基于A-LSTM的城市轨道交通客流量预测方法技术

本发明专利技术属于机器学习领域，本发明专利技术请求保护一种基于A‑LSTM的城市轨道交通客流量预测方法，所述方法涉及时间特征、空间特征提取以及预测算法设计三个部分；时间特征主要是通过分层聚类的方法对星期这个因素进行聚类分析，寻找星期之间的联系；空间特征指的是不同地铁站的客流量分布特征，通过对不同站点进行分析，寻找空间上的客流量分布关系；预测算法主要是通过基于一种改进的LSTM的神经网络，加入注意力机制，使LSTM网络更加关注模型对预测影响更大的输入特征，从而对客流量数据进行更精确的预测。

Passenger Flow Forecasting Method of Urban Rail Transit Based on A-LSTM

The invention belongs to the field of machine learning. The invention requests to protect a passenger flow forecasting method of Urban Rail Transit Based on A_LSTM, which involves three parts: time feature, spatial feature extraction and forecasting algorithm design. Time feature mainly carries out clustering analysis on the factors of the week through hierarchical clustering method to find the relationship between the weeks. It is the distribution characteristics of passenger flow in different metro stations, through the analysis of different stations, to find the spatial distribution relationship of passenger flow; the prediction algorithm is mainly based on an improved LSTM neural network, adding attention mechanism, so that the LSTM network pays more attention to the input characteristics of the model, which has greater impact on the prediction, so that the passenger flow data can be more accurately predicted.

【技术实现步骤摘要】
基于A-LSTM的城市轨道交通客流量预测方法
本专利技术涉及一种基于A-LSTM(AttentionLongShortTermMemory)的城市轨道交通客流量预测方法；为城市轨道交通的调度提供服务，属于轨道交通与数据挖掘的交叉领域。
技术介绍
城市规模的快速发展、路网总量的不断提升、机动车保有量快速增长，交通问题已经成为城市发展和管理最重要的问题之一。随着道路通行能力的有限供给相对于交通需求总量快速增长的落后差距拉大，交通需求与交通供给之间矛盾日益凸显，虽然很多城市都已经建设了城市轨道交通系统，但是早晚高峰期的交通拥堵问题依然是城市人非常关心的问题之一。而且，随着生活素质不断提升，人们对城市轨道交通的安全、快捷、便利的需求越来越高，不仅如此，交通拥堵如果解决不好，还会阻碍一个城市或地区的经济发展、影响一个城市或地区的形象。交通问题不仅在发展中国家，就是在发达国家也是令人困扰的严重问题。由于严重的生命和财产损失，公众和政府更加关注交通问题。中国的城市轨道交通虽然起步较晚，但近年来发展十分迅速，目前已有北京、上海、广州、天津、大连、深圳、南京和重庆等城市建成了城市轨道交通运营线路。然而本文档来自技高网...

【技术保护点】
1.一种基于A‑LSTM的城市轨道交通客流量预测方法，其特征在于，所述方法包括以下步骤：S1：获取城市轨道交通客流量数据，获得其客流量空间分布特征及时间分布特征；S2：对空间分布特征进行处理，提取出不同地铁站的线路特征、站点特征和断面客流量特征，这三个特征即空间特征；S3：对时间分布特征进行预处理，采用分层聚类的方法对时间分布特征进行聚类分析，划分出不同样本类型；提取出一个星期中每天的客流量分布特征，再将每天的客流量分布特征划分为多个时间段，提取出每个时间段的客流量分布特征；这两个分布特征即时间特征；S4：采用基于注意力机制的长短时记忆神经网络A‑LSTM模型，利用带有空间特征和时间特征的历史...

【技术特征摘要】
1.一种基于A-LSTM的城市轨道交通客流量预测方法，其特征在于，所述方法包括以下步骤：S1：获取城市轨道交通客流量数据，获得其客流量空间分布特征及时间分布特征；S2：对空间分布特征进行处理，提取出不同地铁站的线路特征、站点特征和断面客流量特征，这三个特征即空间特征；S3：对时间分布特征进行预处理，采用分层聚类的方法对时间分布特征进行聚类分析，划分出不同样本类型；提取出一个星期中每天的客流量分布特征，再将每天的客流量分布特征划分为多个时间段，提取出每个时间段的客流量分布特征；这两个分布特征即时间特征；S4：采用基于注意力机制的长短时记忆神经网络A-LSTM模型，利用带有空间特征和时间特征的历史客流量数据对模型进行训练，获得预估出的客流量数据，将预估出的客流量数据与真实客流量数据进行比较，计算损失函数值，直至使其最小化；S5：输入测试集数据中t时刻窗口的轨道交通进站或出站客流量结合时间特征和空间特征，从而预测出第t+1时刻窗口城市轨道交通进站或出站客流量的值；其中，窗口的长度为n，表示为ttotal表示为一天的总时间，tperiod表示为每个客流量数据的时间跨度。2.根据权利要求1所述的基于A-LSTM的城市轨道交通客流量预测方法，其特征在于，所述采用分层聚类的方法对时间分布特征进行聚类分析包括将N个城市轨道交通客流量数据样本建立成N个类别，计算出各个类别之间的距离矩阵，将符合类间距离定义要求的两类合并为一个新类，计算新类与其他各类之间的距离，直到类数为1，画出谱系图，利用谱系图和分类需求，将时间特征分为合适的类数。3.根据权利要求1所述的基于A-LSTM的城市轨道交通客流量预测方法，其特征在于，所述步骤S4中包括将历史客流量数据和时空特征的输入数据x＝(x1，x2，…，xT)通过注意力机制进行选择性学习，再输入到长短时记忆神经网络中，与隐藏向量序列h＝(h1，h2，…，hT)进行运算，从而预估出客流量数据表示为：将预估出的客流量数据与该时刻真实客流量数据y＝(y1，y2，…，yT)进行比较，来计算损失函数值，使得误差最小化，完成对基于注意力机制的长短时记忆神经网络模型的...

【专利技术属性】
技术研发人员：徐光侠，王天羿，黄海辉，刘俊，李伟凤，胡梦潇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50