[发明专利]一种基于张量GRU神经网络的地铁流量预测方法

说明书

本发明公开了一种基于张量GRU神经网络的地铁流量预测方法，本发明将原始数据进行统计并根据输出的时间段进行数据填充，最终划分为训练集和测试集，按照日期的顺序逐日输入网络中；当前的输入

技术领域

本发明涉及一种地铁流量预测方法，具体涉及一种基于张量GRU神经网络的地铁流量预测方法。

背景技术

每个城市的交通监控都希望能实时精准的获取各个地区的流量，然后根据这些已有的流量数据做地区间的交通分析，这样有助于把握整个城市的交通状况，丰富城市大脑的决策能力。在城市里每个时刻产生的数据是多种多样的，数据可以是人群的密度也可以是通过的流量，甚至可以是个人的性别。本文针对地铁监控的场景提出了利用张量GRU(循环神经网络RNN的演化)网络来预测地铁流量的方法。

地铁流量是依据沿着城市中各条地铁线的每个地铁站在一个时间单位里所产生的进站人数和出战人数的综合评估。为了预测一段时间内地铁流量的走向，往往也需要考虑地铁流量的其他数据，比如该地铁站的位置，该地铁站所处的时间段等。这些信息天然就是结构的数据，传统方法往往要拆分各个维度的数据进行特征提取，最后进行特征融合，这直接损害的就是数据中的结构关系。于是采用张量的运算方法，将神经网络矩阵运算改为全张量运算，根据地铁的数据特质，采用时序网络来接受不同时间段的输入，最后根据张量距离来考量数据中各个元素的位置关系从而达到直接利用其数据结构的目的，同时还可以把高阶思路拓展到输出端，使输出端不再局限于向量级别的判断，依靠张量距离对张量内元素下标的计算来达到把握张量结构特征的目的，这样输出端也可以实现高阶的拓展，这在对预测未来不同发展趋势下的不同结果有着重要的意义。

发明内容

本发明针对现有技术的不足，提出了一种基于张量GRU神经网络的地铁流量预测方法。

本发明要解决的技术问题是在高阶数据集的场景下如何运用张量GRU去解决地铁人流量的预测问题。

为了解决这一问题，本发明通过以下技术方案予以实现：

基于张量GRU的地铁流量预测方法，包括如下步骤：

1)取某一时段各个地铁站各时段刷卡的具体数据作为数据集，对数据集进行清洗以及筛选，分别找到以地铁站，地铁线路，节假日类型作为各阶数据的维度，组成一个高阶张量。

2)在输入GRU神经网络前，对每次的输入按照阶进行归一化，同时保证标签数据与输入数据共享同一组均值方差；根据网络输出的维度对输入数据进行z-score标准化，得到均值张量M和标准差张量St；K₁×K₂×…×K_N形状的N阶张量按照阶展开。

3)将步骤2)处理后的数据分割成每一个时间步X输入到GRU神经网络中，在每一个张量GRU运算单元中，通过将权重W与X进行爱因斯坦乘得到隐藏层的张量状态，爱因斯坦积的具体表达式为：

其中A和B分别代表一个N阶张量和一个N+M阶张量，k_N代表张量第N阶的维度大小，将按照阶的顺序从k₁到k_N依次进行对应下标元素的相乘然后进行求和运算将N阶缩减到1阶使得结果为M阶张量；通过张量GRU内部的更新门和重置门的运算得到最后的隐藏层状态H，用作输出或作下一时间步的输入。通过规定的时间步长的计算后，得到的结果张量H，该张量就是得到的隐藏层状态H。