[发明专利]一种地铁客流量预测方法

权利要求书

1.一种地铁客流量预测方法，其特征在于，包括以下步骤：

步骤S1：获取地铁客流数据，对地铁客流数据进行特征分析，得到影响地铁客流数据的影响因素；

步骤S2：对影响因素进行数字化处理，得到影响因素数据；

步骤S3：基于影响因素数据得到最终的地铁客流数据，将最终的地铁客流数据划分为训练数据集、测试集以及验证集；

步骤S4：基于门控循环单元GRU构建自动调优循环神经网络；所述的自动调优循环神经网络中包括输入层，特征提取层以及输出层；所述特征提取层中一共有n个GRU单元，在GRU单元中，首先对训练数据集进行前向传播处理，之后再进行反向传播，更新网络中每一层的参数，并输出最后的结果；对训练数据集进行前向传播的具体过程如下：

首先，对训练数据集进行前向传播，具体的计算过程如下：

r_t＝σ(W_r·[h_t-1,x_t])                                               (4)

z_t＝σ(W_z·[h_t-1,x_t])                                               (5)

y_t＝σ(W_o·h_t)                                                   (8)

其中，h_t为t时刻的输出，x_t为t时刻的输入，r代表重置门，z代表更新门，代表候选信息，σ表示sigmod函数；

在重置门中，r_t为重置门的输出，W_r为重置门的权值；

在更新门中，z_t为更新门的输出，W_z为更新门的权值；

在候选信息中，为候选信息的权值，W_o为输出的权值；

候选信息梯度：

更新门梯度:

重置门梯度：

往前面步反传时间轴上的误差信号：

其中，L为损失函数，W_hz和W_xz分别为更新门的参数矩阵，为t时刻备选的用来更新的内容，和为候选信息的参数矩阵，上标T代表矩阵的转置操作；

对训练数据集进行反向传播的具体过程如下：

候选信息相关：

更新门相关：

重置门相关：

其中L为损失函数，W_hz和W_xz分别为更新门的参数矩阵，和分别为候选信息的参数矩阵，W_hr和W_xr为别为遗忘门的参数矩阵，上标T代表矩阵的转置操作；

步骤S5：将训练数据集输入到自动调优循环神经网络中对自动调优循环神经网络进行训练，得到训练好的自动调优循环神经网络；

步骤S6：将测试集输入到训练好的自动调优循环神经网络中，得到地铁客流数据的预测结果；

步骤S7：使用随机搜索及贝叶斯优化方法，对训练好的自动调优循环神经网络进行优化，得到优化后的自动调优循环神经网络；

步骤S8：通过均方根误差公式以及平均绝对百分比误差公式对优化后的自动调优循环神经网络进行评价，并使用验证集验证优化后的自动调优循环神经网络的准确性。

2.根据权利要求1所述的一种地铁客流量预测方法，其特征在于，在步骤S1中，经过特征性分析，造成地铁客流量波动的影响因素包括：工作日带来的固定上下班客流、非工作日出游客流、节假日带来的工作日调整以及归乡返程客流、天气因素导致出行方式的改变所带来的客流。