地铁短时流量预测方法及装置制造方法及图纸

本发明专利技术提供一种地铁短时流量预测方法及装置，该方法包括：将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习，确定所述长短时记忆深度学习网络的参数；根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。本发明专利技术能实现对地铁短时流量的预测，方便出行决策及运输调度。

Method and device for forecasting short time flow of subway

The invention provides a method and device for predicting the subway traffic flow, the method comprises: a plurality of historical sampling time point of subway station and the subway stop traffic flow input length memory deep learning network learning parameters determining the memory length of deep learning network; according to the length of the learning memory deep learning network and the history of sampling time point of subway station and the subway stop traffic flow prediction to get the current sampling time point of the subway station and the subway stop traffic flow. The invention can realize the prediction of the short-time flow of the subway, and is convenient for the trip decision and the transportation scheduling.

【技术实现步骤摘要】

本专利技术涉及数据预测领域，尤其涉及一种地铁短时流量预测方法及装置。
技术介绍
随着公共交通网日益发达，地铁和公交等绿色出行成为了城市出行的重要组成部分。据统计，2014年，上海地铁共有运营线路15条，线路总长度578公里，车站339座，全路网日均客流量774万人次，占城市公交出行比例达到43％左右。分析和预测地铁客流，能够为线路和车站的客流组织与优化提供数据支撑,为居民出行提供更多决策依据，地铁拥堵问题，也能够为一些重大赛事、活动疏散提供决策依据。在短时客流预测模型中，主要包括：基于线性系统理论的预测方法如时间序列、卡尔曼滤波等方法；以及基于非线性系统理论的预测方法，如神经网络、小波分析、支持向量机等方法。1.时间序列预测时间序列预测方法主要分为三种重要的方法,它们分别是回归模型,集成模型和自平滑模型。Ahmed等人使用Box-Jenkins时间序列分析方法分析了高速公路交通流量，发现自回归积分滑动平均模型具备更优秀的效果。Williams等人基于ARIMA进行改进,提出了解释变量型自回归平滑模型季节性自回归积分滑动平均模型(SARIMA)等模型，提高了特定场景下的交通流量预测精度，但是ARIMA模型建立在时间滞后变量呈线性关联的假设上，所以它们不能反映实际存在着的非线性关系。2.卡尔曼滤波卡尔曼滤波是一种针对时变随机信号的滤波方法。众多学者将卡尔曼滤波成功应用于短时交通预测，获得了较好效果。Chien利用卡尔曼滤波预测不同时间内特定起始点-终止点对的旅行时间获得了令人满意的结果。Wang等人使用扩展卡尔曼滤波和一些交通控制算法，能够完成高速公路的交通状态估计，短时交通状态预测，旅行评价与预测等。3.小波分析小波是一种特殊的长度有限、平均值为0的波形，既能在时域很好地刻画信号的局部性，又能在频域反应信号的局部性.小波分析在短时交通预测中应用较为广泛。HongChen等针对高速公路的网络拓扑，连续与不连续的流量,车道上行和下行流量建立了Wavelet-RBF预测模型，该模型具有较高精度.Bidisha等采用小波分析结合贝叶斯层次分析方法进行交通流预测取得了不错效果。4.神经网络(NN)由于具备自适应和鲁棒性等特点，各种神经网络变体被用于预测研究。Tsaiet等人通过构建多时间片神经网络和并行集成神经网络来预测铁路流量，同时证明这两种方法均优于传统的多层感知器(MLP)。Cui等采用改进后向传播神经网络建立预测模型，学习速率不再为常数，使得模型具有自适应的特点。Corinne利用神经网络建立交通流量预测模型，取得了比较不错的预测结果.Jiang采用一种动态小波神经网络包含了交通流的自相似性，奇异性和分形特性。Abdulhai将遗传算法和神经网络相结合简化了网络结构，提高了预测精度。5.支持向量机(SVM)SVM基于结构风险最小化(SRM),比起基于经验风险最小化远侧(ERM)的常规神经网络具备更好的学习效率与性能。Qian利用改进遗传算法优化最小二乘支持向量机(LSSVM)的惩罚参数以及核参数对地铁客流进行预测，获得了较好效果。Leng结合小波分析以及LSSVM对北京地铁短时客流进行预测，取得了比小波神经网络Wavelet-NN以及模态分解后向神经网络EMD-BPN更好的预测性能。然而在之前的客流预测中，主要针对地面交通流，空运网络，较少有研究对地铁进行短时预测。因此，亟待提出一种短时客流预测策略，能够帮助地铁运营者在高峰期对地铁运行计划进行调整以适应变化，同时地铁运营人员也可以通过短时客流预测对地铁客流提前做针对性准备，乘客则能够提前知晓地铁客流量情况，有助于减缓地铁拥堵。
技术实现思路
本专利技术旨在解决上面描述的问题。本专利技术的一个目的是提供一种地铁短时流量预测方法及装置，以实现对地铁短时流量的预测，方便出行决策及运输调度。根据本专利技术的第一方面，一种地铁短时流量预测方法，包括：将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习，确定所述长短时记忆深度学习网络的参数；根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。根据本专利技术的第二方面，一种地铁短时流量预测装置，包括：数据输入单元，用于输入多个历史采样时间点的地铁进站流量及地铁出站流量至长短时记忆深度学习网络；长短时记忆深度学习网络，用于基于所述数据输入单元的输入数据进行学习以确定网络参数，并在学习后根据所述数据输入单元输入的历史采样时间点的地铁进站流量及地铁出站流量，预测得到当前采样时间点的地铁进站流量及地铁出站流量。本专利技术提出的一种地铁短时流量预测方法及装置，针对地铁短时客流量预测问题，充分发挥深度学习的优势，对地铁客流进行预测，方便出行决策及运输调度。参照附图来阅读对于示例性实施例的以下描述，本专利技术的其他特性特征和优点将变得清晰。附图说明并入到说明书中并且构成说明书的一部分的附图示出了本专利技术的实施例，并且与描述一起用于解释本专利技术的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本专利技术的一些实施例，而不是全部实施例。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，可以根据这些附图获得其他的附图。图1示例性地示出了一种地铁短时流量预测方法的流程图；图2示例性地示出了一种地铁短时流量预测方法中长短时记忆深度学习网络的框架图；图3示例性地示出了图2中隐藏单元的功能结构图；图4示例性地示出了一种地铁短时流量预测装置的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。如图1所示，一种移动终端地铁短时流量预测方法，包括：步骤101：将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习；根据实验确定，本专利技术长短时记忆深度学习网络的结构可以如图2所示：包括从输入侧到输出侧依次连接的LSTM(Long-shortTermMemory,长短时间记忆)层、第一Dense层(稠密层)、第二Dense层及第三Dense层；其中所述LSTM层及第一Dense层的激活函数为Sigmoid函数(S型生长曲线)；所述第二Dense层及第三Dense层的激活函数为ReLU(纠正线性单元，RectifiedLinearUnit)函数。所述LSTM层、第一Dense层、第二Dense层及第三Dense层中隐藏单元的数量分别为100、256、32及1。每一个隐藏单元的功能结构如图3所示，LSTM单元通过存储单元保存历史信息。历史信息的更新和利用主要受到三个门的控制，分别是输入门，遗忘门，输出门。设h为LSTM单元输出，c为长短时记忆深度学习网络记忆单元的值，x为输入数据。LSTM单元的更新主要分为以下几个步骤。第1步：按照传统递归神经网络计算当前时刻的候选记本文档来自技高网...

【技术保护点】
一种地铁短时流量预测方法，其特征在于，包括：将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习，确定所述长短时记忆深度学习网络的参数；根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。

【技术特征摘要】
1.一种地铁短时流量预测方法，其特征在于，包括：将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习，确定所述长短时记忆深度学习网络的参数；根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。2.根据权利要求1所述的地铁短时流量预测方法，其特征在于，所述长短时记忆深度学习网络包括从输入侧到输出侧依次连接的LSTM层、第一Dense层、第二Dense层及第三Dense层；其中所述LSTM层及第一Dense层的激活函数为Sigmoid函数；所述第二Dense层及第三Dense层的激活函数为ReLU函数。3.根据权利要求2所述的地铁短时流量预测方法，其特征在于，所述第二Dense层及第三Dense层为全连接层，并且/或者，在所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习的过程中使用Dropout[24,25]的方式防止过拟合。4.根据权利要求3所述的地铁短时流量预测方法，其特征在于，在所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习的过程中将Dropout比例设置为0.2。5.根据权利要求2-4中任一项所述的地铁短时流量预测方法，其特征在于，所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习包括：将多个历史采样时间点的地铁进站流量及地铁出站流量与时间类型输入长短时记忆深度学习网络进行学习；所述时间类型为各历史采样时间点的类别。6.根据权利要求5所述的地铁短时流量预测方法，所述类别包含七类：表征工作日第一天的第一类、表征工作中的第二类、表征工作日最后一天的第三类、表征放假第一天的第四类、表征放假中的第五类、表征放假最后一天的第六类以及表征单天假的第七类；并且/或者，所...

【专利技术属性】
技术研发人员：彭玲，林晖，池天河，刘天悦，李祥，徐逸之，张丽，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京;11