基于循环神经网络的城市轨道交通短时客流预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113902011A(43)申请公布日2022.01.07(21)申请号202111170942.0(22)申请日2021.10.08(71)申请人南威软件股份有限公司地址362000福建省泉州市丰泽区丰海路南威大厦2号楼16层(72)发明人吴志雄张惠臻高正凯(74)专利代理机构泉州市文华专利代理有限公司35205代理人陈雪莹(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06Q10/04(2012.01)G06Q50/30(2012.01)权利要求书2页说明书14页附图13页(54)发明名称基于循环神经网络的城市轨道交通短时客流预测方法(57)摘要本发明实施例公开一种基于循环神经网络的城市轨道交通短时客流预测方法，包括：获取历史站点客流量数据集，根据站点聚类数目和客流量的最大值及最小值，计算每一个聚类的聚类中心点，然后采用聚类算法对站点客流量数据集进行聚类，实现对站点的聚类；根据输入变量将历史站点客流量数据集与天气数据进行整合得到模型数据集，基于LSTM模型与GRU模型搭建短时客流预测模型，然后训练直至收敛，得到优化的短时客流预测模型及其参数组合。本发明实施例还通过RMSE与MAE的模型评价方法对得到的短时客流预测模型进行评价，从而验证模型预测结果的准确性。本发明方法考虑因素全面，实用性强，可为轨道交通运营管理提供必要的参考数据，大大提高运营管理效率。CN113902011ACN113902011A权利要求书1/2页1.一种基于循环神经网络的城市轨道交通短时客流预测方法，其特征在于，包括：站点聚类过程及预测模型构建训练过程；所述站点聚类过程包括：获取历史站点客流量数据集，根据站点聚类数目和客流量的最大值及最小值，计算每一个聚类的聚类中心点，然后采用聚类算法基于站点客流量数据集实现对站点的聚类；所述预测模型构建训练过程包括：设定输入变量，然后根据所述输入变量将历史站点客流量数据集与天气数据进行整合得到模型数据集；所述输入变量包括站点历史客流量、天气条件、是否为高峰时段以及是否为工作日；其中，所述站点历史客流量根据不同时间粒度进行划分，所述天气条件通过对天气变量与客流量进行相关性分析，将相关性大于设定条件的天气变量作为模型的天气条件输入变量，是否为高峰时段根据站点的聚类结果进行对应设置；基于LSTM模型与GRU模型搭建短时客流预测模型，然后划分所述模型数据集得到训练集和测试集，将所述训练集输入所述短时客流预测模型，通过训练迭代到规定的迭代次数直至收敛，得到优化的短时客流预测模型及其参数组合。2.根据权利要求1所述的方法，其特征在于，所述站点聚类过程具体包括：步骤11、获取站点客流量数据集N，站点数目为n，站点聚类数目为k，计算所有样本数据的最大值Max(N)与最小值Min(N)，选取Max(N)与Min(N)间的k+1等分点作为初始每一个聚类c的聚类中心点μc,c＝1,2,…,k；步骤12、计算所有样本点i,i＝1,2,…,n到已经被选定的每一个聚类中心μc的距离dis(i,μc)，将样本点i分配给与其距离最近的聚类中心所代表的类c*中，步骤13、计算每个聚类中样本点客流均值其中，Ic表示聚类c中的所有项目；将Ac作为新的聚类中心，即μc＝Ac,c＝1,2,…,k；步骤14、记录上轮聚类中的距离和lastSc＝Sc，重复步骤12；步骤15、如果lastSc与Sc相差大于0.0001，则返回步骤13，否则聚类结束。3.根据权利要求1所述的方法，其特征在于，所述预测模型构建训练过程中，利用Pearson相关系数对天气变量与客流量进行相关性分析，Pearson相关系数如下式：其中，X是客流量数据，Xi表示第i个时间段的客流量，与SX分别是客流量的平均数和方差；Y是影响因素相关的数据，Yi表示第i个时间段的影响因素的值，与SY分别是影响因素值的平均数和方差，n是数据量。4.根据权利要求1所述的方法，其特征在于：所述预测模型构建训练过程中，短时客流预测模型具体包括：输入层、至少一个隐藏层及输出层，其中，每一隐藏层由七层LSTM模型或GRU模型及四层Dropout层组成。5.根据权利要求4所述的方法，其特征在于：所述短时客流预测模型包括第一隐藏层和2CN113902011A权利要求书2/2页第二隐藏层；所述第一隐藏层和第二隐藏层的输入端均分别与所述输入层连接，所述第一隐藏层和第二隐藏层的输出端均分别与所述输出层连接；所述第一隐藏层依次包括：第一LSTM层、第二LSTM层、第三LSTM层、第一Dropout层、第四LSTM层、第二Dropout层、第五LSTM层、第六LSTM层、第三Dro