[发明专利]基于CNN-LSTM-At神经网络的短时交通流量预测方法

权利要求书

1.基于CNN-LSTM-At神经网络的短时交通流量预测方法，其特征在于：包括以下步骤：

S1：将某一个区域划分为一个a×b的方格，总共有S＝a×b个网格，将整个时间段划分成n个连续相等的时间间隔t，将时间间隔t内的交通流量定义为在这个时间间隔内到达和/或离开该方格的出租车订单次数，以矩阵O(t)表示到达该区域的出租车订单，以矩阵D(t)表示离开该区域的出租车订单：

式中：表示每一个方格的某一个时间间隔内的到达该方格表示的地区出租车订单，表示每一个方格的某一个时间间隔内的离开该方格表示的地区出租车订单；

S2：使用滑动窗口的方式提取邻近的矩阵O(t)和/或矩阵D(t)生成数据集，通过卷积神经网络进行卷积运算；所述使用滑动窗口的方式是通过窗口取邻近的三个矩阵O(t-1)、O(t)和O(t+1)作为数据集中的一个数据，依次滑动窗口获得多个数据构成数据集；或者是通过窗口取邻近的三个矩阵D(t-1)、D(t)和D(t+1)作为数据集中的一个数据，依次滑动窗口获得多个数据构成数据集；

S3：将卷积运算的输出结果作为LSTM的输入序列，将LSTM输出结果添加一个注意力机制，找到最需要注意的时间步，最后进行样本全连通和整形变换生成预测结果矩阵。

2.根据权利要求1所述的基于CNN-LSTM-At神经网络的短时交通流量预测方法，其特征在于：步骤S2中，卷积神经网络的卷积层具有32个和64个2×2大小的卷积核，使用relu激活函数，padding填充时使填充后输出的宽度和高度与输入相同；卷积神经网络的池化层采用MaxPolling，使用2×2的二维卷积核，提取出数据集中数据的特征，并将数据集中矩阵的长宽缩小到原来的一半；然后添加Dropout防止过拟合，最后将输出数据进行打平处理，生成三维数据，用于作为LSTM的输入序列。

3.根据权利要求1所述的基于CNN-LSTM-At神经网络的短时交通流量预测方法，其特征在于：步骤S3中，LSTM具有输入门、输出门和遗忘门，计算公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)；

i_t＝σ(W_i·[h_t-1，x_t]+b_i)；

o_t＝σ(W_o·[h_t-1，x_t]+b_o)；

h_t＝o_t*tanh(C_t)；

式中：符号“ο”表示两个向量上对应位置上的元素相乘；σ表示sigmoid函数，用其作为激活函数；f代表遗忘门；i代表输入门，O代表输出门；C表示细胞状态；为当前输入的单元状态；h为细胞输出，t为时间；w_f是遗忘门权重值，b_f是遗忘门的偏置权重向量；W_i是输入门权重值，b_i是输入门的偏置权重向量；w_O是输出门权重值，b_o是输出门的偏置权重向量。

4.根据权利要求1所述的基于CNN-LSTM-At神经网络的短时交通流量预测方法，其特征在于：步骤S3中，预测结果矩阵以矩阵热力图的形式进行可视化。