[發明專利]一種基于張量GRU神經網絡的地鐵流量預測方法

有效

• 申請號: 202010419486.8
• 申請日: 2020-05-18
• 公開（公告）號: CN111709553B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 洪科偉;程雨夏;吳卿
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/0464;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明公開了一種基于張量GRU神經網絡的地鐵流量預測方法，本發明將原始數據進行統計并根據輸出的時間段進行數據填充，最終劃分為訓練集和測試集，按照日期的順序逐日輸入網絡中；當前的輸入

技術領域

本發明涉及一種地鐵流量預測方法，具體涉及一種基于張量GRU神經網絡的地鐵流量預測方法。

背景技術

每個城市的交通監控都希望能實時精準的獲取各個地區的流量，然后根據這些已有的流量數據做地區間的交通分析，這樣有助于把握整個城市的交通狀況，豐富城市大腦的決策能力。在城市里每個時刻產生的數據是多種多樣的，數據可以是人群的密度也可以是通過的流量，甚至可以是個人的性別。本文針對地鐵監控的場景提出了利用張量GRU(循環神經網絡RNN的演化)網絡來預測地鐵流量的方法。

地鐵流量是依據沿著城市中各條地鐵線的每個地鐵站在一個時間單位里所產生的進站人數和出戰人數的綜合評估。為了預測一段時間內地鐵流量的走向，往往也需要考慮地鐵流量的其他數據，比如該地鐵站的位置，該地鐵站所處的時間段等。這些信息天然就是結構的數據，傳統方法往往要拆分各個維度的數據進行特征提取，最后進行特征融合，這直接損害的就是數據中的結構關系。于是采用張量的運算方法，將神經網絡矩陣運算改為全張量運算，根據地鐵的數據特質，采用時序網絡來接受不同時間段的輸入，最后根據張量距離來考量數據中各個元素的位置關系從而達到直接利用其數據結構的目的，同時還可以把高階思路拓展到輸出端，使輸出端不再局限于向量級別的判斷，依靠張量距離對張量內元素下標的計算來達到把握張量結構特征的目的，這樣輸出端也可以實現高階的拓展，這在對預測未來不同發展趨勢下的不同結果有著重要的意義。

發明內容

本發明針對現有技術的不足，提出了一種基于張量GRU神經網絡的地鐵流量預測方法。

本發明要解決的技術問題是在高階數據集的場景下如何運用張量GRU去解決地鐵人流量的預測問題。

為了解決這一問題，本發明通過以下技術方案予以實現：

基于張量GRU的地鐵流量預測方法，包括如下步驟：

1)取某一時段各個地鐵站各時段刷卡的具體數據作為數據集，對數據集進行清洗以及篩選，分別找到以地鐵站，地鐵線路，節假日類型作為各階數據的維度，組成一個高階張量。

2)在輸入GRU神經網絡前，對每次的輸入按照階進行歸一化，同時保證標簽數據與輸入數據共享同一組均值方差；根據網絡輸出的維度對輸入數據進行z-score標準化，得到均值張量M和標準差張量St；K₁×K₂×…×K_N形狀的N階張量按照階展開。

3)將步驟2)處理后的數據分割成每一個時間步X輸入到GRU神經網絡中，在每一個張量GRU運算單元中，通過將權重W與X進行愛因斯坦乘得到隱藏層的張量狀態，愛因斯坦積的具體表達式為：

其中A和B分別代表一個N階張量和一個N+M階張量，k_N代表張量第N階的維度大小，將按照階的順序從k₁到k_N依次進行對應下標元素的相乘然后進行求和運算將N階縮減到1階使得結果為M階張量；通過張量GRU內部的更新門和重置門的運算得到最后的隱藏層狀態H，用作輸出或作下一時間步的輸入。通過規定的時間步長的計算后，得到的結果張量H，該張量就是得到的隱藏層狀態H。