[发明专利]一种通过深度学习进行轨交人流预测的方法

权利要求书

1.一种通过深度学习进行轨交人流预测的方法，它包括以下步骤：

S1数据预处理：将待监测地区拆分为N*N的网格，每三十分钟对网格内的流进、流出人流进行统计，每个网格为一子区域，所有子区域组成集合R＝(r1，1，…ri，j)，其中ri，j代表位于网格内的第i行第j列的子区域；

定义为时刻t的人流轨迹，对于时刻t子区域ri，j的流入量和流出量可以分别定义：

上述数据可通过运营商的基站信息获得，并将天气、节假日组合成为外部特征张量；

S2训练神经网络：使用上一步骤构建的人流数据训练生成对抗网络，模型设置两个部分，分别为生成部和判别部，他们的输入分别是历史数据张量矩阵X1：n和真实人流张量矩阵Xn+1：n+k，G(X1：n)是生成部通过学习样本分布所产生的样本，判别部输入源于真实数据，那么它的输出值为真，如果来源于G(X1：n)，那么它的输出值为假，神经网络模型采用WGAN生成对抗网络，Xi代表真实数据，X^︿_i代表生成的虚假数据，给定N对真假数据张量，结合均方差损失，对抗网络的目标函数为：

利用Seq2Seq模型作为生成部，在生成对抗网络的训练中，训练判别部最大化对其数据来源的判别精度，同时通过训练生成部来最小化判别部的精度，通过使用RMSProp算法和反向传播算法分别对两者进行优化，最终当算法收敛时，得到最优解；

S3生成预测结果：将前t个时刻的热流张量矩阵导入训练好的神经网络模型，生成后k个时刻人流量的预测结果，该结果以人流张量矩阵的模式呈现，；对于k个时刻后人流量预测结果乘于天气变量，天气采用官方天气预报部门对k个时刻后的天气预测，对每种天气进行赋值即为天气变量，晴朗/多云为1，小雨为0.9，中雨为0.7，大雨/雨雪为0.5，灾害天气为0.3。

2.根据权利要求1所述的一种通过深度学习进行轨交人流预测的方法，其特征在于：判别部和生成部的具体设计方法如下：

生成部包含了一个Seq2Seq结构，Seq2Seq结构包含一个压缩器Encoder和一个解压器Decoder。Encoder部分包含了两层结构，一个卷积神经网络CNN层，一个长短时记忆网络LSTM层。首先，将训练数据输入到一个卷积神经网络层(CNN)来学习网格上人流数据的空间特征；然后，一个长短时记忆网络将用来捕捉人流数据序列的时间相关性；最终经过CNN层和LSTM层的训练，输出提取出的特征向量。Decoder部分将Encoder层提取出的特征向量作为输入，其包含了三层结构，一个长短时记忆网络LSTM层，一个R-CNN层和一个外部信息EC-gate层，EC-gate层的作用是结合包含天气、时间和人流信息的外部信息，经过三层的变换，利用Encoder层提取的特征生成后k个时刻的区域内人流数据张量；

判别部包含了两层结构，一个卷积神经网络CNN层，一个长短时记忆网络LSTM层。将生成部生成的虚假数据和真实数据放入判别部，首先输入到CNN层学习数据潜在的空间特性，然后输入到LSTM层学习时间特性，利用Wasserstein距离来判断数据的真伪，通过反向传播的方式不断优化生成器和判别器，直至算法收敛。