚合输出空间关联特征。
综上所述，针对空间关联数据的复杂空间关联，构建残差卷积单元同时对出发地依赖与目的地依赖特征进行识别，实现对复杂空间依赖的准确描述，为今后时空预测提供更为准确的数据支撑。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
1.一种空间关联特征的提取方法，其特征在于，包括：
步骤s1：对空间关联数据进行选取获得至少一周期数据集及趋势数据集；
步骤s2：基于时间滑动机制对至少一周期数据集进行处理，对处理后的至少一周期数据集进行特征提取与聚合获得特征图；
步骤s3：构建残差卷积单元，根据趋势数据集及特征图提取空间关联特征。
2.如权利要求1所述的提取方法，其特征在于，于所述步骤s1中包括：
根据空间关联数据以不同的时间段为预测目标选取出至少一周期数据集以及趋势数据集。
3.如权利要求1-2中任一项所述的提取方法，其特征在于，所述至少一周期数据集包括周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者，所述趋势数据集为当日趋势数据集。
4.如权利要求2所述的提取方法，其特征在于，于所述步骤s2中包括：
步骤s21：基于时间滑动机制对至少一周期数据集进行处理对应地获得至少一滑动周期数据集；
步骤s22：通过二维逐点卷积层对至少一滑动周期数据集进行特征提取与聚合获得特征图。
5.如权利要求4所述的提取方法，其特征在于，于所述步骤s3中包括：
步骤s31：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
步骤s32：通过一维逐点卷积层提取空间关联结构，并将出发地依赖及目的地依赖特征聚合输出空间关联特征。
6.一种空间关联特征的提取系统，其特征在于，包括：
数据集构建单元：对空间关联数据进行选取获得至少一周期数据集及趋势数据集；
特征图获得单元：基于时间滑动机制对至少一周期数据集进行处理，对处理后的至少一周期数据集进行特征提取与聚合获得特征图；
残差卷积单元构建单元：构建残差卷积单元，根据趋势数据集及特征图提取空间关联特征。
7.如权利要求6所述的提取系统，其特征在于，所述数据集构建单元根据空间关联数据以不同的时间段为预测目标选取出至少一周期数据集以及趋势数据集。
8.如权利要求6-7中任一项所述的提取系统，其特征在于，所述至少一周期数据集包括周间隔历史周期数据集、日间隔历史周期数据集、月间隔历史周期数据集以及年间隔历史周期数据集中的至少一者，所述趋势数据集为当日趋势数据集。
9.如权利要求8所述的提取系统，其特征在于，所述特征图获得单元包括：
数据集处理模块：基于时间滑动机制对至少一周期数据集进行处理对应地获得至少一滑动周期数据集；
特征图获得模块：通过二维逐点卷积层对至少一滑动周期数据集进行特征提取与聚合获得特征图。
10.如权利要求9所述的提取系统，其特征在于，所述残差卷积单元构建单元包括：
依赖特征提取模块：通过堆叠多个深度分离一维卷积层对出发地依赖及目的地依赖特征的提取；
空间关联特征输出模块：通过一维逐点卷积层提取空间关联结构，并将出发地依赖及目的地依赖特征聚合输出空间关联特征。
技术总结