一种基于长短期记忆网络的多模式交通客流动态预测方法

本发明涉及客流预测，具体涉及一种基于长短期记忆网络的多模式交通客流动态预测方法。

背景技术：

1、综合交通枢纽是各类交通方式的交汇点，它在交通系统中具有举足轻重的地位。作为综合交通体系的关键环节与城市主要客流集散换乘的场所，其担负着城市对外交通与城市内部交通间的快速转换，以及城市公共交通各种方式之间的快速衔接功能。

2、现有的客流预测方法缺乏对多种交通方式的客流密度在空间和时间上相互影响的分析，难以对其相互作用进行建模，以及难以高效提取日内客流量分布复杂变化规律。

技术实现思路

1、有鉴于此，本发明提供一种基于长短期记忆网络的多模式交通客流动态预测方法，通过构建深度卷积自动编码器实现多种交通客流需求分布的高级表示特征，并通过利用多模式长短期记忆方法同时对多种交通客流需求进行动态建模，解决了现有的客流预测方法缺乏对多种交通方式的客流密度在空间和时间上相互影响的分析，难以对其相互作用进行建模，以及难以高效提取日内客流量分布复杂变化规律的技术问题。

2、为实现上述目的，本发明提供如下技术方案：

3、本发明提出了一种基于长短期记忆网络的多模式交通客流动态预测方法，包括如下步骤：

4、构建依次串行连接的深度卷积自动编码器、基于m-lstm神经网络的客流量分布模型和基于全连接前馈神经网络的客流协同预测模型；获取综合交通枢纽的历史客流信息，并采用历史客流信息对所述深度卷积自动编码器、客流量分布模型和客流协同预测模型进行联合训练；

5、获取综合交通枢纽中各交通模式客流的需求数据，所述各交通模式客流的需求数据为综合交通枢纽中各种交通模式的隐藏客流需求基矩阵的组合；

6、基于训练好的深度卷积自动编码器，对所述各交通模式客流的需求数据进行客流需求基分解编码，得到各交通模式客流的需求数据的高级表示特征；

7、将所述高级表示特征输入训练好的客流量分布模型进行多模式交通客流分布分析，客流量分布模型输出各交通模式客流的隐藏状态；

8、构建基于全连接前馈神经网络的客流协同预测模型，结合不同交通模式客流的隐藏状态，进行交通枢纽客流的预测。

9、进一步地，所述采用历史客流信息对所述深度卷积自动编码器、客流量分布模型和客流协同预测模型进行联合训练的方法为：将历史客流信息输入所述深度卷积自动编码器进行编码得到历史客流信息的高级表示特征，历史客流信息的高级表示特征通过客流量分布模型进行多模式交通客流分布分析，分析完成后输出各交通模式历史客流的隐藏状态，输出的隐藏状态通过客流协同预测模型进行预测得到交通枢纽客流预测结果，通过反向传播算法和梯度下降算法训练优化深度卷积自动编码器、客流量分布模型和客流协同预测模型的参数。

10、进一步地，所述深度卷积自动编码器包括编码单元和解码单元，所述编码单元包括由k层串行连接的卷积神经网络，所述解码单元具有编码单元的对称结构。

11、从上述的技术方案可以看出，本发明的优点是：

12、本发明采用了深度卷积自动编码器来发现多种交通客流需求分布的高级表示特征，因此克服了现有技术中对复杂交通需求分布特征提取不精确的问题，从而能够更加准确和细致的交通客流需求特征表示。

13、本发明还采用了多模式长短期记忆方法，同时对多种交通客流需求进行动态建模，因此克服了现有技术中单一模式模型无法充分捕捉多模式交通客流时空关系的问题，从而能够对多种交通模式产生的客流在空间和时间上的关系进行全面分析。

14、通过上述技术手段，本发明实现了对多模式交通客流分布信息进行精确的动态预测，因此克服了现有技术中对交通客流分布预测精度不高的问题，取得了更为可靠的动态预测结果，有助于交通管理和资源优化配置。

1.一种基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，所述历史客流信息包括综合交通枢纽内各交通模式的客流量数据。

3.根据权利要求1所述的基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，所述采用历史客流信息对所述深度卷积自动编码器、客流量分布模型和客流协同预测模型进行联合训练的方法为：将历史客流信息输入所述深度卷积自动编码器进行编码得到历史客流信息的高级表示特征，历史客流信息的高级表示特征通过客流量分布模型进行多模式交通客流分布分析，分析完成后输出各交通模式历史客流的隐藏状态，输出的隐藏状态通过客流协同预测模型进行预测得到交通枢纽客流预测结果，通过反向传播算法和梯度下降算法训练优化深度卷积自动编码器、客流量分布模型和客流协同预测模型的参数。

4.根据权利要求1所述的基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，所述隐藏客流需求基矩阵为综合交通枢纽内一交通模式的客流量数据。

5.根据权利要求1所述的基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，所述深度卷积自动编码器包括编码单元和解码单元，所述编码单元为：所述解码单元为：其中，fen、fde表示激活函数，为各交通模式客流的需求数据，为所述编码单元的输出，wen、ben为所述编码单元的可训练参数，为所述解码单元的输出，即的高级表示特征，wde，bde为所述解码单元的可训练参数。

6.根据权利要求1所述的基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，所述编码单元包括由k层串行连接的卷积神经网络，第r层卷积神经网络通过下式进行卷积操作：

7.根据权利要求1所述的基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，所述基于m-lstm神经网络的客流量分布模型由m-lstm神经网络构成，所述m-lstm神经网络通过下列公式进行多模式交通客流分布分析，迭代更新各交通模式客流的隐藏状态并输出：

8.根据权利要求1所述的基于长短期记忆网络的多模式交通客流动态预测方法，其特征在于，所述基于全连接前馈神经网络的客流协同预测模型由全连接前馈神经网络构成，以客流量分布模型输出的所述不同交通模式客流的隐藏状态作为客流协同预测模型的输入，客流协同预测模型的输出即为预测的交通枢纽客流量。