[发明专利]基于混合深度学习模型LSTM-ResNet的城域时空流预测方法

权利要求书

1.基于混合深度学习模型LSTM-ResNet的城域时空流预测方法，其特征在于，具体包括以下基本步骤：

步骤(1)将输入数据集进行预处理，将输入数据集处理为三种形式：以小时、日和周模式为间隔的时空流序列；

步骤(2)将时空流序列送入多层LSTM模型，利用LSTM模型从输入的时空流序列中获取时间相关性，使LSTM记住有效的时间和空间特征，形成候选特征图；

步骤(3)将候选特征映射到ResNet的输入，ResNet单元的短路连接要求输入元素和输出元素具有相同的张量形状，使用卷积层CNN₁对步骤(2)中结果进行处理，使其可以作为ResNet的输入；

步骤(4)将步骤(3)中的结果作为ResNet的输入，输入到多层ResNet模型当中进行变换，并利用ResNet捕捉时空特性；

步骤(5)将ResNet的输出转换为带有时空特征的地图，使用卷积层CNN₂将ResNet的输出转换为(2,M,N)格式的张量，使这个张量包括LSTM和ResNet共同捕捉的特征；

步骤(6)将上述步骤所得结果进行特征融合，通过之前步骤，将会得到以小时、天和周为时间间隔的时空数据流，可以从中获取时空特征图，将这些图以基于矩阵的方法进行合并，将合并后的数据与外部因素进行融合并用tanh作为激活函数，得到预测值；

步骤(7)计算损失函数值，并进行反向传播，将预测值与真实值进行比较，得到损失函数值，并进行反向传播不断减小损失函数值。

2.根据权利要求1所述的基于混合深度学习模型LSTM-ResNet的城域时空流预测方法，其特征在于，所述步骤(1)中，假设预测目标的时间间隔为t_th，一天的时间间隔总数为m，时间缓冲区的半径为b，第i个时间间隔的时空数据流为三维张量为X_i，输入数据和分别为：

3.根据权利要求1所述的基于混合深度学习模型LSTM-ResNet的城域时空流预测方法，其特征在于，所述步骤(2)中，将时空流序列送入多层LSTM模型，将最后一层的输出作为候选特征图返回，候选映射包含有效的时间依赖关系和空间特征，这样，使LSTM模型从输入的时空流序列中获取时间相关性，记住有效的时间和空间特征。

4.根据权利要求1所述的基于混合深度学习模型LSTM-ResNet的城域时空流预测方法，其特征在于，所述步骤(3)中，由于ResNet单元的短路连接要求输入元素和输出元素具有相同的张量形状，而对于第二个CNN层的输出元素，其形状由CNN层中卷积核数K决定，利用卷积层CNN₁及式C^K×M×N＝F_conv(C^O×M×N,K)进行变换，将候选特征映射转换为ResNet模型的输入，这里F_conv表示卷积运算，C^K×M×N表示ResNet模型的输入。

5.根据权利要求1所述的基于混合深度学习模型LSTM-ResNet的城域时空流预测方法，其特征在于，所述步骤(4)中，将步骤(3)变换后的候选特征图输入到一个多层ResNet模型中，为使输出网格的维数与原始输入网格的维数相同，这里只进行卷积运算，不进行子采样和池化，通过ResNet模型捕捉研究区域的时空特性。

6.根据权利要求1所述的基于混合深度学习模型LSTM-ResNet的城域时空流预测方法，其特征在于，所述步骤(5)中，使用ResNet后，所得结果为ST^K×M×N，由于张量预测目标的形状(2,M,N)，因此使用卷积层CNN₂将ResNet的输出变换成形状为(2,M,N)的张量，这个张量包含ResNet和LSTM捕捉到的时空特征。