基于自注意力机制和TCN-BiGRU模型的短时车站出站客流预测方法技术

本申请涉及一种基于自注意力机制和TCN‑BiGRU模型的短时车站出站客流预测方法。该方法包括：获取目标预测站点的预测时间段的天气信息、时间属性、发生的特殊事件以及预测时间段是否属于高峰期，作为特征数据；将所述特征数据输入预先训练好的基于自注意力机制和TCN‑BiGRU的客流预测模型，对所述目标预测站点的预测时间段的出站客流量进行预测，获得所述目标预测站点的预测时间段的出站客流量，由此，提高了客流预测的不准确性和不稳定性。

【技术实现步骤摘要】

本申请涉及轨道交通，特别是涉及一种基于自注意力机制和tcn-bigru模型的短时车站出站客流预测方法和装置。

技术介绍

1、轨道交通客流预测是城市交通管理和规划中的关键问题，它有助于提高交通系统的效率、减少拥堵、提供更好的乘客服务和优化资源分配。

2、传统的轨道交通客流预测方法主要基于时间序列分析和线性回归，例如使用多元线性回归、移动平均、指数平滑和arima模型。这些方法依赖于历史数据，通过对数据的平滑和建模来预测未来客流量。虽然这些方法在某些情况下表现良好，但它们通常无法捕捉到时间序列数据中的复杂关系和非线性趋势。此外，它们也不能很好地处理多尺度特征因子，例如小时、天气和特殊事件等。近年来，神经网络方法在客流预测中变得越来越流行。其中，循环神经网络(rnn)和长短时记忆网络(lstm)常用于建模时间序列数据。这些模型通过递归神经单元来捕捉时间依赖性。卷积神经网络(cnn)也用于客流预测，尤其是在空间特征的分析中。然而，这些方法通常需要大量的数据来进行训练，而且在处理长期依赖性和多尺度特征时仍然存在挑战。

3、传统方法的局限性包括本文档来自技高网...

【技术保护点】

1.一种基于自注意力机制和TCN-BiGRU模型的短时车站出站客流预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述客流预测模型包括：时间卷积神经网络模块、BiGRU模块和加权融合模块；

3.根据权利要求2所述的方法，其特征在于，所述时间卷积神经网络模块包括两个残差块，两个残差块依次连接；

4.根据权利要求2所述的方法，其特征在于，所述BiGRU模块包括输入层、前向隐藏层、后向隐藏层和输出层，

5.根据权利要求4所述的方法，其特征在于，所述前向隐藏层和后向隐藏层分别由多个GRU模型组成，所述GRU模型的表达...

【技术特征摘要】

1.一种基于自注意力机制和tcn-bigru模型的短时车站出站客流预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述客流预测模型包括：时间卷积神经网络模块、bigru模块和加权融合模块；

3.根据权利要求2所述的方法，其特征在于，所述时间卷积神经网络模块包括两个残差块，两个残差块依次连接；

4.根据权利要求2所述的方法，其特征在于，所述bigru模块包括输入层、前向隐藏层、后向隐藏层和输出层，

5.根据权利要求4所述的方法，其特征在于，所述前向隐藏层和后向隐藏层分别由多个gru模型组成，所述gru模型的表达式为：

6.根据权利要求2所述的方法...

【专利技术属性】
技术研发人员：王腾腾，高申，应仲文，周昊，夏阳，陈天仕，尤圣泉，
申请(专利权)人：南京熊猫电子股份有限公司，
类型：发明
国别省市：