一种基于骑行上下文信息的共享单车流量预测方法技术

本发明专利技术涉及一种基于骑行上下文信息的共享单车流量预测方法，包括如下步骤：S100引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量

A shared bicycle traffic prediction method based on riding context information

【技术实现步骤摘要】
一种基于骑行上下文信息的共享单车流量预测方法
本专利技术涉及单车流量预测方法，特别涉及一种基于骑行上下文信息的共享单车流量预测方法。
技术介绍
共享单车流量预测问题是利用用户的历史骑行数据，对未来一段时间内各个单车站点的流量进行预测。由于深度学习的成熟发展及其良好的特征提取能力和鲁棒性，研究学者们普遍使用深度学习方法进行共享单车流量预测问题研究[16][17]。部分研究学者利用堆叠的自编码器模型对数据降维，完成特征提取工作。该方法利用深度学习去找到用户骑行历史数据中存在的特征，相比于传统的机器学习方法，预测精度有所提升。但是，与传统的方法一样，它也只考虑到了数据中原有的时序特征。然而，共享单车用户的骑行行为除了与时间相关之外，与气象特征也是密切相关的。后来，有研究学者利用卷积神经网络提取网格中的时序和空间特征，同时对任何两个区域间存在的时间依赖性进行建模。并且，引入了额外的气象特征，与时空特征合并，预测每个区域的最终流量。此外，也有学者提出可将交通的关联模式抽象成图结构。利用图的顶点表示地图上的点，边则表示两个地点之间的关联。建模时空相本文档来自技高网...

【技术保护点】
1.一种基于骑行上下文信息的共享单车流量预测方法，其特征在于：包括如下步骤：/nS100：引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量

【技术特征摘要】
1.一种基于骑行上下文信息的共享单车流量预测方法，其特征在于：包括如下步骤：
S100：引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量的问题；
S200：输入信息使用LSTM网络作为编码器，计算得到隐藏层向量{h1，h2...hT}；
S300：计算每一个隐藏层向量与st-1的注意力得分，对所有注意力得分使用激活函数softmax得到注意力权重，所有注意力权重的总和为1；
使用LSTM网络作为解码器进行解码，在解码时根据输出对应的语义向量Ct进行解码；
S400：LSTM网络作为解码器，通过对得到的语义向量序列{C1，C2...CT}进行解码，得到最终的预测结果。


2.如权利要求1所述的基于骑行上下文信息的共享单车流量预测方法，其特征在于：所述S100中问题转化的过程为：
S110：将所有的历史观测值分为3个部分：Shour，Sday，Sweek；
当特征窗口w为1hour时，时间步长T＝3时，即以w为单位，T为长度进行采样，获得历史数据作为特征；
当特征窗口w为24hour时，时间步长T＝3时，即获取要预测时段的前3天的历史流量数据作为特征；
当特征窗口为148hour时，时间步长T＝3时，即获取要预测时段的前3周的历史流量数据作为特征；
公式(1)表示如下：
S＝[Xt-Tw，Xt-(Tw-1)...Xt-1](1)；
当w取值为1小时、24小时、148小时时，S分别记为Shour，Sday，Sweek；
S120：引入的上下文特征，上下文特征用E表示，如(2)所示：
E＝{weather，windspeed，pressure，dayofweek，hourofday}(2)；
则t时刻所对应的输入特征为
S130：共享单车流量预测问题定义为：输入时间步长T内的所有输入和部分观测序列{y1，y2...yT-1}，求T时刻对应的流量公式如(3)所示：





3.如权利要求1所述的基于骑行上下文信息的共享单车流量预测方法，其特征在于：所述S200使用LSTM网络作为编码器，计算得到隐藏层向量{h1，h2...hT}的具体步骤包括：
设编码器的输入为在LSTM网络中，当前时间t的隐藏状态是由上一时间的状态ht-1...

【专利技术属性】
技术研发人员：曾骏，何欣，姚娟，于扬，文俊浩，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50