CN106372722A - 地铁短时流量预测方法及装置 - Google Patents
地铁短时流量预测方法及装置 Download PDFInfo
- Publication number
- CN106372722A CN106372722A CN201610830343.XA CN201610830343A CN106372722A CN 106372722 A CN106372722 A CN 106372722A CN 201610830343 A CN201610830343 A CN 201610830343A CN 106372722 A CN106372722 A CN 106372722A
- Authority
- CN
- China
- Prior art keywords
- subway
- short
- term
- dense layer
- time point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 230000015654 memory Effects 0.000 claims abstract description 34
- 238000013277 forecasting method Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims 1
- 238000005070 sampling Methods 0.000 abstract description 4
- 230000007935 neutral effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000353097 Molva molva Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种地铁短时流量预测方法及装置,该方法包括:将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习,确定所述长短时记忆深度学习网络的参数;根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。本发明能实现对地铁短时流量的预测,方便出行决策及运输调度。
Description
技术领域
本发明涉及数据预测领域,尤其涉及一种地铁短时流量预测方法及装置。
背景技术
随着公共交通网日益发达,地铁和公交等绿色出行成为了城市出行的重要组成部分。据统计,2014年,上海地铁共有运营线路15条,线路总长度578公里,车站339座,全路网日均客流量774万人次,占城市公交出行比例达到43%左右。分析和预测地铁客流,能够为线路和车站的客流组织与优化提供数据支撑,为居民出行提供更多决策依据,地铁拥堵问题,也能够为一些重大赛事、活动疏散提供决策依据。
在短时客流预测模型中,主要包括:基于线性***理论的预测方法如时间序列、卡尔曼滤波等方法;以及基于非线性***理论的预测方法,如神经网络、小波分析、支持向量机等方法。
1.时间序列预测
时间序列预测方法主要分为三种重要的方法,它们分别是回归模型,集成模型和自平滑模型。Ahmed等人使用Box-Jenkins时间序列分析方法分析了高速公路交通流量,发现自回归积分滑动平均模型具备更优秀的效果。Williams等人基于ARIMA进行改进,提出了解释变量型自回归平滑模型季节性自回归积分滑动平均模型(SARIMA)等模型,提高了特定场景下的交通流量预测精度,但是ARIMA模型建立在时间滞后变量呈线性关联的假设上,所以它们不能反映实际存在着的非线性关系。
2.卡尔曼滤波
卡尔曼滤波是一种针对时变随机信号的滤波方法。众多学者将卡尔曼滤波成功应用于短时交通预测,获得了较好效果。Chien利用卡尔曼滤波预测不同时间内特定起始点-终止点对的旅行时间获得了令人满意的结果。Wang等人使用扩展卡尔曼滤波和一些交通控制算法,能够完成高速公路的交通状态估计,短时交通状态预测,旅行评价与预测等。
3.小波分析
小波是一种特殊的长度有限、平均值为0的波形,既能在时域很好地刻画信号的局部性,又能在频域反应信号的局部性.小波分析在短时交通预测中应用较为广泛。HongChen等针对高速公路的网络拓扑,连续与不连续的流量,车道上行和下行流量建立了Wavelet-RBF预测模型,该模型具有较高精度.Bidisha等采用小波分析结合贝叶斯层次分析方法进行交通流预测取得了不错效果。
4.神经网络(NN)
由于具备自适应和鲁棒性等特点,各种神经网络变体被用于预测研究。Tsaiet等人通过构建多时间片神经网络和并行集成神经网络来预测铁路流量,同时证明这两种方法均优于传统的多层感知器(MLP)。Cui等采用改进后向传播神经网络建立预测模型,学习速率不再为常数,使得模型具有自适应的特点。Corinne利用神经网络建立交通流量预测模型,取得了比较不错的预测结果.Jiang采用一种动态小波神经网络包含了交通流的自相似性,奇异性和分形特性。Abdulhai将遗传算法和神经网络相结合简化了网络结构,提高了预测精度。
5.支持向量机(SVM)
SVM基于结构风险最小化(SRM),比起基于经验风险最小化远侧(ERM)的常规神经网络具备更好的学习效率与性能。Qian利用改进遗传算法优化最小二乘支持向量机(LSSVM)的惩罚参数以及核参数对地铁客流进行预测,获得了较好效果。Leng结合小波分析以及LSSVM对北京地铁短时客流进行预测,取得了比小波神经网络Wavelet-NN以及模态分解后向神经网络EMD-BPN更好的预测性能。
然而在之前的客流预测中,主要针对地面交通流,空运网络,较少有研究对地铁进行短时预测。因此,亟待提出一种短时客流预测策略,能够帮助地铁运营者在高峰期对地铁运行计划进行调整以适应变化,同时地铁运营人员也可以通过短时客流预测对地铁客流提前做针对性准备,乘客则能够提前知晓地铁客流量情况,有助于减缓地铁拥堵。
发明内容
本发明旨在解决上面描述的问题。本发明的一个目的是提供一种地铁短时流量预测方法及装置,以实现对地铁短时流量的预测,方便出行决策及运输调度。
根据本发明的第一方面,一种地铁短时流量预测方法,包括:将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习,确定所述长短时记忆深度学习网络的参数;根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。
根据本发明的第二方面,一种地铁短时流量预测装置,包括:数据输入单元,用于输入多个历史采样时间点的地铁进站流量及地铁出站流量至长短时记忆深度学习网络;长短时记忆深度学习网络,用于基于所述数据输入单元的输入数据进行学习以确定网络参数,并在学习后根据所述数据输入单元输入的历史采样时间点的地铁进站流量及地铁出站流量,预测得到当前采样时间点的地铁进站流量及地铁出站流量。
本发明提出的一种地铁短时流量预测方法及装置,针对地铁短时客流量预测问题,充分发挥深度学习的优势,对地铁客流进行预测,方便出行决策及运输调度。
参照附图来阅读对于示例性实施例的以下描述,本发明的其他特性特征和优点将变得清晰。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1示例性地示出了一种地铁短时流量预测方法的流程图;
图2示例性地示出了一种地铁短时流量预测方法中长短时记忆深度学习网络的框架图;
图3示例性地示出了图2中隐藏单元的功能结构图;
图4示例性地示出了一种地铁短时流量预测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示,一种移动终端地铁短时流量预测方法,包括:
步骤101:将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习;
根据实验确定,本发明长短时记忆深度学习网络的结构可以如图2所示:包括从输入侧到输出侧依次连接的LSTM(Long-short Term Memory,长短时间记忆)层、第一Dense层(稠密层)、第二Dense层及第三Dense层;其中所述LSTM层及第一Dense层的激活函数为Sigmoid函数(S型生长曲线);所述第二Dense层及第三Dense层的激活函数为ReLU(纠正线性单元,Rectified Linear Unit)函数。所述LSTM层、第一Dense层、第二Dense层及第三Dense层中隐藏单元的数量分别为100、256、32及1。
每一个隐藏单元的功能结构如图3所示,LSTM单元通过存储单元保存历史信息。历史信息的更新和利用主要受到三个门的控制,分别是输入门,遗忘门,输出门。
设h为LSTM单元输出,c为长短时记忆深度学习网络记忆单元的值,x为输入数据。LSTM单元的更新主要分为以下几个步骤。
第1步:按照传统递归神经网络计算当前时刻的候选记忆单元值Wxc、Whc分别对应输入数据和上一时刻长短时记忆深度学习网络单元输出的权值。
第2步:计算输入门的值it,输入门用于控制当前输入数据对记忆单元状态值的影响。所有门的计算除了受当前输入数据xt和上一时刻单元输出值ht-1影响外,还受上一时刻记忆单元值ct-1的影响。
it=σ(Wxixt+Whiht-1+Wcict-1+bi) (3)
第3步:计算遗忘门的值ft,遗忘门用于控制历史信息对当前记忆单元状态值的影响。
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf) (4)
第4步:计算当前时刻记忆单元状态值ct
其中·代表逐点乘积,记忆单元状态更新取决于自身状态ct- 1以及当前的候选记忆单元值并且通过输入门和遗忘门分别对这两部分因素进行调节。
第5步:计算输出门ot,用于控制记忆单元状态值的输出
ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo) (6)
第6步:计算长短时记忆深度学习网络单元的最后输出
ht=ot·tanh(ct) (7)
其中σ一般取逻辑回归函数,取值范围为(0,1):
优选地,继续参照如图2,将多个历史采样时间点的地铁进站流量及地铁出站流量与时间类型输入长短时记忆深度学习网络进行学习;所述时间类型为各历史采样时间点的类别;所述类别可以包含七类:表征工作日第一天的第一类、表征工作中的第二类、表征工作日最后一天的第三类、表征放假第一天的第四类、表征放假中的第五类、表征放假最后一天的第六类以及表征单天假的第七类;所述类别和历史采样时间点采用one-hot方式输入,one-hot是一种编码,也称为一位有效编码。
具体地:可以采用连续六个历史采样时间点地铁进站流量及地铁出站流量与时间类型输入长短时记忆深度学习网络进行学习;其中,相邻两个历史采样时间点的间隔为15分钟,并且前5个历史采样时间点作为输入特征,第6个历史采样时间点作为输出。
步骤103:确定所述长短时记忆深度学习网络的参数;
步骤105:根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。
本实施例还可以包括以下各优选方式中的至少一种:
1:所述第二Dense层及第三Dense层为全连接层;
2:在所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习的过程中使用Dropout[24,25]的方式防止过拟合,Dropout为拟合解决方案,这种技术的核心思想是把单位连同他们的连接随机弃用,防止单位形成过度依赖;
3:在所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习的过程中将Dropout比例设置为0.2;
本实施例地铁短时流量预测方法,针对地铁短时客流量预测问题,充分发挥深度学习的优势,对地铁客流进行预测,方便出行决策及运输调度。同时通过对真实的地铁客流数据的学习,使用标准的评估办法,证明本文提出的方法相比其他地铁短时客流预测方法,获得了更好、更稳健的预测结果。
图4所示为图1所示方法对应的装置,图1-图2的解释说明可以适用于本实施例,如图4所示,一种地铁短时流量预测装置,包括:
数据输入单元40,用于输入多个历史采样时间点的地铁进站流量及地铁出站流量至长短时记忆深度学习网络;
长短时记忆深度学习网络42,用于基于所述数据输入单元的输入数据进行学习以确定网络参数,并在学习后根据所述数据输入单元输入的历史采样时间点的地铁进站流量及地铁出站流量,预测得到当前采样时间点的地铁进站流量及地铁出站流量。
本实施例还可以包括以下各优选方式中的至少一种:
1:所述长短时记忆深度学习网络包括从输入侧到输出侧依次连接的LSTM层、第一Dense层、第二Dense层及第三Dense层;其中所述LSTM层及第一Dense层的激活函数为Sigmoid函数;所述第二Dense层及第三Dense层的激活函数为ReLU函数;:
2:所述第二Dense层及第三Dense层为全连接层。
3:所述数据输入单元还用于接收表征各历史采样时间点的类别的时间类型;所述类别和历史采样时间点采用one-hot方式输入。
4:所述LSTM层、第一Dense层、第二Dense层及第三Dense层中隐藏单元的数量分别为100、256、32及1。
在具体训练实验中,可以以15分钟为预测间隔单元,首先将客流量包括地铁出站与进站流量输入LSTM进行训练,由于时间类型对客流量影响很大,将时间类型包括时间类型和采样时间点作为特征进行训练,时间类型与时间点采用one-hot方式输入。使用5个预测间隔单元作为输入特征,第6个间隔单元作为输出,通过大量实验以及分析进行参数寻优,在LSTM训练时各层所使用的隐藏单元个数以及激活函数如Table1所示。
Table 1深度神经网络参数
深度神经网络层数多容易出现过拟合,在训练过程中,通过Dropout[24,25]方式防止过拟合,Dropout随机选择权值进行更新,使两个节点同时出现的概率降低,避免了一个节点依赖于另一个节点而造成模型泛化能力变弱。通过大量实验进行参数调优,本文将Dropout比例设置为0.2,同时发现添加两个Dense Layer预测效果最好,在全连接层中使用ReLU作为激活函数。
ReLU可以由公式(9)表示,ReLU将负值部分置0,保留正值部分的做法为模型隐含层引入了稀疏性,因此提高了模型的性能,ReLU是一种非饱和激活函数相对于饱和激活函数,能够加快模型收敛速度,同时在训练过程中通过ReLU能够输出实值,并且使一个深度神经网络不需要无监督的预先训练(pre-train),直接进行有监督的训练。
本实施例的地铁短时流量预测装置将深度学习中用于语音识别的特殊结构LSTM创新性的用于地铁短时地铁客流量预测,能够对一定时间范围内的地铁短时流量进行高效预测;同时对LSTM做模型改进,在不同神经网络层中使用不同神经网络激活函数,提升流量预测精度,并且对LSTM训练方法做改进,使用多个Dropout、全连接层来防止流量预测过程中发生的过拟合现象,预测效果较为稳定。
上面描述的内容可以单独地或者以各种方式组合起来实施,而这些变型方式都在本发明的保护范围之内。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种地铁短时流量预测方法,其特征在于,包括:
将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习,确定所述长短时记忆深度学习网络的参数;
根据学习后的所述长短时记忆深度学习网络和历史采样时间点的地铁进站流量及地铁出站流量预测得到当前采样时间点的地铁进站流量及地铁出站流量。
2.根据权利要求1所述的地铁短时流量预测方法,其特征在于,所述长短时记忆深度学习网络包括从输入侧到输出侧依次连接的LSTM层、第一Dense层、第二Dense层及第三Dense层;其中所述LSTM层及第一Dense层的激活函数为Sigmoid函数;所述第二Dense层及第三Dense层的激活函数为ReLU函数。
3.根据权利要求2所述的地铁短时流量预测方法,其特征在于,所述第二Dense层及第三Dense层为全连接层,并且/或者,在所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习的过程中使用Dropout[24,25]的方式防止过拟合。
4.根据权利要求3所述的地铁短时流量预测方法,其特征在于,在所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习的过程中将Dropout比例设置为0.2。
5.根据权利要求2-4中任一项所述的地铁短时流量预测方法,其特征在于,所述将多个历史采样时间点的地铁进站流量及地铁出站流量输入长短时记忆深度学习网络进行学习包括:
将多个历史采样时间点的地铁进站流量及地铁出站流量与时间类型输入长短时记忆深度学习网络进行学习;所述时间类型为各历史采样时间点的类别。
6.根据权利要求5所述的地铁短时流量预测方法,所述类别包含七类:表征工作日第一天的第一类、表征工作中的第二类、表征工作日最后一天的第三类、表征放假第一天的第四类、表征放假中的第五类、表征放假最后一天的第六类以及表征单天假的第七类;并且/或者,
所述类别和历史采样时间点采用one-hot方式输入。
7.根据权利要求5所述的地铁短时流量预测方法,所述将多个历史采样时间点的地铁进站流量及地铁出站流量与时间类型输入长短时记忆深度学习网络进行学习包括:
采用连续六个历史采样时间点地铁进站流量及地铁出站流量与时间类型输入长短时记忆深度学习网络进行学习;其中,相邻两个历史采样时间点的间隔为15分钟,并且前5个历史采样时间点作为输入特征,第6个历史采样时间点作为输出。
8.根据权利要求5所述的地铁短时流量预测方法,所述LSTM层、第一Dense层、第二Dense层及第三Dense层中隐藏单元的数量分别为100、256、32及1。
9.一种地铁短时流量预测装置,其特征在于,包括:
数据输入单元,用于输入多个历史采样时间点的地铁进站流量及地铁出站流量至长短时记忆深度学习网络;
长短时记忆深度学习网络,用于基于所述数据输入单元的输入数据进行学习以确定网络参数,并在学习后根据所述数据输入单元输入的历史采样时间点的地铁进站流量及地铁出站流量,预测得到当前采样时间点的地铁进站流量及地铁出站流量。
10.根据权利要求9所述的地铁短时流量预测装置,其特征在于,所述长短时记忆深度学习网络包括从输入侧到输出侧依次连接的LSTM层、第一Dense层、第二Dense层及第三Dense层;其中所述LSTM层及第一Dense层的激活函数为Sigmoid函数;所述第二Dense层及第三Dense层的激活函数为ReLU函数;并且/或者,
所述第二Dense层及第三Dense层为全连接层。
11.根据权利要求10所述的地铁短时流量预测装置,其特征在于,所述数据输入单元还用于接收表征各历史采样时间点的类别的时间类型;所述类别和历史采样时间点采用one-hot方式输入;并且/或者,
所述LSTM层、第一Dense层、第二Dense层及第三Dense层中隐藏单元的数量分别为100、256、32及1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610830343.XA CN106372722A (zh) | 2016-09-18 | 2016-09-18 | 地铁短时流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610830343.XA CN106372722A (zh) | 2016-09-18 | 2016-09-18 | 地铁短时流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106372722A true CN106372722A (zh) | 2017-02-01 |
Family
ID=57897588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610830343.XA Pending CN106372722A (zh) | 2016-09-18 | 2016-09-18 | 地铁短时流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372722A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
CN107145962A (zh) * | 2017-04-01 | 2017-09-08 | 上海诺悦智能科技有限公司 | 一种景点游客量预测*** |
CN107316096A (zh) * | 2017-05-05 | 2017-11-03 | 北京市交通信息中心 | 一种轨道交通一票通乘客进站量预测方法 |
CN108111591A (zh) * | 2017-12-15 | 2018-06-01 | 北京小米移动软件有限公司 | 推送消息的方法、装置及计算机可读存储介质 |
CN108260087A (zh) * | 2018-01-31 | 2018-07-06 | 福州大学 | 一种基于wiifi长短时记忆的室内人流分布预测方法 |
CN108289203A (zh) * | 2018-02-02 | 2018-07-17 | 常州高清信息技术有限公司 | 一种用于轨道交通的视频监控*** |
CN108446759A (zh) * | 2018-02-11 | 2018-08-24 | 陕西师范大学 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
CN108537392A (zh) * | 2018-04-26 | 2018-09-14 | 重庆大学 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
CN108564227A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时空特征的轨道交通客流量预测方法 |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109657881A (zh) * | 2019-01-14 | 2019-04-19 | 南京国电南自电网自动化有限公司 | 一种适用于小样本的神经网络光伏发电预测方法及*** |
CN110020738A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
CN110381524A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、***及存储介质 |
CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
CN111597971A (zh) * | 2020-05-14 | 2020-08-28 | 北京交通大学 | 一种城市轨道交通短期进站客流量预测方法 |
CN109492814B (zh) * | 2018-11-15 | 2021-04-20 | 中国科学院深圳先进技术研究院 | 一种城市交通流量预测方法、***及电子设备 |
CN113159385A (zh) * | 2021-03-22 | 2021-07-23 | 中铁信(北京)网络技术研究院有限公司 | 一种基于深度强化学习的自反馈客流控制方法及装置 |
CN114091579A (zh) * | 2021-11-03 | 2022-02-25 | 深圳技术大学 | 城市轨道交通客流预警***和方法 |
CN115146843A (zh) * | 2022-06-27 | 2022-10-04 | 北京交通大学 | 一种基于元学习的地铁新开车站短期客流预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
-
2016
- 2016-09-18 CN CN201610830343.XA patent/CN106372722A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992223A (zh) * | 2015-06-12 | 2015-10-21 | 安徽大学 | 基于深度学习的密集人数估计方法 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
CN107145962A (zh) * | 2017-04-01 | 2017-09-08 | 上海诺悦智能科技有限公司 | 一种景点游客量预测*** |
CN107316096A (zh) * | 2017-05-05 | 2017-11-03 | 北京市交通信息中心 | 一种轨道交通一票通乘客进站量预测方法 |
CN108111591A (zh) * | 2017-12-15 | 2018-06-01 | 北京小米移动软件有限公司 | 推送消息的方法、装置及计算机可读存储介质 |
CN110020738A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
CN108260087A (zh) * | 2018-01-31 | 2018-07-06 | 福州大学 | 一种基于wiifi长短时记忆的室内人流分布预测方法 |
CN108289203A (zh) * | 2018-02-02 | 2018-07-17 | 常州高清信息技术有限公司 | 一种用于轨道交通的视频监控*** |
CN108446759A (zh) * | 2018-02-11 | 2018-08-24 | 陕西师范大学 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
CN108564227B (zh) * | 2018-04-26 | 2021-08-06 | 重庆大学 | 一种基于时空特征的轨道交通客流量预测方法 |
CN108537392A (zh) * | 2018-04-26 | 2018-09-14 | 重庆大学 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
CN108564227A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时空特征的轨道交通客流量预测方法 |
CN108537392B (zh) * | 2018-04-26 | 2021-08-17 | 重庆大学 | 一种基于时空特征预测轨道交通站点出站客流量的方法 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
CN108564789B (zh) * | 2018-06-11 | 2020-11-17 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
CN109243172A (zh) * | 2018-07-25 | 2019-01-18 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109243172B (zh) * | 2018-07-25 | 2021-06-08 | 华南理工大学 | 基于遗传算法优化lstm神经网络的交通流预测方法 |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109308543B (zh) * | 2018-08-20 | 2021-10-22 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109492814B (zh) * | 2018-11-15 | 2021-04-20 | 中国科学院深圳先进技术研究院 | 一种城市交通流量预测方法、***及电子设备 |
CN109657881A (zh) * | 2019-01-14 | 2019-04-19 | 南京国电南自电网自动化有限公司 | 一种适用于小样本的神经网络光伏发电预测方法及*** |
CN110381524A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、***及存储介质 |
CN110381524B (zh) * | 2019-07-15 | 2022-12-20 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、***及存储介质 |
CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
CN111597971A (zh) * | 2020-05-14 | 2020-08-28 | 北京交通大学 | 一种城市轨道交通短期进站客流量预测方法 |
CN111597971B (zh) * | 2020-05-14 | 2024-05-21 | 北京交通大学 | 一种城市轨道交通短期进站客流量预测方法 |
CN113159385A (zh) * | 2021-03-22 | 2021-07-23 | 中铁信(北京)网络技术研究院有限公司 | 一种基于深度强化学习的自反馈客流控制方法及装置 |
CN114091579A (zh) * | 2021-11-03 | 2022-02-25 | 深圳技术大学 | 城市轨道交通客流预警***和方法 |
CN115146843A (zh) * | 2022-06-27 | 2022-10-04 | 北京交通大学 | 一种基于元学习的地铁新开车站短期客流预测方法 |
CN115146843B (zh) * | 2022-06-27 | 2023-08-15 | 北京交通大学 | 一种基于元学习的地铁新开车站短期客流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372722A (zh) | 地铁短时流量预测方法及装置 | |
CN105654729B (zh) | 一种基于卷积神经网络的短时交通流量预测方法 | |
CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
CN108831153A (zh) | 一种利用时空分布特性的交通流预测方法及装置 | |
CN109558985A (zh) | 一种基于bp神经网络的公交客流量预测方法 | |
CN106652434A (zh) | 一种基于轨道交通协调的公交调度方法 | |
CN107958316A (zh) | 一种轨道交通线路的列车停站优化方法及*** | |
CN106205156A (zh) | 一种针对部分车道车流突变的交叉口自愈合控制方法 | |
CN107480807A (zh) | 基于时空感知神经网络的共享单车目的地预测方法及装置 | |
CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
CN106021902B (zh) | 一种用于城市轨道交通客流拥挤指数的分级方法 | |
CN106372799A (zh) | 一种电网安全风险预测方法 | |
CN109002625A (zh) | 一种基于鲁棒优化的接驳公交网络设计方法 | |
CN110210664A (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
CN106934229A (zh) | 考虑滞留乘客的城市轨道交通车站站台聚集人数计算方法 | |
CN105447116A (zh) | 基于Mamdani算法的停车诱导决策方法 | |
CN106709833A (zh) | 一种基于大数据的校车路径优化方法 | |
Zou et al. | Short-term traffic flow prediction based on PCC-BiLSTM | |
CN114240002A (zh) | 基于深度强化学习的公交发车时刻表动态优化算法 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
Hlaing et al. | Big traffic data analytics for smart urban intelligent traffic system using machine learning techniques | |
CN114154695B (zh) | 一种基于迁移学习的城市轨道交通短时客流预测方法 | |
Al-Najada et al. | Real-time incident clearance time prediction using traffic data from internet of mobility sensors | |
Zhang et al. | Simulation of fire emergency evacuation in metro station based on cellular automata | |
Ayman et al. | Neural architecture and feature search for predicting the ridership of public transportation routes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170201 |
|
RJ01 | Rejection of invention patent application after publication |