[发明专利]基于LSTM的公共场所入口人流量预测方法

权利要求书

1.一种基于LSTM的公共场所入口人流量预测方法，其特征在于：包括以下步骤：

步骤一：获取人流量数据：通过公共场所入口前端安装的若干视频采集装置实时获取人流量数据；

步骤二：对步骤一中获取的人流量数据信息实时提取统计，并上传至与视频采集装置连接的数据库服务器

步骤三：通过数据库服务器对人流量数据进行清洗、过滤、整理；

步骤四：基于LSTM神经网络建立入口人流量预测模型；

步骤五：通过对预测模型进行训练，预测未来一段时间的公共场所入口人流量趋势；

步骤六：根据人流量信息调取决策库进行智能决策，将智能决策得到的人员设备调度方案提前通知相关工作人员做好应急准备。

2.根据权利要求1所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤四包括以下步骤建立入口人流量预测模型：

S41：LSTM中用门算法来控制隐藏状态h和单元状态c，即LSTM神经网络用门算法控制以前时刻和当前时刻的输入对当前时刻输出影响的记忆保持或丢弃；

S42：设置遗忘门；

S43：设置输入门；

S44：计算用于描述当前输入的单元状态；

S45：计算当前时刻的单元状态c_t；

S46：设置输出门；

S47：误差项沿时间反向传递；

S48：计算权重梯度；

S49：权重更新。

3.根据权利要求2所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S41具体为：

原始RNN隐藏层内部每一个神经网络单元都有对应当前时刻网络状态的输出，将当前时刻神经网络单元网络状态的输出称为隐藏状态h，隐藏状态h可以对短期内神经网络单元的输入进行短期的记忆，并将短期内神经网络单元的输入影响作用到当前时刻神经网络的状态输出，因此它对于短期的输入非常敏感，LSTM神经网络为了实现短期、长期状态保持，在原始RNN中再增加一个状态，即单元状态c，单元状态c以水平线贯穿神经网络单元，负责将以前时刻的隐藏层内部神经网络单元输出即隐藏状态h在当前时刻状态进行保持或丢弃，通过单元状态c控制隐藏状态h，以此让单元状态c将以前时刻的隐藏状态h保存到当前时刻神经网络单元的输出，LSTM中用门算法来控制隐藏状态h、单元状态c，其公式如下：

g(x)＝σ(Wx+b) (1)

LSTM用两个门来控制单元状态c的内容，一个是遗忘门(forget gate)，它决定了上一时刻的单元状态c_t-1有多少保留到当前状态c_t；另一个是输入门(input gate)，它决定了当前时刻网络的输入x_t有多少保存到单元状态c_t；LSTM用输出门(output gate)来控制单元状态c_t有多少输入到LSTM当前输出值h_t。

4.根据权利要求3所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S42中遗忘门公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f) (2)

上式中，W_f是遗忘门的权重矩阵，x_t为当前时刻网络的输入，h_t-1是上一时刻的输入x_t-1作用于上一时刻神经网络单元的输出值，[h_t-1，x_t]表示把两个向量连接成一个更长的向量，b_f是遗忘门的偏置项，σ是sigmoid激活函数；如果输入的维度是d_x，隐藏层的维度是d_h，单元状态的维度是d_c(通常d_c＝d_h)，则遗忘门的权重矩阵W_f维度是d_c×(d_h+d_x)。