[发明专利]基于混合深度学习模型LSTM-ResNet的城域时空流预测方法

摘要

本发明涉及一种基于混合深度学习模型LSTM‑ResNet的城域时空流预测方法。准确预测城市时空数据流的变化可为城市管理提供重要参考，这其中的关键是有效提取数据中的时空依赖特征。当前，已被应用到时空流预测的卷积神经网络侧重空间关联特征的提取，忽略了时间维度的依赖关系和时空关联特征。深度学习模型中，长短记忆网络(LSTM)适用于时间序列的动态建模，残差卷积网络(ResNet)适用于大范围空间关联特征提取。因此，我们融合LSTM和ResNet，构建时空流预测混合深度学习模型：利用LSTM考虑前后时间依赖，滤掉无效时间特征；将LSTM的输出输入到ResNet中，提取时空关联特征。该模型能够自动、准确地捕获时空关联特征，特别是考虑前后依赖的情况下保留有效时间特征。

主权项

1.基于混合深度学习模型LSTM‑ResNet的城域时空流预测技术，具体包括以下基本步骤：将输入数据集进行预处理，其特征在于：将输入数据集处理为三种形式:以小时、日和周模式为间隔的时空流系列；将时空流序列送入多层LSTM模型，其特征在于：利用LSTM模型从输入的时空流序列中获取时间相关性，使LSTM记住有效的时间和空间特征，形成候选特征图；将候选特征映射到ResNet的输入，其特征在于：ResNet单元的短路连接要求输入元素和输出元素具有相同的张量形状，使用卷积层CNN1对第（2）步中结果进行处理，使其可以作为ResNet的输入；将第（3）步中的结果作为ResNet的输入，并利用ResNet捕捉时空特性，其特征在于：将第（3）步处理的数据输入到多层ResNet模型当中进行变换；将ResNet的输出转换为带有时空特征的地图，其特征在于：使用卷积层CNN2将ResNet的输出转换为（2,M,N）格式的张量，使这个张量包括LSTM和ResNet共同捕捉的特征；将上述步骤所得结果进行特征融合，其特征在于：通过之前步骤，将会得到以小时、天和周为时间间隔的时空数据流中获取时空特征图，将这些图以基于矩阵的方法进行合并，将合并后的数据与外部因素进行融合并用tanh作为激活函数，得到预测值；计算损失函数值，并进行反向传播，其特征在于：将预测值与真实值进行比较，得到损失函数值，并进行反向传播不断减小损失函数值。