【技术实现步骤摘要】
基于LSTM的自适应短时客流预测方法及相关设备
[0001]本申请涉及机器学习
,尤其涉及一种基于LSTM的自适应短时客流预测方法及相关设备。
技术介绍
[0002]随着城市化进程的不断发展,城市的居住人口在不断的攀升,在伴随着城市人口激增和轨道交通不断发展的背景下,城市轨道交通的短时的进站客流对轨道交通的运营部分提出了较大的考验,短时客流的预测受到行业内的关注和研究。
[0003]现有技术中,在短时客流的预测方面,常见的预测方法有以ARIMA模型为代表的回归模型,通过研究ARIMA模型以及做出相应的改进模型,实现对短时客流的预测。然而,现有的短时客流预测方法的预测精度较低。
技术实现思路
[0004]有鉴于此,本申请的目的在于提出一种基于LSTM的自适应短时客流预测方法及相关设备。
[0005]基于上述目的,本申请提供了一种基于LSTM的自适应短时客流预测方法,包括:
[0006]获取预测用历史短时客流数据;
[0007]将所述预测用历史短时客流数据输入预先构建并训练得 ...
【技术保护点】
【技术特征摘要】
1.一种基于LSTM的自适应短时客流预测方法,包括:获取预测用历史短时客流数据;将所述预测用历史短时客流数据输入预先构建并训练得到的基于LSTM的自适应短时客流预测模型,得到第一个时段客流预测结果;将所述预测用历史短时客流数据和第一个所述时段客流预测结果进行拼接,并输入所述基于LSTM的自适应短时客流预测模型,得到第二个所述时段客流预测结果;重复执行上述操作,直到多个所述时段客流预测结果对应的时长的总和达到预设的待预测时段的时长,将多个所述时段客流预测结果的总和作为短时客流预测结果。2.根据权利要求1所述的方法,其中,所述获取预测用历史短时客流数据,包括:从闸机设备获取原始客流数据;对所述原始客流数据进行预处理,得到备用客流数据;按照预设的时间粒度对所述备用客流数据进行划分,得到至少一个所述预测用历史短时客流数据。3.根据权利要求2所述的方法,其中,所述对所述原始客流数据进行预处理,得到备用客流数据,包括:对所述原始客流数据进行清洗,清除异常数据。4.根据权利要求2所述的方法,其中,所述预设的时间粒度为十分钟。5.根据权利要求1所述的方法,还包括:构建包括若干样本的样本集;其中,所述样本包括:样本数据和标签数据;所述样本数据包括训练用历史短时客流数据;所述标签数据包括所述训练用历史短时客流数据对应的训练用短时客流预测结果;根据所述样本集,基于LSTM网络,构建并训练得到所述基于LSTM的自适应短时客流预测模型。6.根据权利要求1所述的方法,其中,所述基于LSTM的自适应短时客流预测模型的损失函数为交叉熵函数:其中,L(y
i
,y
’
i
)表示代价函...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。