[发明专利]基于CNN-BiLSTM的城市公交客流短时预测方法

权利要求书

1.基于CNN-BiLSTM的城市公交客流短时预测方法，其特征在于，包括以下步骤：

S1.分析影响公交客流出行的原因，构建影响公交客流出行的内部特征和外部特征，包括以下步骤：

S11.内部特征包括：乘客刷卡数据、历史客流、刷卡时间和乘客依赖度，构建方法如下：

刷卡数据分类为普通卡、老人卡和二维码；

历史客流，通过乘客刷卡数据分析目标公交线路的历史客流，构建历史客流特征向量；

刷卡时间，通过乘客刷卡数据分析目标公交线路乘客的刷卡时间，构建刷卡时间特征向量；

乘客依赖度，将乘客一周内乘车次数及一周内连续乘坐同一公交线路的天数作为评价指标，计算指标之间的支持度、置信度和提升度，将乘客对公交出行的依赖程度聚类为低、中、高3种程度；

支持度通过计算乘客一周内的乘车次数及一周内连续乘坐同一公交线路的比例，其计算公式为：

；

其中，support(A,B)表示A，B之间的支持度，count(A,B)表示同时包含特征A和B的次数；A表示乘客一周内的乘车次数，B表示乘客一周内连续乘坐同一公交线路的次数；

置信度是指在所有包含特征A的集合中，同时包含特征B的比例，其计算公式为：

；

其中，A表示特征A与特征B的置信度，support(A)表示包含特征A的支持度；

提升度是指特征A的出现对特征B的出现概率提升的程度，其计算公式为：

；

其中，lift(A→B)表示特征A与特征B的提升度，confidence(A→B)表示特征A与特征B的置信度，support(B)表示特征B的支持度；提升度大于1表示特征A的出现对特征B的出现是正向作用，小于1表示负向作用，等于1表示特征A和特征B之间没有关联；

S12.外部特征包括：高峰/非高峰时期、天气情况、节假日及工作日和公交站点吸引度，构建方法如下；

高峰/非高峰时期，将城市交通出行的高峰时期定义为7:00-9:00和17:00-19:00，非高峰时期为6:00-7:00、9:00-17:00、17:00-24:00；将客流在高峰时期出行的特征值定义为1，非高峰时段出行的特征值定义为0；

天气情况，将降水量小于10mm特征值定义为1、降雨量在10-25mm特征值定义为2、降雨量在25-50mm特征值定义为3、降雨量大于50mm特征值定义为4；

节假日及工作日，将工作日特征值定义为1，节假日特征值定义为2；

公交站点吸引度，选取站点周边500米范围内居住设施、商业设施、教育设施及休闲场所的POI数据作为公交线路站点的吸引度；

S2.根据影响公交客流出行的内部特征和外部特征构建客流特征矩阵x(x₁,x₂,x₃,x₄，x₅，x₆,x₇,x₈），其中，x₁为天气状况,x₂为高峰/非高峰时期,x₃为节假日/工作日,x₄为站点周边吸引度，x₅为历史客流，x₆为刷卡时间,x₇为乘客刷卡类型,x₈为乘客依赖度；

S3.对特征矩阵的排列结构进行耦合寻优，量化客流特征矩阵的内部特征和外部特征之间的耦合关系，选择最优排列结构的客流特征矩阵，方法是：通过互信息量MI度量特征向量之间的相关性，筛选相关性最强的特征矩阵作为最优结构，作为模型预测阶段的特征矩阵排列结构，MI的计算方式如下所示：

；

式中，p(x,y)为X和Y的联合概率密度函数，I(X;Y)为互信息量，X,Y分别为特征矩阵x(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈）中的特征向量；

S4.构建CNN-BiLSTM公交客流预测模型，方法是：CNN-BiLSTM公交客流预测模型包括输入层、CNN层、BiLSTM层、全连接层和输出层；

其中，输入层为输入特征矩阵，CNN层是由卷积层及最大池化层堆叠组成，将公交客流特征矩阵经过归一化处理输入至卷积层，经过卷积操作后保持特征矩阵的长度和宽度不变，得到新的特征矩阵，卷积层计算公式如下：

；

式中，表示卷积网络第i层特征矩阵，表示激活函数，表示卷积运算，表示第i层使用的卷积核的权重值，表示偏置项；

激活函数选用Relu函数，计算公式如下：

Relu=max(0,x)；

式中，x表示输入的特征矩阵；

最大池化层，计算公式如下：

；

；

式中，h表示输入特征矩阵的长度，ｗ表示输入特征矩阵的宽度，表示池化后输出特征矩阵的长度，表示卷积后输出特征矩阵的宽度，卷积核大小为k,步长为s；

BiLSTM层由前向LSTM与后向LSTM组成，BiLSTM层输入为CNN层的输出数据，进入前向LSTM和后向LSTM，分别将正向输入序列和反向输入序列的输出结果相结合，得到最终的输出结果，计算公式如下：

；

；

；

式中，表示前向隐向量，表示后向隐向量，表示当前t时刻输入特征向量，表示t时刻输出向量，σ表示激活函数，表示前向权重矩阵，表示前向时间步，表示后向权重矩阵，表示后向时间步，表示偏置向量；

全连接层将输出的特征值按照权重进行加权重组，最后输出预测值，计算公式如下：

；

式中，表示预测值，表示BiLSTM模型的输出向量，WE_i为权重矩阵，bm_i为偏置矩阵；

S5.将目标公交线路客流特征矩阵输入至训练后的CNN-BiLSTM公交客流预测模型，输出目标公交线路的客流量，完成短时公交客流预测。