[发明专利]基于CNN-BiLSTM的城市公交客流短时预测方法

说明书

本发明提出基于CNN‑BiLSTM的城市公交客流短时预测方法，属于客流预测技术领域。包括：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；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；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的耦合关系，选择最优排列结构的客流特征矩阵；S4.构建CNN‑BiLSTM公交客流预测模型；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；解决缺乏充分考虑公交客流的时空关联性、影响因素分析不够全面和特征矩阵排列方式并非最优的问题。

技术领域

本申请涉及一种客流预测方法，尤其涉及基于CNN-BiLSTM的城市公交客流短时预测方法，属于客流预测技术领域。

背景技术

城市公交客流预测是优化城市公共交通资源的重要手段，准确的预测城市公交客流对于制定科学合理的线网方案、站点规划具有重要意义。目前，国内外针对城市公交客流预测领域研究成果较少，客流预测方法大多采用机器学习及统计学方法。传统机器学习主要通过单一历史客流进行分析，如卡尔曼滤波模型、经验模态分解及自适应增强等模型，此类模型难以很好地反映出不规律的公交客流状态。为了进一步挖掘影响客流的深层特征，近年来深度学习在公交客流短时预测方面取得了研究进展，深度学习模型通过对多维数据特征结构建立联系，挖掘出数据之间的复杂特征，并通过大量学习弥补了传统预测模型对特征值掌握不足的问题，提高了预测精度。

目前，针对城市公交客流预测模型存在以下缺点：

1、缺乏充分考虑公交客流的时空关联性；公交出行存在较强的时空关联性，难以基于单一模型进行预测，传统机器学习模型缺乏高维度非线性特征的识别分析能力，仅从单一的时间或空间维度进行预测，难以较好地反映出不规律的公交客流状态；

2、影响因素分析不够全面；公交客流预测受公交站点距离、天气情况、公交线路直线系数、乘客出行目的等多种影响因素，特别是受天气、节假日等因素影响时，传统机器学习及深度模型对特征值掌握不足将难以准确的预测公交客流，特别是当客流波动幅度较大的情况下，模型的抗干扰能力较差；

3、特征矩阵排列方式并非最优；深度学习模型的输入为特征矩阵，公交客流特征矩阵的结构对客流预测效果具有较大的影响，当前深度学习模型缺乏对特征矩阵结构进行高效优化，仍未挖掘出深度学习对公交客流预测的潜力。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在的技术问题，本发明提供基于CNN-BiLSTM的城市公交客流短时预测方法。

方案一、基于CNN-BiLSTM的城市公交客流短时预测方法，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；

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；