[发明专利]一种基于组合神经网络结构的短时轨道交通客流预测方法

说明书

本发明公开了一种基于组合神经网络短时轨道交通客流预测方法，它是通过自编码神经网络模型，对采集到的轨道交通客流数据进行训练，使用逐层贪婪训练法依次训练每层网络，抽象出客流的本质规律；然后将学习到的参数用于初始化小波神经网络，利用有监督学习对权值进行调整，最后利用调整后的小波神经网络对短时轨道交通客流进行预测。本发明的方法可以对轨道交通客流数据进行更深入的特征提取，而且具备良好的时频局部化性能及函数逼近功能，因此在对轨道交通客流进行短时预测时精准度更高，性能更优。

技术领域

本发明涉及轨道交通客流预测领域，具体涉及一种基于组合神经网络结构的短时轨道交通客流预测方法。

背景技术

随着国民经济的快速发展，国内交通网络结构愈发复杂，对于缓解城市道路压力、提高人们出行效率、降低能源消耗等方面，城市公共交通的大力发展是目前最有效的措施。轨道交通与其他交通工具相比，能提供更快的服务速度和更大的承载容量，对缓解城市交通拥堵、提高城市出行效率、改善城市交通结构、促进经济社会可持续发展有着十分重要的作用。

轨道交通项目的规划与设计中很多重要问题的判断与决策都需要通过客流预测提供数据支持，根据客流预测各项数据，将对轨道交通建设的重要问题作出判断和决策。传统的轨道交通客流数据预测方法主要有支持向量机、神经网络和决策树等，这些方法在一定规模的轨道交通客流数据基础上进行建模，从而进行预测，取得了一定的预测成效。但随着大数据时代的到来，诸如支持向量机这类浅层模型难以有效发掘海量数据下的隐含信息，无法获得最佳性能。

发明内容

针对上述问题，本发明提出一种基于组合神经网络的短时轨道交通客流预测模型，可以对轨道交通客流数据进行更深入的特征提取。基于该模型对轨道交通客流进行短时预测时精准度更高，性能更优。

为解决上述技术问题，采用的技术方案如下：

一种基于组合神经网络结构的短时轨道交通客流预测方法，包括以下步骤：

步骤1：把采集到的轨道交通线路上单个车站在运营时间内每隔一时段汇总一次的进出站客流量作为原始样本，对原始样本进行预处理并按照客流特性进行数据分类得到预处理样本；

步骤2：由步骤1得到的预处理样本，输入到自编码神经网络中，学习客流特征，在训练过程中对参数值进行调整；

步骤3：利用步骤2中的参数初始化小波神经网络，得到客流预测值。

更进一步的，所述步骤1具体为：

步骤1-1：确定神经网络的输入输出量；将客流预测根据时间的跨度分为长期、中期和短期客流预测；并作为初始样本；

步骤1-2：进行样本预处理；

步骤1-3：对异常数据进行处理；

步骤1-4：聚类分析处理，根据日期对客流数据进行分批处理；

步骤1-5：训练数据矩阵的构建；将处理后的数据矩阵中任意选取n组来构建训练数据矩阵，剩下的数据构建测试数据矩阵，构建神经网络的m×n维训练数据矩阵；

步骤1-6：归一化处理；使用归一化公式将样本数据归一化为[0，1]内的值，使客流数据处于同一数量级别，所用公式为：

更进一步的，所述步骤2具体为：

步骤2-1：建立基于自编码技术的小波神经网络模型；

步骤2-2：利用自动编码器提取客流数据特征；自编码包含两个过程：

(3)从输入层到隐藏层的原始数据x的编码过程：

h＝gθ₁(x)＝σ(W₁x+b₁)