一种考虑日期属性和天气因素的铁路城际客流短期预测方法技术

一种考虑节假日等日期属性和天气信息的铁路城际客流短期预测方法，其特征在于，综合运用改进粒子群算法和长短期记忆神经网络模型，包括如下技术步骤：首先，对铁路城际客流以及影响因素的历史数据进行预处理，将其转化为有监督学习的数据集；其次，用处理后的数据对长短期记忆神经网络模型进行训练，并应用一种改进的粒子群算法对超参数进行优化；最后将历史数据以及预测期的影响因素数据输入训练好的模型，对铁路城际客流量进行预测。

【技术实现步骤摘要】
一种考虑日期属性和天气因素的铁路城际客流短期预测方法
本专利技术涉及通信技术/计算机技术。
技术介绍
近年来，随着高速铁路的快速建设以及城市群内的经济交流日益频繁，城际客流的规模也在不断扩大，并且出现了高密度、通勤化的新特征。因此，科学合理地把握城市间的客运需求状态，对于铁路运营企业科学优化资源配置、合理制定价格策略、动态优化产品结构和提升运输服务质量有着重要的意义。铁路客流预测根据时间尺度可以划分为长期、中期和短期预测三种类型。其中，短期预测提供了考虑到近期(如下周、下月)日常需求变化的每日客流量估计。它是铁路企业运营决策和动态运营调整中最为关键的任务之一；准确的短期铁路客流预测为有效的铁路收入管理提供了基础。而铁路城际短期客流因为受到节假日、大型活动、天气等因素的影响而呈现出波动性大、随机性强的特点，这为进行准确的预测带来了难度。从预测模型类别来看，短期铁路客流的预测方法可以分为三类。第一类方法是参数模型，包括指数平滑模型、灰色预测模型、ARIMA模型等等。这类方法在客流预测中较早得到应用，但其不足也比较明显，比如灰色预测模本文档来自技高网...

【技术保护点】
1.一种考虑节假日等日期属性和天气信息的铁路城际客流短期预测方法，其特征在于，/n综合运用改进粒子群算法和长短期记忆神经网络模型，包括如下技术步骤：/n首先，对铁路城际客流以及影响因素的历史数据进行预处理，将其转化为有监督学习的数据集；/n其次，用处理后的数据对长短期记忆神经网络模型进行训练，并应用一种改进的粒子群算法对超参数进行优化；/n最后将历史数据以及预测期的影响因素数据输入训练好的模型，对铁路城际客流量进行预测。/n

【技术特征摘要】
20200428 CN 20201035247521.一种考虑节假日等日期属性和天气信息的铁路城际客流短期预测方法，其特征在于，
综合运用改进粒子群算法和长短期记忆神经网络模型，包括如下技术步骤：
首先，对铁路城际客流以及影响因素的历史数据进行预处理，将其转化为有监督学习的数据集；
其次，用处理后的数据对长短期记忆神经网络模型进行训练，并应用一种改进的粒子群算法对超参数进行优化；
最后将历史数据以及预测期的影响因素数据输入训练好的模型，对铁路城际客流量进行预测。


2.如权利要求1所述的预测方法，其特征在于，具体包括如下步骤：
步骤1、对铁路城际客流以及影响因素的历史数据进行预处理，将其转化为有监督学习的数据集，包括：
根据月份、星期以及节假日属性提取历史数据的日期特征，并采集城市的气象信息；其中，节假日日期属性和气象信息共同构成客流预测的影响因素数据；
在收集到的客流数据和影响因素数据的基础上，进一步采用One-hot编码方式对原始数据进行编码；采用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候只有一位有效；这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引被标记为1之外，其它都被标记为0；
在数据进行编码处理之后，根据模型预测的输入步长和输出步长将数据转化为有监督学习的数据集；
步骤2、建立长短期记忆神经网络模型，并用处理后的数据对模型进行训练，包括：
构建包括输入门、遗忘门和输出门的长短期记忆神经网络，时间步为t时的三个门分别记为it、ft和ot；对应的候选长期记忆、更新长期记忆以及工作记忆分别记为ct和ht：
输入门：it＝σ(Wi·[ht-1，xt]+bi)
遗忘门：ft＝σ(Wf·[ht-1，xt]+bf)
输出门：ot＝σ(Wo·[ht-1，xt]+bo)
候选长期记忆：
...

【专利技术属性】
技术研发人员：滕靖，李金洋，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31