[发明专利]一种通过深度学习进行轨交人流预测的方法

说明书

本发明涉及交通中心的人流预测，尤其是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；S2训练神经网络；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，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；对生成预测结果进行人为的预测修正，也就是对预测结果结合官方天气预报对人流量的影响，使得最终预测结果受到天气预报影响，较为符合真实数据。

技术领域

本发明涉及交通中心的人流预测，尤其是一种通过深度学习进行轨交人流预测的方法。

背景技术

对于人流预测，现有技术大多单纯依靠卷积神经网络，例如中国专利公开的一种基于Seq2Seq生成对抗网络的城市人流预测方法，申请号201910195736.1。其中公开了：(1)预处理观测到的数据：基于经纬度将城市划分为一个m*n的方格，用ri，j表示位于第i行、第j列的方格，定义t时刻ri，j区域人流的流入Inflow和流出Outflow：其中是处的轨迹，最终将人流的流入和流出组合成一个张量作为整个网络的输入；(2)问题定义：给定区域R的前n个时间间隔的人流张量信息，同时预测未来k个时间间隔内的人流量；(3)采用生成对抗网络的方法，总体采用WGAN的思想，其中生成网络使用Seq2Seq模型，将整个网络称为SeqST-GAN，其目标函数如下：其中λ是平衡对抗损失和均方差损失的一个参数；(4)定义生成器网络模型G、判别器网络模型D：使用Seq2Seq模型搭建生成器G，用卷积神经网络和长短时记忆网络压缩图像的特征，再使用长短时记忆网络、R-CNN并且结合外部信息解压压缩的特征，判别器D使用Wasserstein距离进行真假判别；随机初始化生成器G和判别器D网络的权重参数；(5)将历史观测数据代入到G中生成假的预测数据，用生成的假数据和真实数据更新判别器D，使用最小批处理的RMSProp算法，并通过反向传播的方式对生成器跟判别器进行优化，使生成器能够生成更加逼真的预测数据，判别器能够更加准确的识别真假数据，达到对抗的目的。如果判别器D不收敛，即其能判别预测数据的真假，则重复上述过程进行训练；(6)若判别器D收敛，即说明判别器不能判别出预测数据的真假，说明生成器的预测结果跟真实结果极其逼近，则使用最终优化的生成器网络G作为最终的预测器。

显而易见地，对于轨道交通中心来说，除了上述算法体现出来的普遍性规律外，还必然受到雨雪天气等因素的影响，上述技术方案并不能真实预测符合实际规律的轨道交通情况。

发明内容

针对现有技术的不足，本发明提供一种更加符合轨道交通人流量规律的预测方法。

本发明的技术方案为：

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。