技术新讯 > 信号装置的制造及其应用技术 > 基于TCN-LSTM的地下空间客流预测方法及系统  >  正文

基于TCN-LSTM的地下空间客流预测方法及系统

  • 国知局
  • 2024-07-31 20:43:56

本发明涉及城市轨道交通客流预测,具体为一种基于tcn-lstm的地下空间客流预测方法及系统。

背景技术:

1、近年来,随着全球地下交通空间开发利用需求及规模的快速发展,地下空间的交通安全也备受关注。其中,地下空间的交通因恶劣天气或自然灾害导致客流激增时会形成巨大的安全隐患,甚至会引发挤压踩踏等安全事故;因此需要对地下空间的客流进行精准预测。

2、现有的客流预测方法以单一模型为主,通常是利用前序历史客流量进行预测,但是对于地下空间的客流预测难以适用。地下交通空间的客流变化规律难以被把握、激增客流较多,且客流量除了具有对于历史数据集的时序关系依赖,其趋势变化还在一定程度上受到天气、重大事件相关因素影响,这些数据维度过大会导致模型过于复杂、速度变慢。单一模型难以同时解决两大预测难点,目前缺少有效的模型针对地下空间客流进行预测,严重影响了地下空间交通安全。

技术实现思路

1、针对现有技术中存在的问题,本发明提供一种基于tcn-lstm的地下空间客流预测方法,该方法能够实现地下空间客流的精准预测。

2、本发明是通过以下技术方案来实现:

3、一种基于tcn-lstm的地下空间客流预测方法,包括以下步骤:

4、步骤1、获取地下空间各历史日的客流数据,以及对应历史日的影响因素;

5、步骤2、对客流数据进行预处理并按照时间粒度进行划分,得到该地下空间的各时间段的客流数据,对各时间段的客流数据匹配对应的特征数据,得到客流数据集;

6、步骤3、构建基于tcn时序卷积神经网络和lstm长短时记忆网络的融合网络模型并训练,该融合网络采用双层lstm网络架构,在lstm网络模型输出端引入自注意力机制,并采用bwo优化算法对融合网络模型进行超参数优化;

7、步骤4、根据训练后的融合网络模型进行客流预测。

8、优选的,步骤1中所述客流数据包括当日该地下空间各进出口的旅客数量,以及旅客的进出时间和对应的进出口。

9、优选的,所述影响因素包括天气因素、日属性因素和事件影响因素。

10、优选的,步骤2中所述预处理的方法如下:

11、对客流数据中的异常流量数据进行删除,得到总客流数据。

12、优选的,步骤2中所述时间粒度的划分方法如下:

13、将每日客流数据按设定的时长分为多个时间段,得到各时间段的客流数据,将影响因素作为特征数据,对各时间段的客流数据匹配对应的特征数据,得到客流数据集。

14、优选的,步骤3中所述融合网络模型的结构如下:

15、所述tcn时序卷积神经网络的输出作为lstm长短时记忆网络的输入,lstm长短时记忆网络的输出数据作为自注意力机制的输入数据,采用flatten层对自注意力机制的输出数据扁平化处理,然后对降维的数据进行正则化后输出。

16、优选的,所述lstm网络模型采用双层lstm结构并引入了dropout层,所述lstm网络模型后添加自注意力机制,获取时间序列的特征信息。

17、优选的,所述tcn时序卷积神经网络包括多个不同膨胀率的残差块,每个残差块包含两个具有相同膨胀率的卷积层,每个卷积层中包括weight norm和dropout,weight norm用于在卷积后使用权重归一化来重参数化权重,dropout用于在训练过程中随机丢弃网络中的一部分激活输出,以防止融合网络模型过拟合。

18、一种基于tcn-lstm的地下空间客流预测方法的系统,包括:

19、客流采集模块,用于获取地下空间各历史日的客流数据,以及对应历史日的影响因素;

20、客流预处理模块,用于对客流数据进行预处理并按照时间粒度进行划分,得到该地下空间的各时间段的客流数据,对各时间段的客流数据匹配对应的特征数据,得到客流数据集;

21、网络模型模块,用于构建基于tcn时序卷积网络和lstm长短时记忆网络的融合网络模型并训练,该融合网络采用双层lstm网络架构,在lstm网络模型输出端引入自注意力机制,并采用bwo优化算法对融合网络模型进行超参数优化;

22、预测模块,用于根据训练后的融合网络模型进行客流预测。

23、与现有技术相比,本发明具有以下有益的技术效果:

24、本发明提供的基于tcn-lstm的地下空间客流预测方法,该lstm网络采用双层结构,同时引入了dropout层。这种结构有效减轻了模型过拟合的问题,增强了模型的泛化能力。其次,引入自注意力机制,这允许模型专注于时间序列中的关键信息,提高预测准确性。自注意力机制能帮助网络关注输入序列中更具代表性的部分,同时抑制不相关或冗余的信息,从而增强网络的特征利用率和对上下文信息的捕捉能力,提高预测效率。另外,将tcn与lstm融合。通过叠加三个具有不同膨胀率的残差块来构建tcn网络,再添加一个lstm层,用于进一步处理时间序列数据;并加入flatten层,将多维的时间序列数据转换成一维的向量,以便能够被后续的dense层处理,应用dropout层以减少过拟合,通过随机丢弃一部分神经元,增强模型的泛化能力。最后,在融合网络模型基础上利用bwo优化算法进行超参数优化,提升模型的性能,该客流预测方法解决了现有技术中单一长短时记忆网络对于客流预测方法存在的无法考虑突变因素,实时性较差、数据量冗余导致模型过于复杂,难以精准的进行客流预测等问题,能够实现地下空间客流的精准预测。

技术特征:

1.一种基于tcn-lstm的地下空间客流预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于tcn-lstm的地下空间客流预测方法,其特征在于,步骤1中所述客流数据包括当日该地下空间各进出口的旅客数量,以及旅客的进出时间和对应的进出口。

3.根据权利要求1所述的一种基于tcn-lstm的地下空间客流预测方法,其特征在于,所述影响因素包括天气因素、日属性因素和事件影响因素。

4.根据权利要求1所述的一种基于tcn-lstm的地下空间客流预测方法,其特征在于,步骤2中所述预处理的方法如下:

5.根据权利要求1所述的一种基于tcn-lstm的地下空间客流预测方法,其特征在于,步骤2中所述时间粒度的划分方法如下:

6.根据权利要求1所述的一种基于tcn-lstm的地下空间客流预测方法,其特征在于,步骤3中所述融合网络模型的结构如下:

7.根据权利要求6所述的一种基于tcn-lstm的地下空间客流预测方法,其特征在于,所述lstm网络模型采用双层lstm结构并引入了dropout层,所述lstm网络模型后添加自注意力机制,获取时间序列的特征信息。

8.根据权利要求6所述的一种基于tcn-lstm的地下空间客流预测方法,其特征在于,所述tcn时序卷积神经网络包括多个不同膨胀率的残差块,每个残差块包含两个具有相同膨胀率的卷积层,每个卷积层中包括weight norm和dropout,weight norm用于在卷积后使用权重归一化来重参数化权重,dropout用于在训练过程中随机丢弃网络中的一部分激活输出,以防止融合网络模型过拟合。

9.一种权利要求1-8任一项所述的一种基于tcn-lstm的地下空间客流预测方法的系统,其特征在于,包括:

技术总结本发明公开了一种基于TCN‑LSTM的地下空间客流预测方法及系统,该方法首先获取地下空间各历史日的客流数据,然后对客流数据进行预处理并按照时间粒度进行划分,得到该地下空间的各时间段的客流数据,对各时间段的客流数据匹配对应的特征数据;再然后构建基于TCN时序卷积神经网络和LSTM长短时记忆网络的融合网络模型并训练,在LSTM网络模型输出端引入自注意力机制,并采用BWO优化算法对融合网络模型进行超参数优化;最后根据训练后的融合网络模型进行客流预测;该方法解决了现有客流预测方法无法考虑突变因素,实时性较差、数据量冗余导致模型过于复杂,难以精准的进行客流预测等问题,能够实现地下空间客流的精准预测。技术研发人员:刘晟,李昕玥,曹霆,杜浪,李文斌受保护的技术使用者:西安理工大学技术研发日:技术公布日:2024/6/13

本文地址:https://www.jishuxx.com/zhuanli/20240731/187606.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。