基于多层LSTM神经网络的地铁站短时客流预测方法技术

本发明专利技术提供了一种基于多层LSTM神经网络的地铁站短时客流预测方法，包括；获取地铁站历史客流数据，根据所述历史客流数据的时间特征进行聚类操作，得到时间分类基础数据组；基于所述时间分类基础数据组分别构建初始LSTM神经网络模型，并进行训练优化，得到改进LSTM神经网络模型；基于所述改进LSTM神经网络模型构建多层时序LSTM神经网络模型；获取地铁站实时客流数据，基于所述聚类操作确定实时客流数据所属的时间分类基础数据组，将所述实时客流数据输入多层时序LSTM神经网络模型，得到下一时间段的客流预测值。本发明专利技术提供的基于多层LSTM神经网络的地铁站短时客流预测方法能够实现地铁站短时客流的精准预测。实现地铁站短时客流的精准预测。实现地铁站短时客流的精准预测。

【技术实现步骤摘要】
基于多层LSTM神经网络的地铁站短时客流预测方法


[0001]本专利技术涉及城市轨道交通客流预测
，具体涉及一种基于多层LSTM神经网络的地铁站短时客流预测方法。

技术介绍

[0002]随着我国城市化进程的加快，道路交通拥挤程度逐渐加重，城市轨道交通也以其便捷，快速等特点吸引了越来越多的客流。而愈发增加的客流也为地铁系统带来了愈发巨大的运营压力，特别是早晚高峰、节假日的大客流出行，往往会降低地体系统的运行效率，甚至造成地铁系统的瘫痪，使运营恶性循环。
[0003]为缓解这一现状，通过客流预测，制定针对性措施尤为重要。国内外学者进行城市地铁客流预测的方法大多集中在对整个地铁系统的各类影响指标进行分析，如城市人口基数、地铁地理位置等因素对于潜在地铁客流的影响。并考虑该城市或地铁站的特殊情况，如与飞机场、高铁站接驳等情况。并基于上述分析建立预测模型进行预测。但是研究中还存在一些不足，选择的影响指标各有不同，没有一个统一的标准；由于特殊情况的存在而无法构建一个统一的模型；预测的效果会出现波动等情况；预测的时间往往是较长时间，无法在微观上起到直接效果。
[0004]综上，现有技术中实现对地铁站短时客流的预测十分困难，缺乏标准统一、预测准确率高的地铁站短时客流的预测方法。

技术实现思路

[0005]有鉴于此，有必要提供一种基于多层LSTM神经网络的地铁站短时客流预测方法，解决现有技术中在对地铁站短时客流的进行预测时十分困难、缺乏标准统一且预测准确率低的问题。
[0006]为了解决上述技术问题，本专利技术提供了一种基于多层LSTM神经网络的地铁站短时客流预测方法，包括：
[0007]获取地铁站历史客流数据，根据所述历史客流数据的时间特征进行聚类操作，得到时间分类基础数据组；
[0008]基于所述时间分类基础数据组分别构建初始LSTM神经网络模型，并进行训练优化，得到改进LSTM神经网络模型；
[0009]基于所述改进LSTM神经网络模型构建多层时序LSTM神经网络模型；
[0010]获取地铁站实时客流数据，基于所述聚类操作确定实时客流数据所属的时间分类基础数据组，根据所述实时客流数据所属的时间分类基础数据组将所述实时客流数据输入对应时间分类的多层时序LSTM神经网络模型，得到下一时间段的客流预测值。
[0011]在一些可能的实现方式中，所述历史客流数据的数据内容包括：地铁客流量、客流持续流动时间、数据采集时间。
[0012]在一些可能的实现方式中，所述，根据所述历史客流数据的时间特征进行聚类操
作，得到多个时间分类基础数据组，包括：
[0013]基于分级聚类算法计算以及所述历史客流数据中的数据采集时间计算各历史客流数据的关联度，将关联度大于设定阈值的历史客流数据进行聚类，得到所述时间分类基础数据组；
[0014]其中，所述历史客流数据的时间特征为数据采集时间。
[0015]在一些可能的实现方式中，所述得到所述时间分类基础数据组之后，还包括：
[0016]若出现新的客流数据，计算所述新的客流数据与各时间分类基础数据组之间的关联度，将所述新的客流数据加入关联度最高的时间分类基础数据组中。
[0017]在一些可能的实现方式中，所述基于所述时间分类基础数据组分别构建初始LSTM神经网络模型，并进行训练优化，得到改进LSTM神经网络模，包括：
[0018]基于通式LSTM神经网络模型构建初始LSTM神经网络模型；
[0019]将所述时间分类基础数据组中的客流数据和超参数作为输入，下一时间段的预测客流量和每层的损失值作为输出，进行迭代训练；
[0020]基于所述预测客流量及每层的损失值对所述多个初始LSTM神经网络模型进行修正，直到符合预设条件，得到所述改进LSTM神经网络模型。
[0021]在一些可能的实现方式中，所述超参数包括：列车的停靠时间、列车班次、各时段的平均客运量。
[0022]在一些可能的实现方式中，所述多层时序LSTM神经网络模型包括预训练模块和实时计算微调模块。
[0023]在一些可能的实现方式中，所述预训练模块包括第一输入层、第一隐含层和第一输出层；
[0024]所述第一输入层以客流数据和超参数为输入传递到第一隐含层；
[0025]所述第一隐含层包括至少一个迭代门和至少一个归一门，将所述客流数据和所述超参数传递至第一隐含层的每一个单元进行计算，得到每一个单元的损失值及客流预测值传递到第一输出层；
[0026]所述第一输出层输出所述客流预测值及每一个单元的loss值；
[0027]其中，根据客流预测值与真实客流数据进行对比可得到客流数据损失值。
[0028]在一些可能的实现方式中，所述实时计算微调模块包括第二输入层、第二隐含层和第二输出层；
[0029]所述第二输入层以所述客流数据损失值为输入传递到第二隐含层；
[0030]所述第一隐含层包括至少一个交叉门、至少一个突变门和至少一个筛选门，将所述客流数据损失值传递至第二隐含层的每一个单元进行计算，得到所述超参数的修正值传递到第二输出层；
[0031]所述第二输出层输出所述超参数的修正值。
[0032]在一些可能的实现方式中，所述得到下一时间段的客流预测值之后，还包括：
[0033]当时间到达下一时间点后，获取该时间点的真实客流数据，根据所述真实客流数据得到本次预测的误差值，将本次预测的误差值带入所述多层时序LSTM神经网络模型中对模型参数进行修正。
[0034]采用上述实施例的有益效果是：本专利技术提供的基于多层LSTM神经网络的地铁站短
时客流预测方法，一方面根据地铁客流数据的时间特征进行聚类构建时间分类基础数据组，确保数据的关联度及可信度；另一方面基于改进LSTM神经网络模型构建的多层时序LSTM神经网络模型对实时客流数据进行预测，确保预测数据的精确度和时效性，最后利用实时预测的误差对模型进行修正，进一步保证了预测的精确度和时效性。
附图说明
[0035]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为本专利技术提供的基于多层LSTM神经网络的地铁站短时客流预测方法一实施例的流程示意图；
[0037]图2为本专利技术提供的数据聚类一实施例的流程示意图；
[0038]图3为本专利技术提供的通式的LSTM神经网络模型一实施例的结构示意图；
[0039]图4为本专利技术提供的通式的LSTM神经网络模型隐含层一实施例的结构示意图；
[0040]图5为本专利技术提供的通式的LSTM神经网络模型信息传递一实施例的示意图；
[0041]图6为本专利技术提供的改进LSTM神经网络模型一实施例的结构示意图；...

【技术保护点】

【技术特征摘要】
1.一种基于多层LSTM神经网络的地铁站短时客流预测方法，其特征在于，包括：获取地铁站历史客流数据，根据所述历史客流数据的时间特征进行聚类操作，得到时间分类基础数据组；基于所述时间分类基础数据组分别构建初始LSTM神经网络模型，并进行训练优化，得到改进LSTM神经网络模型；基于所述改进LSTM神经网络模型构建多层时序LSTM神经网络模型；获取地铁站实时客流数据，基于所述聚类操作确定实时客流数据所属的时间分类基础数据组，根据所述实时客流数据所属的时间分类基础数据组将所述实时客流数据输入对应时间分类的多层时序LSTM神经网络模型，得到下一时间段的客流预测值。2.根据权利要求1所述的基于多层LSTM神经网络的地铁站短时客流预测方法，其特征在于，所述历史客流数据的数据内容包括：地铁客流量、客流持续流动时间、数据采集时间。3.根据权利要求2所述的基于多层LSTM神经网络的地铁站短时客流预测方法，其特征在于，所述根据所述历史客流数据的时间特征进行聚类操作，得到多个时间分类基础数据组，包括：基于分级聚类算法以及所述历史客流数据中的数据采集时间计算各历史客流数据的关联度，将关联度大于设定阈值的历史客流数据进行聚类，得到所述时间分类基础数据组；其中，所述历史客流数据的时间特征为数据采集时间。4.根据权利要求3所述的基于多层LSTM神经网络的地铁站短时客流预测方法，其特征在于，所述得到所述时间分类基础数据组之后，还包括：若出现新的客流数据，计算所述新的客流数据与各时间分类基础数据组之间的关联度，将所述新的客流数据加入关联度最高的时间分类基础数据组中。5.根据权利要求1所述的基于多层LSTM神经网络的地铁站短时客流预测方法，其特征在于，所述基于所述时间分类基础数据组分别构建初始LSTM神经网络模型，并进行训练优化，得到改进LSTM神经网络模，包括：基于通式LSTM神经网络模型构建初始LSTM神经网络模型；将所述时间分类基础数据组中的客流数据和超参数作为输入，下一时间段的预测客流量...

【专利技术属性】
技术研发人员：徐良杰，李艺可，刘晓璐，徐子强，
申请(专利权)人：武汉理工大学青岛研究院，
类型：发明
国别省市：