一种交通短时客流预测方法、装置、设备和存储介质与流程

本发明涉及交通客流预测领域，尤其是一种交通短时客流预测方法、装置、设备和存储介质。

背景技术：

客流预测是指对未来客运交通需求量的预测，考虑经济社会发展，交通设施的建设及相关因素，预计轨道交通客运需求量规模，为客运交通运输规划提供科学的依据，并且对未来较短一段时间将发生的交通总量，包括客流量流量、流向以及在时间、空间方式上的分布所作的预估。目前对于轨道交通客流的短时预测主要用得更多的是传统时间序列模型或传统机器学习模型以及浅层神经网络，考虑的因素比较单一，仅仅对历史的客流规律进行拟合，而没有考虑天气以及节假日等会影响客流的因素。

因此需要提出一种基于历史客流规律，并结合历史客流、历史天气、节假日等符合实际情况的影响因素的轨道交通短时客流预测方法。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的目的是提供一种更符合实际客流情况的交通短时客流预测方法、装置、设备和存储介质。

本发明所采用的技术方案是：

第一方面，本发明提供一种交通短时客流预测方法，包括步骤：

构建短时客流预测模型；

利用原始数据对所述短时客流预测模型进行训练，并确定模型参数；

根据所述训练后的短时客流预测模型进行短时客流预测；

所述短时客流预测模型为递归神经网络rnn模型与卷积网络模型cnn连接，所述递归神经网络rnn模型的隐层为长短时记忆网络lstm结构，所述短时客流预测模型输出还包括输出限制条件；

所述原始数据包括预设时间内进出站客流数据和历史天气数据。

进一步地，所述长短时记忆网络lstm结构中包括：遗忘门、输入门和输出门，具体计算公式为：

ft＝δ(wfht-1+ufxt+bf)

it＝δ(winht-1+uinxt+bin)

ot＝δ(woht-1+uoxt+bo)

其中，ft、it、ot分别表示当前t时刻的遗忘门、输入门和输出门的输出，wf、win、wo分别表示遗忘门、输入门和输出门中历史信息的权重，uf、uin、uo分别表示遗忘门、输入门和输出门中当前输入信息的权重，bf、bm、bo分别表示遗忘门、输入门和输出门中偏置向量，xt表示当前细胞的输入，δ表示sigmoid()函数；

所述输出限制条件指：候选记忆和新记忆对隐层输出造成的影响，其中候选记忆指：

ct＝tanh(wht-1+uxt+b)

新记忆指：

上式中，ct表示候选记忆，w、u、b分别表示输入的权重、隐层的权重和偏置向量，ft、it分别表示当前t时刻的遗忘门、输入门的输出，st和st表示当前t时刻隐层的状态和t-1时刻隐层的状态；

所述候选记忆和新记忆对隐层输出造成的影响表示为：

所述短时客流预测模型的输出表示为：

zt＝softmax(vht+c)

其中，ht表示隐层的输出，zt表示短时客流预测模型的输出，v和c分别表示短时客流预测模型输出层权重和偏置向量，tanh表示tanh()函数，softmax表示softmax()函数。

进一步地，短时客流预测模型的递归神经网络rnn模型与卷积网络模型cnn连接，具体表示为：

y＝αy1+βy2

其中，y1、y2分别表示递归神经网络rnn和卷积网络模型cnn的输出，α和β分别表示预设时间内进出站客流数据和历史天气数据对于客流影响的权重，y表示短时客流预测模型的输出。

进一步地，所述预设时间内进出站客流数据包括工作日客流数据和节假日客流数据，所述历史天气数据指所述预设时间内的历史天气数据。

进一步地，还包括根据所述预设时间内进出站客流数据类型不同，训练的所述短时客流预测模型包括节假日短时客流预测模型和工作日短时客流预测模型。

进一步地，所述短时客流预测模型还包括，在cnn的输入层后加入dropout层，用于防止过拟合。

进一步地，所述短时客流预测模型还包括，采用adam优化器进行优化。

另一方面，本发明还提供一种交通短时客流预测装置，包括：

构建预测模型模块，用于构建短时客流预测模型；

训练并确定模型参数模块，用于利用原始数据对所述短时客流预测模型进行训练，并确定模型参数；

输出预测结果模块，用于根据所述训练后的短时客流预测模型进行短时客流预测。

另一方面，本发明还提供一种交通短时客流预测的控制设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面任一项所述的方法。

另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。

本发明的有益效果是：

本发明通过构建短时客流预测模型，利用原始数据对短时客流预测模型进行训练，并确定模型参数，最后根据训练后的短时客流预测模型进行短时客流预测，基于历史客流规律，结合了节假日、特殊天气等场景，构建的短时客流预测模型为递归神经网络rnn模型与卷积网络模型cnn连接，并将rnn模型的隐层替换为长短时记忆网络lstm结构，这样在隐层的细胞中增加了三个门控单元，可以选择性地保留历史信息，得到更符合实际情况的客流预测结果。

附图说明

图1是本发明一种实施方式的交通短时客流预测方法流程图；

图2是传统rnn神经网络的基本结构示意图；

图3是本发明一种实施方式的交通短时客流预测方法中隐层lstm网络的结构示意图；

图4是本发明一种实施方式的交通短时客流预测方法中卷积神经网络cnn结构示意图；

图5是本发明一种实施方式的交通短时客流预测方法中rnn和cnn连接示意图；

图6是本发明一种实施方式的交通短时客流预测装置结构框图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

本发明是基于历史客流规律，并结合历史客流、历史天气、节假日等符合实际情况的影响因素，利用深度神经网络实现对轨道交通客流的短时预测，下面以实施例一详细说明本发明的实现方法。

实施例一：

如图1所示，为本实施例的交通短时客流预测方法流程图，具体包括步骤：s1：构建短时客流预测模型；s2：训练模型，具体指利用原始数据对短时客流预测模型进行训练，并确定模型参数；s3：输出预测结果，指根据训练后的短时客流预测模型进行短时客流预测。

其中短时客流预测模型基于深度学习框架tensorflow生成，为递归神经网络rnn模型与卷积网络模型cnn连接，但是由于传统的rnn来处理时间序列的模型有一定的缺陷，在传统的rnn隐层中的神经元，只有一个状态，对短期输入非常敏感，当构建的网络层数比较浅，可以充分利用历史信息来进行结果预测，但是当输入序列很长超过一定范围时，限于前面提到的缺点，如梯度弥散等问题，就无法利用历史信息来预测结果，即无法解决“长序依赖”的问题，而对于客流的时间序列数据来说，当前时刻的客流往往依赖于很久之前的客流量，即历史信息，因此在本发明中将rnn的隐层替换成长短时记忆网络lstm，本质上通过引入可控自循环，以产生让梯度能够得以长时间可持续流动的路径，在隐层细胞中多了三个门控单元，可以选择性地保留历史信息。

如图2所示，为传统rnn神经网络的基本结构示意图，图中示出了输入层、输出层和隐层，下面介绍具体的计算公式。

隐层的计算公式为：

ht＝f(uxt+wht-1+b)(1)

其中，ht表示当前t时刻隐层的输出，ht-1表示t-1时刻隐层的输出，u、w、b分别表示输入层的权重、隐层的权重和输出层的偏置向量，xt表示当前细胞的输入，f()表示激活函数。

输出层的计算公式为：

ot＝f(vht-1+b)(2)

其中，ot表示当前t时刻输出层的输出，v表示输出层的权重。

如图3所示，为本实施例的交通短时客流预测方法中隐层lstm网络的结构示意图，图中示出了将传统rnn网络的隐层替换为长短时记忆网络lstm，其中lstm的细胞中多了三个门控单元，分别为遗忘门、输入门和输出门，遗忘门用来控制需要保存多久之前的信息，输入门用于避免记忆无关紧要的内容，输出门控制将何种记忆用于下一层网络的更新中，这样就可以选择性地保留历史信息，遗忘不重要的信息。

门控单元的计算公式为：

ft＝δ(wfht-1+ufxt+bf)(3)

it＝δ(winht-1+uinxt+bin)(4)

ot＝δ(woht-1+uoxt+bo)(5)

其中，ft、it、ot分别表示当前t时刻的遗忘门、输入门和输出门的输出，wf、win、wo分别表示遗忘门、输入门和输出门中历史信息的权重，uf、uin、uo分别表示遗忘门、输入门和输出门中当前输入信息的权重，bf、bm、bo分别表示遗忘门、输入门和输出门中偏置向量，xt表示当前细胞的输入，δ表示sigmoid()函数；

通过长短时记忆网络lstm对输出进行限制，输出限制条件指：候选记忆和新记忆对隐层输出造成的影响，其中：

候选记忆具体为：

ct＝tanh(wht-1+uxt+b)(6)

新记忆具体为：

上式中，ct表示候选记忆，w、u、b分别表示输入的权重、隐层的权重和偏置向量，ft、it分别表示当前t时刻的遗忘门、输入门的输出，st和st-1表示当前t时刻隐层的状态和t-1时刻隐层的状态；

所述候选记忆和新记忆对隐层输出造成的影响表示为：

所述短时客流预测模型的输出表示为：

zt＝softmax(vht+c)

其中，ht表示隐层的输出，zt表示短时客流预测模型的输出，v和c分别表示短时客流预测模型输出层权重和偏置向量，tanh表示tanh()函数，softmax表示softmax()函数。

搭建好短时客流预测模型后，需要根据原始数据对模型进行训练，已确定模型合适的参数。

原始数据包括预设时间内进出站客流数据和历史天气数据，本实施例的客流预测考虑了节假日、特殊天气等场景，综合历史客流、历史天气、节假日等因素，其中历史数据来源于智能交通ic卡交易记录。

原始数据获取的步骤为：

1)通过原始ic卡交易记录计算出一个周期内所有轨道交通车站站点的进站和出站客流。

本实施例中客流为城市轨道交通地铁车站的进站客流数和出站客流数，其中车站的进站客流数包括闸机进站数，是采用地铁售检票系统内的进闸机验票次数作为进站客流数，具体的是时间间隔为t(t可以是5分钟，15分钟，30分钟等)的时间段内的进站客流总数。出站客流数，则是车站的进站客流包括闸机出站数是采用地铁售检票系统内的进闸机验票次数作为出站客流，在时间间隔为t(t可以是5分钟，15分钟，30分钟等)的时间段内的出站客流总数。

2)提取单个车站x，预设时间内工作日和节假日每天7：00到23：00的进出站客流数据，提取数据时间间隔为5min；

3)爬取天气网，获得预设时间内的历史天气数据，如当日温度、降水量、风向或风力等。

训练时，将原始数据按照8：2的比例划分训练集和测试集。

对于客流预测的场景来说，采用“多对一”的方式来构建，即输入一个序列长度的样本数据，输出得到下一时刻的预测值，序列的长度可以选择一天或者n天，即用一天或者n天的客流数据去预测一个时刻的客流预测值，这样可以更好地拟合客流规律。

对于节假日因素，节假日是指每年国家法定的节假日，比如五一、十一等，同时包括周末(即休息日)，由于个体的出行行为与是否工作日或者节假日具有明显的关系，工作日和节假日的客流规律完全不同，因此本实施例将根据具体的节假日信息分类建模，单独构建网络模型，训练节假日或工作日的历史客流，得到的短时客流预测模型预测节假日或工作日不同情况下的客流，即在不同情况下训练两个模型，分别为节假日短时客流预测模型和工作日短时客流预测模型。

对于天气因素，考虑到市民会很大依赖于天气情况选择出行方式，故在此将天气因素考虑到模型当中，天气因素也包含很多具体的影响因子，在这里主要考虑：降水量、温度、风向、风力四个影响因子。在预测模型中，以天气的四个因子作为输入，以当天的历史客流作为目标值，通过构建卷积神经网络cnn，为再将cnn的输出与rnn的输出通过训练一定的权重进行连接merge，最终输出预测的客流，来还原天气对于客流的影响。

如图4所示，卷积神经网络cnn结构示意图，包括1、inputlayer输入层；2、embedding嵌入层；3、dropout层；4、conv1d一维卷积层，其卷积核为5x5；5、maxpooling1d池化层，用于对时域一维信号进行最大值池化；6、flatten层，用在卷积层到全连接层的过渡，将多维的输入一维化，不影响batch的大小；7、dense全连接层。

为了避免模型过拟合，在输入层后加入dropout层，用于防止过拟合，dropout过程是在每个训练批次中，通过忽略一些特征检测器，这种方式可以减少特征检测器间的相互作用，具体的是在模型训练时随机让网络的某些细胞节点不工作，即输出置0，其它过程不变，可以避免某些特征只在固定组合下才生效，有意识地让模型去学习一些普遍的共性，可以防止过拟合。

如图5，为rnn网络和cnn网络连接示意图，计算公式为：

y＝αy1+βy2

其中，y1、y2分别表示rnn和cnn的输出，α和β分别表示历史客流和天气对于客流影响的权重，权重的大小即代表天气因素对于客流的影响大小，初始时：α＝1,β＝0，y表示最终的输出。

本实施例还包括避免模型过拟合，以batch的形式输入数据，即多个样本同时输入，一次迭代训练一个batch，根据该batch数据的loss更新权值，batch的大小设置与设备的性能有关。

本实施例还包括采用adam优化器提高模型的学习效果，adam优化器是一种计算每个参数的自适应学习率的方法，除了存储了过去梯度的平方的指数衰减平均值，也保持了过去梯度的指数衰减平均值，能够加快梯度下降的时间。

实施例三：

如图6所示，为本实施例的交通短时客流预测装置结构框图，包括：

构建预测模型模块，用于构建短时客流预测模型；训练并确定模型参数模块，用于利用原始数据对短时客流预测模型进行训练，并确定模型参数；输出预测结果模块，用于根据训练后的短时客流预测模型进行短时客流预测。

另外，本发明还提供一种交通短时客流预测的控制设备，包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如实施例一所述的交通短时客流预测方法。

另外，本发明还提供一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于使计算机执行如实施例一所述的交通短时客流预测方法。

本发明通过构建短时客流预测模型，利用原始数据对短时客流预测模型进行训练，并确定模型参数，最后根据训练后的短时客流预测模型进行短时客流预测，基于历史客流规律，结合了节假日、特殊天气等场景，构建的短时客流预测模型为递归神经网络rnn模型与卷积网络模型cnn连接，并将rnn模型的隐层替换为长短时记忆网络lstm结构，这样在隐层的细胞中增加了三个门控单元，可以选择性地保留历史信息，得到更符合实际情况的客流预测结果。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。