CN109389244A - 一种基于gru的多因素感知短期景区内游客人数预测方法 - Google Patents
一种基于gru的多因素感知短期景区内游客人数预测方法 Download PDFInfo
- Publication number
- CN109389244A CN109389244A CN201811038526.3A CN201811038526A CN109389244A CN 109389244 A CN109389244 A CN 109389244A CN 201811038526 A CN201811038526 A CN 201811038526A CN 109389244 A CN109389244 A CN 109389244A
- Authority
- CN
- China
- Prior art keywords
- scenic spot
- time
- gru
- tourist
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008447 perception Effects 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000002123 temporal effect Effects 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000010410 layer Substances 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- VAYOSLLFUXYJDT-RDTXWAMCSA-N Lysergic acid diethylamide Chemical compound C1=CC(C=2[C@H](N(C)C[C@@H](C=2)C(=O)N(CC)CC)C2)=C3C2=CNC3=C1 VAYOSLLFUXYJDT-RDTXWAMCSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于GRU的多因素感知短期景区内游客人数预测方法,具体实施如下:1)对原始景区数据进行预处理,得到多个时间序列和预测时刻的相关情境信息及其距当前时刻的时刻数;2)利用CNN卷积神经网络提取时间序列的特征向量;利用GRU网络处理CNN提取的特征向量,得到时序特征向量;3)将GRU中得到的时序特征向量和预测时刻的相关情境信息及其距当前时刻的时刻数独热(one‑hot)编码相连接,输入到全连接层中,得到预测时刻景区内游客人数。本发明利用CNN和GRU处理景区多时序数据,并加入预测时刻的相关情境信息及其距当前时刻的时刻数来预测短期景区内游客人数,在智能旅游、流量预测等领域具有广阔的应用前景。
Description
技术领域
本发明涉及旅游人数预测方法领域,尤其涉及一种基于GRU的多因素感知短期景区内游客人数预测方法。
背景技术
随着社会经济的飞速发展和人们生活水平的提高,出门旅游的人越来越多,给景区管理带来很大挑战。而短期景区内游客人数预测则能为景区科学管理与流量合理调度提供重要的数据依据。
短期景区内游客人数预测方法大致可分为基于自回归模型的方法、基于传统机器学***均模型(ARMA)、自回归积分滑动平均模型(ARIMA)等,是研究时间序列经典的模型,擅长解决变化平稳的时间序列预测问题。然而,这类模型只能处理线性变化的时间序列且很难利用其他影响景区内游客人数的因素。传统机器学习的模型主要有因子分解机、支持向量回归(SVR)等,有相对完善的理论基础,能在数据较为稀疏的情况下挖掘出特征间的关系。然而,这类模型在景区内游客人数预测时忽略了相关时序数据,并且在建立时需要经过大量的分析来选择关键参数。随着深度学习的发展,出现了一些基于深度学习的景区内游客人数预测模型,利用卷积神经网络(CNN)、长短时记忆网络(LSTM)等提取深度特征。然而,这类模型虽然能充分学习数据间的关系,但没有考虑相关时序数据或者考虑了相关时序数据但忽略了非时序数据,如情境信息等。
发明内容
本发明为克服上述的不足之处,目的在于提供一种基于GRU的多因素感知短期景区内游客人数预测方法,本发明方法首先对原始景区数据进行预处理得到多个时间序列和预测时刻的相关情境信息及其距当前时刻的时刻数;然后利用CNN提取时间序列的特征向量;再利用GRU处理通过CNN提取的特征向量得到时序特征向量;将时序特征向量和预测时刻的相关情境信息及其距当前时刻的时刻数独热(one-hot)编码相连接,送入全连接层,得到预测时刻景区内游客人数。本发明充分利用景区的多时序数据和非时序数据来预测短期景区内游客人数,在智能旅游、流量预测等领域具有广阔的应用前景。
本发明是通过以下技术方案达到上述目的:一种基于GRU的多因素感知短期景区内游客人数预测方法,包括数据处理、特征提取、游客人数预测三个阶段,具体步骤如下:
(1)数据处理阶段:对获取得到的原始景区数据进行预处理,得到多个时间序列和预测时刻的相关情境信息及其距当前时刻的时刻数;
(2)特征提取阶段:利用CNN卷积神经网络提取时间序列的特征向量,并利用GRU网络处理CNN提取的特征向量,得到时序特征向量;
(3)游客人数预测阶段:将GRU中得到的时序特征向量和预测时刻的相关情境信息及其距当前时刻时刻数的one-hot编码相连接,输入到全连接层中,得到预测时刻景区内游客人数。
作为优选,所述数据处理阶段的具体步骤如下:
(1.1)获取当前时刻前m个时刻的景区闸机数据、监控点车辆数据和预测时刻的相关情境信息及其距当前时刻的时刻数n;
(1.2)将景区闸机数据处理成3个时间序列,分别是景区内游客人数xtot,进入景区游客流量xin,离开景区游客流量xout;
(1.3)按车牌信息将车辆分为本地、外地本省和外省三类,按车辆类型将车辆分为客车和轿车两类,将景区附近监控点车辆数据处理成12个时间序列,分别为本地客车进入流量xttbin,本地客车离开流量xttbout,本地轿车进入流量xttcin,本地轿车离开流量xttcout,外地本省客车进入流量xtfbin,外地本省客车离开流量xtfbout,外地本省轿车进入流量xtfein,外地本省轿车离开流量xtfcout,外省客车进入流量xffbin,外省客车离开流量xffbut,外省轿车进入流量xffcin,外省轿车离开流量xffcout;
(1.4)对每个时间序列进行归一化处理;
(1.5)对预测时刻的相关情境信息及其距当前时刻的时刻数n进行one-hot编码得到向量表示vt、vh、vw、vn。
作为优选,所述在步骤(1.1)中,景区闸机数据包括游客进入景区数据和游客离开景区数据;相关情境信息包括时间段、节假日、天气状况;获取预测时刻的相关情境信息(时间段、节假日、天气状况)及其距当前时刻的时刻数n时,时间段按上午(08:00~10:59)、中午(11:00~13:59)、下午(14:00~17:00)划分,节假日按小长假或黄金周、周末、工作日划分,天气状况按sunny、cloudy、rainy、snowy、foggy、clear划分;其中,天气状况基于景区天气预报得到。
作为优选,所述在步骤(1.4)中,对每个时间序列进行最大最小归一化处理,使处理后的数据归一化到[0,1]的范围,公式如下:
其中,x为原始数值,xmax为该数值所在时间序列的最大值,xmin为该数值所在时间序列的最小值。
作为优选,所述特征提取阶段的具体步骤如下:
(2.1)将归一化后的时间序列xtot按长度s进行划分,其中s能整除m,划分后分别输入到CNN中,得到特征向量集其中表示时间序列xtot的第i段s个时刻的特征向量;
(2.2)对剩下的14个时间序列xin、xout、xttbin、xttbout、xttcin、xttcout、xtfbin、xtfbout、xtfcin、xtfcout、xffbin、xffbout、xffcin、xffcout重复步骤1,得到特征向量集
(2.3)将所有特征向量集中同一时间的特征向量拼接得到V={vi,1≤i≤m/s},其中表示第i段s个时刻的特征向量;
(2.4)将V中的特征向量按时间顺序输入到GRU中,得到时序特征向量vs。
作为优选,所述的CNN卷积神经网络包含卷积层和池化层,每层包含多个神经单元:
(i)卷积层:以数据a为输入,对其进行核卷积,输出数据的特征图:
其中l表示层数,表示在l+1层的第j个特征图,K为卷积核,b为偏置量,ReLU为激活函数;
(ii)池化层:用最大池化操作对数据进行下采样:
其中,为在l+1层第i个神经单元的数值,r表示池化区域大小。
作为优选,所述的GRU网络是一类循环神经网络,每个GRU单元包含一个记忆单元ct和两个门:更新门zt和重置门rt,分别控制数据的更新和重置;以xt为t时刻的输入,ht-1和ct-1为前一时刻的隐状态和记忆单元状态,计算公式如下:
rt=sigm(Wxrxt+Whrht-1)
zt=sigm(Wxzxt+Whzht-1)
ct=tanh(Wxcxt+Whc(rt°ht-1))
ht=(1-zt)°ht-1+zt°ct
其中,操作符°表示点乘运算,W表示权重矩阵,sigm和tanh分别表示sigmoid函数和双曲正切函数;
在步骤(2.4)中,GRU网络是包含m/s个GRU单元的单层GRU;将V中的特征向量分别输入对应GRU单元,通过GRU网络得到时序特征向量vs;在GRU网络中,上一时刻的状态输入到下一GRU单元中,保留了数据的时序信息。
作为优选,所述游客人数预测阶段的步骤如下:
(3.1)将GRU中得到的时序特征向量vs与预测时刻的相关情境信息及其距当前时刻时刻数n的one-hot编码vt、vh、vw以及vn相连接,得到全连接层的输入向量vf;
(3.2)将输入向量vf输入到全连接层中,得到预测时刻景区内游客人数。
作为优选,所述得到预测时刻景区内游客人数的方法为:全连接层将通过GRU得到的特征进行加权,公式如下:
yt=xtw
xt为输入向量,w为权重,yt为经过全连接后得到的预测时刻景区内游客人数,其中全连接层神经元数为1,激活函数为LeakyReLU。
本发明的有益效果在于:(1)本发明充分考虑了景区闸机数据、监控点车辆数据中的多时序数据和预测时刻的相关情境信息(时间段、节假日、天气状况)及其距当前时刻的时刻数;(2)本发明利用深度学习方法(CNN和GRU)提取时序特征,避免了传统方法造成的信息丢失,对短期景区内游客人数进行准确预测。
附图说明
图1是本发明方法的流程框架图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:一种基于GRU的多因素感知短期景区内游客人数预测方法,如图1所示,包括数据处理、特征提取和游客人数预测三个阶段,具体如下:
(1)数据处理阶段:
步骤1,获取当前时刻前m个时刻的景区闸机数据、监控点车辆数据和预测时刻的相关情境信息(时间段、节假日、天气状况)及其距当前时刻的时刻数n。
获取当前时刻前m个时刻的景区闸机数据(包括游客进入景区数据和游客离开景区数据)和监控点车辆数据。
获取预测时刻的相关情境信息(时间段、节假日、天气状况)及其距当前时刻的时刻数n。时间段按上午(08:00~10:59)、中午(11:00~13:59)、下午(14:00~17:00)划分,节假日按小长假或黄金周、周末、工作日划分,天气状况按sunny、cloudy、rainy、snowy、foggy、clear划分。其中,天气状况基于景区天气预报得到。
步骤2,将景区闸机数据处理成3个时间序列(景区内游客人数xtot,进入景区游客流量xin,离开景区游客流量xout)。
步骤3,按车牌信息将车辆分为本地、外地本省和外省三类,按车辆类型将车辆分为客车和轿车两类,将景区附近监控点车辆数据处理成12个时间序列(本地客车进入流量xttbin,本地客车离开流量xttbout,本地轿车进入流量xttcin,本地轿车离开流量xttcout,外地本省客车进入流量xtfbin,外地本省客车离开流量xtfbout,外地本省轿车进入流量xtfcin,外地本省轿车离开流量xtfcout,外省客车进入流量xffbin,外省客车离开流量xffbout,外省轿车进入流量xffcin,外省轿车离开流量xffcout)。
步骤4,对每个时间序列进行归一化处理。
对每个时间序列进行最大最小归一化处理,使处理后的数据归一化到[0,1]的范围,公式如下:
x为原始数值,xmax为该数值所在时间序列的最大值,xmin为该数值所在时间序列的最小值。
步骤5,对预测时刻的相关情境信息(时间段、节假日、天气状况)及其距当前时刻的时刻数n进行one-hot编码得到向量表示vt、vh、vw、vn。
(2)特征提取阶段:
步骤1,将归一化后的时间序列xtot按长度s(s能整除m)进行划分,分别输入到CNN中,得到特征向量集其中表示时间序列xtot的第i段s个时刻的特征向量。
本方法构建的CNN包含卷积层和池化层,每层包含多个神经单元。
(i)卷积层:以数据a为输入,对其进行核卷积,输出数据的特征图:
其中l表示层数,表示在l+1层的第j个特征图,K为卷积核,b为偏置量,ReLU为激活函数。
(ii)池化层:用最大池化操作对数据进行下采样:
为在l+1层第i个神经单元的数值,r表示池化区域大小。
具体网络如图1中特征提取阶段虚线框所示,不同的时间序列采用的CNN网络结构相同,但学习到的网络参数不同。同一时间序列的不同段采用的CNN网络结构相同且共享网络参数。若窗口参数s为60,卷积层和池化层的参数如图1中特征提取阶段虚线框所示,卷积层中@前的数值表示卷积核大小,@后的数值表示卷积核数目,池化层中数值表示池化操作的大小;若窗口参数s发生改变,卷积层和池化层的参数也要做相应调整。输入时间序列经过一系列卷积和池化得到对应的特征向量。
步骤2,对剩下的14个时间序列xin、xout、xttbin、xttbout、xttecin、xttcout、xtfbin、xtfcout、xtfcin、xtfcout、xffbin、xffbout、xffcin、xffcout重复步骤1,得到特征向量集
步骤3,将所有特征向量集中同一时间的特征向量拼接得到V={vi,1≤i≤m/s},其中表示第i段s个时刻的特征向量。
步骤4,将V中的特征向量按时间顺序输入到GRU中,得到时序特征向量vs。
GRU网络是一类循环神经网络,每个GRU单元包含一个记忆单元ct和两个门:更新门zt和重置门rt,分别控制数据的更新和重置。以xt为t时刻的输入,ht-1和ct-1为前一时刻的隐状态和记忆单元状态,计算公式如下:
rt=sigm(Wxrxt+Whrht-1) (4)
zt=sigm(Wxzxt+Whzht-1) (5)
ct=tanh(Wxcxt+Whc(rt°ht-1)) (6)
ht=(1-zt)°ht-1+zt°ct (7)
操作符°表示点乘运算,W表示权重矩阵,sigm和tanh分别表示sigmoid函数和双曲正切函数。
本方法构建的GRU网络是包含m/s个GRU单元的单层GRU。将V中的特征向量分别输入对应GRU单元,通过GRU网络得到时序特征向量vs。在GRU网络中,上一时刻的状态输入到下一GRU单元中,保留了数据的时序信息。
(3)游客人数预测阶段:
步骤1,将GRU中得到的时序特征向量vs与预测时刻的相关情境信息及其距当前时刻时刻数n的one-hot编码vt、vh、vw以及vn相连接,得到全连接层的输入向量vf。
步骤2,将输入向量vf输入到全连接层中,得到预测时刻景区内游客人数。
全连接层将通过GRU得到的特征进行加权,公式如下:
yt=xtw (8)
xt为输入向量,w为权重,yt为经过全连接后得到的预测时刻景区内游客人数。其中全连接层神经元数为1,激活函数为LeakyReLU。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (9)
1.一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于,包括数据处理、特征提取、游客人数预测三个阶段,具体步骤如下:
(1)数据处理阶段:对获取得到的原始景区数据进行预处理,得到多个时间序列和预测时刻的相关情境信息及其距当前时刻的时刻数;
(2)特征提取阶段:利用CNN卷积神经网络提取时间序列的特征向量,并利用GRU网络处理CNN提取的特征向量,得到时序特征向量;
(3)游客人数预测阶段:将GRU中得到的时序特征向量和预测时刻的相关情境信息及其距当前时刻时刻数的one-hot编码相连接,输入到全连接层中,得到预测时刻景区内游客人数。
2.根据权利要求1所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述数据处理阶段的具体步骤如下:
(1.1)获取当前时刻前m个时刻的景区闸机数据、监控点车辆数据和预测时刻的相关情境信息及其距当前时刻的时刻数n;
(1.2)将景区闸机数据处理成3个时间序列,分别是景区内游客人数xtot,进入景区游客流量xin,离开景区游客流量xout;
(1.3)按车牌信息将车辆分为本地、外地本省和外省三类,按车辆类型将车辆分为客车和轿车两类,将景区附近监控点车辆数据处理成12个时间序列,分别为本地客车进入流量xttbin,本地客车离开流量xttbout,本地轿车进入流量xttcin,本地轿车离开流量xttcout,外地本省客车进入流量xtfbin,外地本省客车离开流量xtfbout,外地本省轿车进入流量xtfcin,外地本省轿车离开流量xtfcout,外省客车进入流量xffbin,外省客车离开流量xffbout,外省轿车进入流量xffcin,外省轿车离开流量xffcout;
(1.4)对每个时间序列进行归一化处理;
(1.5)对预测时刻的相关情境信息及其距当前时刻的时刻数n进行one-hot编码得到向量表示vt、vh、vw、vn。
3.根据权利要求2所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述在步骤(1.1)中,景区闸机数据包括游客进入景区数据和游客离开景区数据;相关情境信息包括时间段、节假日、天气状况;获取预测时刻的相关情境信息(时间段、节假日、天气状况)及其距当前时刻的时刻数n时,时间段按上午(08:00~10:59)、中午(11:00~13:59)、下午(14:00~17:00)划分,节假日按小长假或黄金周、周末、工作日划分,天气状况按sunny、cloudy、rainy、snowy、foggy、clear划分;其中,天气状况基于景区天气预报得到。
4.根据权利要求2所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述在步骤(1.4)中,对每个时间序列进行最大最小归一化处理,使处理后的数据归一化到[0,1]的范围,公式如下:
其中,x为原始数值,xmax为该数值所在时间序列的最大值,xmin为该数值所在时间序列的最小值。
5.根据权利要求1所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述特征提取阶段的具体步骤如下:
(2.1)将归一化后的时间序列xtot按长度s进行划分,其中s能整除m,划分后分别输入到CNN中,得到特征向量集其中表示时间序列xtot的第i段s个时刻的特征向量;
(2.2)对剩下的14个时间序列xin、xout、xttbin、xttbout、xttcin、xttcout、xtfbin、xtfbout、xtfcin、xtfcout、xffbin、xffbout、xffcin、xffcout重复步骤1,得到特征向量集
(2.3)将所有特征向量集中同一时间的特征向量拼接得到V={vi,1≤i≤m/s},其中表示第i段s个时刻的特征向量;
(2.4)将V中的特征向量按时间顺序输入到GRU中,得到时序特征向量vs。
6.根据权利要求5所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述的CNN卷积神经网络包含卷积层和池化层,每层包含多个神经单元:
(i)卷积层:以数据a为输入,对其进行核卷积,输出数据的特征图:
其中l表示层数,表示在l+1层的第j个特征图,K为卷积核,b为偏置量,ReLU为激活函数;
(ii)池化层:用最大池化操作对数据进行下采样:
其中,为在l+1层第i个神经单元的数值,r表示池化区域大小。
7.根据权利要求5所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述的GRU网络是一类循环神经网络,每个GRU单元包含一个记忆单元ct和两个门:更新门zt和重置门rt,分别控制数据的更新和重置;以xt为t时刻的输入,ht-1和ct-1为前一时刻的隐状态和记忆单元状态,计算公式如下:
rt=sigm(Wxrxt+Whrht-1)
zt=sigm(Wxzxt+Whzht-1)
ct=tanh(Wxcxt+Whc(rt °ht-1))
ht=(1-zt)°ht-1+zt°ct
其中,操作符°表示点乘运算,W表示权重矩阵,sigm和tanh分别表示sigmoid函数和双曲正切函数;
在步骤(2.4)中,GRU网络是包含m/s个GRU单元的单层GRU;将V中的特征向量分别输入对应GRU单元,通过GRU网络得到时序特征向量vs;在GRU网络中,上一时刻的状态输入到下一GRU单元中,保留了数据的时序信息。
8.根据权利要求1所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述游客人数预测阶段的步骤如下:
(3.1)将GRU中得到的时序特征向量vs与预测时刻的相关情境信息及其距当前时刻时刻数n的one-hot编码vt、vh、vw以及vn相连接,得到全连接层的输入向量vf;
(3.2)将输入向量vf输入到全连接层中,得到预测时刻景区内游客人数。
9.根据权利要求8所述的一种基于GRU的多因素感知短期景区内游客人数预测方法,其特征在于:所述得到预测时刻景区内游客人数的方法为:全连接层将通过GRU得到的特征进行加权,公式如下:
yt=xtw
xt为输入向量,w为权重,yt为经过全连接后得到的预测时刻景区内游客人数,其中全连接层神经元数为1,激活函数为LeakyReLU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038526.3A CN109389244B (zh) | 2018-09-06 | 2018-09-06 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038526.3A CN109389244B (zh) | 2018-09-06 | 2018-09-06 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389244A true CN109389244A (zh) | 2019-02-26 |
CN109389244B CN109389244B (zh) | 2020-08-18 |
Family
ID=65417760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811038526.3A Active CN109389244B (zh) | 2018-09-06 | 2018-09-06 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389244B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232437A (zh) * | 2019-05-30 | 2019-09-13 | 湖南大学 | 基于cnn的时间序列预测方法和模型确定方法 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
CN110991713A (zh) * | 2019-11-21 | 2020-04-10 | 杭州电子科技大学 | 基于多图卷积和gru的不规则区域流量预测方法 |
CN111160622A (zh) * | 2019-12-09 | 2020-05-15 | 北京建筑大学 | 基于混合神经网络模型的景区客流预测方法和装置 |
CN111585783A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于时空流量矩阵预测的流量动态调度方法 |
CN111950698A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 |
CN112365708A (zh) * | 2020-09-29 | 2021-02-12 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
CN112785371A (zh) * | 2021-01-11 | 2021-05-11 | 上海钧正网络科技有限公司 | 一种共享设备位置预测方法、装置及存储介质 |
WO2021111252A1 (en) * | 2019-12-02 | 2021-06-10 | International Business Machines Corporation | Deep contour-correlated forecasting |
CN113255563A (zh) * | 2021-06-10 | 2021-08-13 | 湘南学院 | 一种景区人流控制***及方法 |
CN113421016A (zh) * | 2021-07-09 | 2021-09-21 | 浙江大学 | 一种基于人数预测的资源分配方法、装置、设备及介质 |
CN113537588A (zh) * | 2021-07-13 | 2021-10-22 | 杭州安恒信息技术股份有限公司 | 一种人数预测方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516140A (zh) * | 2017-06-29 | 2017-12-26 | 中兴软创科技股份有限公司 | 交通节点节假日客流预测方法 |
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | ***通信集团湖北有限公司 | 一种区域人流量预测方法及*** |
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及*** |
CN108282262A (zh) * | 2018-04-16 | 2018-07-13 | 西安电子科技大学 | 基于门控循环单元深度网络的智能时序信号分类方法 |
-
2018
- 2018-09-06 CN CN201811038526.3A patent/CN109389244B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | ***通信集团湖北有限公司 | 一种区域人流量预测方法及*** |
CN107516140A (zh) * | 2017-06-29 | 2017-12-26 | 中兴软创科技股份有限公司 | 交通节点节假日客流预测方法 |
CN107862331A (zh) * | 2017-10-31 | 2018-03-30 | 华中科技大学 | 一种基于时间序列及cnn的不安全行为识别方法及*** |
CN108282262A (zh) * | 2018-04-16 | 2018-07-13 | 西安电子科技大学 | 基于门控循环单元深度网络的智能时序信号分类方法 |
Non-Patent Citations (1)
Title |
---|
CHUN-HSIN WU: "Travel一Time Prediction With Support Vector Regression", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263972B (zh) * | 2019-05-15 | 2021-02-09 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110263972A (zh) * | 2019-05-15 | 2019-09-20 | 北京航空航天大学 | 产品质量预测方法及装置 |
CN110232437B (zh) * | 2019-05-30 | 2021-11-16 | 湖南大学 | 基于cnn的时间序列预测方法和模型确定方法 |
CN110232437A (zh) * | 2019-05-30 | 2019-09-13 | 湖南大学 | 基于cnn的时间序列预测方法和模型确定方法 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
CN110991713A (zh) * | 2019-11-21 | 2020-04-10 | 杭州电子科技大学 | 基于多图卷积和gru的不规则区域流量预测方法 |
CN110991713B (zh) * | 2019-11-21 | 2022-04-01 | 杭州电子科技大学 | 基于多图卷积和gru的不规则区域流量预测方法 |
WO2021111252A1 (en) * | 2019-12-02 | 2021-06-10 | International Business Machines Corporation | Deep contour-correlated forecasting |
GB2605719B (en) * | 2019-12-02 | 2024-01-24 | Ibm | Deep contour-correlated forecasting |
US11586705B2 (en) | 2019-12-02 | 2023-02-21 | International Business Machines Corporation | Deep contour-correlated forecasting |
GB2605719A (en) * | 2019-12-02 | 2022-10-12 | Ibm | Deep contour-correlated forecasting |
CN111160622A (zh) * | 2019-12-09 | 2020-05-15 | 北京建筑大学 | 基于混合神经网络模型的景区客流预测方法和装置 |
CN111585783B (zh) * | 2020-03-18 | 2022-07-26 | 宁波送变电建设有限公司永耀科技分公司 | 基于时空流量矩阵预测的流量动态调度方法 |
CN111585783A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于时空流量矩阵预测的流量动态调度方法 |
CN111950698A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 |
CN112365708A (zh) * | 2020-09-29 | 2021-02-12 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
CN112365708B (zh) * | 2020-09-29 | 2022-04-19 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
CN112785371A (zh) * | 2021-01-11 | 2021-05-11 | 上海钧正网络科技有限公司 | 一种共享设备位置预测方法、装置及存储介质 |
CN113255563A (zh) * | 2021-06-10 | 2021-08-13 | 湘南学院 | 一种景区人流控制***及方法 |
CN113255563B (zh) * | 2021-06-10 | 2022-06-10 | 湘南学院 | 一种景区人流控制***及方法 |
CN113421016A (zh) * | 2021-07-09 | 2021-09-21 | 浙江大学 | 一种基于人数预测的资源分配方法、装置、设备及介质 |
CN113537588A (zh) * | 2021-07-13 | 2021-10-22 | 杭州安恒信息技术股份有限公司 | 一种人数预测方法、装置、设备及计算机可读存储介质 |
CN113537588B (zh) * | 2021-07-13 | 2024-02-02 | 杭州安恒信息技术股份有限公司 | 一种人数预测方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109389244B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389244A (zh) | 一种基于gru的多因素感知短期景区内游客人数预测方法 | |
CN108510741B (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN110827543B (zh) | 一种基于深度学习和时空数据融合的短时交通流控制方法 | |
CN111860951B (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN110021165A (zh) | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 | |
CN108898829B (zh) | 针对无差异性划分和数据稀疏的动态短时交通流预测*** | |
CN111127888A (zh) | 一种基于多源数据融合的城市交通流预测方法 | |
CN109299401A (zh) | 基于深度学习模型LSTM-ResNet的城域时空流预测技术 | |
CN108830157A (zh) | 基于注意力机制和3d卷积神经网络的人体行为识别方法 | |
CN105654729A (zh) | 一种基于卷积神经网络的短时交通流量预测方法 | |
CN113362598B (zh) | 一种高速公路服务区车流量预测方法 | |
CN109829495A (zh) | 基于lstm和dcgan的时序性图像预测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
CN114283345A (zh) | 基于元学习和注意力的小样本城市遥感影像信息提取方法 | |
CN112949896A (zh) | 一种基于融合序列分解与时空卷积的时序预测方法 | |
Deng et al. | Deep insight into daily runoff forecasting based on a CNN-LSTM model | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN109116100A (zh) | 一种基于编码-解码结构的电力负荷用电分解方法 | |
CN104537684A (zh) | 一种静态场景中的实时运动目标提取方法 | |
CN110619427A (zh) | 基于序列到序列学习模型的交通指数预测方法和装置 | |
CN113112793A (zh) | 一种基于动态时空相关性的交通流预测方法 | |
CN114005085A (zh) | 一种视频中密集人群分布检测与计数方法 | |
CN110599502A (zh) | 一种基于深度学习的皮肤病变分割方法 | |
CN114419464A (zh) | 一种基于深度学习的孪生网络变化检测模型 | |
CN114819386A (zh) | 一种基于Conv-Transformer的洪水预报方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |