[发明专利]一种聚合信息差异的神经网络结合时间序列预测的方法

权利要求书

1.一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于，包括以下步骤：

步骤一：首先进行数据的输入，输入地铁网络G＝(V,E)的邻接矩阵，然后进行输入每个站点的历史客流量数据X，将客流视为站点的属性，可以表示为X∈R^N×F，X是一个N行F列的矩阵，N表示站点数量，F为节点属性特征个数；

其中地铁网络G中V＝{v_i|i∈[1,N]}，并且E＝{e_ij＝(v_i,v_j)|i,j∈[1,N],i≠j}，其中当v_i和v_j之间存在一条边的时候则e_ij∈E的值为1，V表示地铁站点的集合、N表示站点的数量、E表示站点之间的物理连边；

步骤二：进行增强自身节点的权重，通过基于聚合信息差异最大化的方法，当拉普拉斯矩阵归一化后，在其归一化矩阵的对角线上，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例；

步骤三：进行提取空间特征，通过步骤一输入的每个站点的历史客流量数据以及预处理后的地铁网络的邻接矩阵，提取空间特征；

步骤四：Gate Recurrent Unit模型中的重置门为r_t,然后进行计算重置门r_t，重置门r_t主要是用于控制候选状态c_t的值是否依赖于前一个状态h_t-1；

步骤五：进行计算更新门u_t，在Gate Recurrent Unit模型中的更新门主要用于控制当前状态h_t，需要保留多少来自前一个状态h_t-1的信息,即更新门帮助模型决定要将多少过去的信息传递到未来；

步骤六：进行计算候选状态c_t，通过步骤四得到重置门r_t的数值，通过重置门r_t的数值可以计算得出候选状态c_t的信息；

步骤七：进行更新单元状态h_t，最后通过全连接层输出预测结果[P_t+1,P_t+2,...,P_t+T]，并且利用t个时间步的历史客流数据进行预测未来T个时间步的客流数据，其中P_t+1表示预测的第一个时间步的客流数据，P_t+T表示预测的第T个时间步的客流数据。

2.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤一中，地铁网络G中V＝{v_i|i∈[1,N]}，并且E＝{e_ij＝(v_i,v_j)|i,j∈[1,N],i≠j}，其中如果v_i和v_j之间存在一条边的时候则e_ij∈E的值为1，V表示地铁站点的集合、N表示站点的数量、E表示站点之间的物理连边、F为节点属性特征个数和X_t表示t时刻所有站点的客流量值。

3.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤一中，通过步骤一的输入计算得到拉普拉斯矩阵

式中并且表示邻接矩阵A加上单位矩阵I_N，并且表示的度矩阵。

4.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤二中，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例，使用如下公式表示

式中当α在取得0.7时，最终预测结果最佳，度矩阵为对角矩阵，对角线上的元素值表示各顶点的度，式中I_N为单位矩阵，表示邻接矩阵A加上单位矩阵I_N，表示的度矩阵，系数α的取值范围0到1之间。