[發明專利]基于深度學習和乘客行為模式的短期公交客流預測方法

在審

• 申請號: 201810614511.0
• 申請日: 2018-06-14
• 公開（公告）號: CN109034449A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 巫威眺;周偉;靳文舟;任婧璇
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06F17/16
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 裴磊磊

1.一種基于深度學習和乘客行為模式的短期公交客流預測方法，其特征在于，所述方法包括以下步驟：

步驟1、對公交客流影響因素進行識別與特征提取：所述影響因素同時考慮外部因素和內部因素，選取出行時間、是否高峰時段、天氣狀況和工作日性質這4個指標作為影響公交客流的外部因素，并對其中的是否高峰時段、天氣狀況和工作日性質這3個離散型指標進行了量化，選取公交卡刷卡類型、乘客對公交線路依賴度和乘客出行行為模式這3個指標作為影響公交客流的內部因素，并分析影響公交客流內部因素和外部因素的相互作用機制及其對公交客流生成的影響，通過聚類對乘客類型進行劃分；

步驟2、對公交客流數據結構進行重新構造，將輸入樣本細分小時客流x_t重新構造為細分小時客流矩陣X_t，使其能夠適應CNN和ConvLSTM模型，充分利用卷積運算的特性和優勢；

步驟3、以歷史客流、影響公交客流的外部因素和內部因素作為輸入數據，根據8種不同維度的數據輸入方案，即考慮內部影響因素的7種組合數據輸入方案和1種不考慮內部影響因素的數據輸入方案，利用深度學習模型對公交客流進行預測，通過多次試驗獲取公交客流預測的平均相對誤差和絕對誤差。

2.根據權利要求1所述的一種基于深度學習和乘客行為模式的短期公交客流預測方法，其特征在于：所述公交卡刷卡類型能夠通過原始刷卡數據獲取，通過原始刷卡數據對公交卡刷卡類型進行分類。

3.根據權利要求1所述的一種基于深度學習和乘客行為模式的短期公交客流預測方法，其特征在于：所述乘客對公交線路依賴度通過統計乘客的周平均乘車次數和周乘車標準差，將乘客對公交線路依賴度進行分類。

4.根據權利要求1所述的一種基于深度學習和乘客行為模式的短期公交客流預測方法，其特征在于：所述乘客出行行為模式通過統計乘客刷卡類型和刷卡時間，將乘客出行行為模式進行分類。

5.根據權利要求1所述的一種基于深度學習和乘客行為模式的短期公交客流預測方法，其特征在于：所述深度學習模型為DNN、LSTM、CNN或ConvLSTM。

6.根據權利要求1所述的一種基于深度學習和乘客行為模式的短期公交客流預測方法，其特征在于：所述深度學習模型中每一輸入樣本x_t為包括歷史客流、外部因素和內部因素這三大特征的列向量，在卷積神經網絡模型中，以每小時的客流量為劃分依據，將輸入樣本細分小時客流x_t重新構造為細分小時客流矩陣X_t，如下式所示：

對于細分小時客流矩陣X_t，列x_i表示第t時段內客流在第i個維度上的特征，m為時段客流的細分個數，n為客流特征個數。

7.根據權利要求1所述的一種基于深度學習和乘客行為模式的短期公交客流預測方法，其特征在于：通過改變深度學習模型中網絡輸出層的結構，能夠對公交客流的組成成分進行預測，對于公交客流總量的預測模型，其輸出層神經元個數為1；為了得到各類客流成分的預測結果，需要調整輸出層神經元個數與客流成分類別數一致，重新進行訓練實現。