CN111476357B - 基于三重融合卷积gru的共享单车需求预测方法 - Google Patents

基于三重融合卷积gru的共享单车需求预测方法 Download PDF

Info

Publication number
CN111476357B
CN111476357B CN202010395619.2A CN202010395619A CN111476357B CN 111476357 B CN111476357 B CN 111476357B CN 202010395619 A CN202010395619 A CN 202010395619A CN 111476357 B CN111476357 B CN 111476357B
Authority
CN
China
Prior art keywords
layer
gru
output
convolution
bidirectional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010395619.2A
Other languages
English (en)
Other versions
CN111476357A (zh
Inventor
马武彬
顾桐菲
吴亚辉
吴继冰
王懋
邓苏
黄宏斌
刘丽华
李璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010395619.2A priority Critical patent/CN111476357B/zh
Publication of CN111476357A publication Critical patent/CN111476357A/zh
Application granted granted Critical
Publication of CN111476357B publication Critical patent/CN111476357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于三重融合卷积GRU的共享单车需求预测方法，包括：构建三重融合卷积GRU模型，包括第一融合层、第二融合层和输出层，依次顺序串联，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层；利用训练集数据，对三重融合卷积GRU模型进行训练；将测试集数据输入训练完毕的三重融合卷积GRU模型，计算共享单车需求的预测值。本发明通过三个卷积网络将两个双向GRU卷积串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，使得对共享单车需求预测有较好的精度和效果。

Description

基于三重融合卷积GRU的共享单车需求预测方法
技术领域
本发明属于交通物资需求预测领域，具体涉及基于三重融合卷积GRU(GateRecurrent Unit，门循环单元)的共享单车需求预测方法。
背景技术
对共享单车的需求预测能够帮助人们对更好的使用共享单车。共享单车的使用能够为人们绿色出行提供便捷的方式，然而对于共享单车的需求往往不能很好的解决，尤其是在人流量较大的地铁、车站等地方，传统的单车需求预测方法没有考虑地铁人流量的多少，单车投放往往根据主观的历史经验，缺乏数据分析的结论支撑和科学依据，容易出现在某些时间某些地点共享单车数量投放不够或者投放过量的情况，造成人们适用不便或者资源的浪费。因此，根据天气、地铁人流量对特定地点特定时间的单车需求进行预测，具有重要意义。
发明内容
有鉴于此，本发明的目的在于提供基于三重融合卷积GRU的共享单车需求预测方法，所述方法综合考虑多方面共享单车需求的影响因素，并且在预测模型中通过卷积的方式将多个双向循环GRU进行连接，使得对共享单车需求的预测有更高的精度和更好的性能。
基于上述目的，提出基于三重融合卷积GRU的共享单车需求预测方法，包括以下步骤：
步骤1，构建三重融合卷积GRU模型，所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；
步骤2，利用训练集数据，对所述的三重融合卷积GRU模型进行训练，所述的训练集数据包括影响因素数据和已知的共享单车需求数据；
所述的影响因素数据包括共享单车需求点的季节、是否节假日、天气情况、是否为寒暑假、温度、空气湿度、PM2.5浓度、风速、风向、所述需求点最近地铁口闸机流量；
步骤3，将测试集数据输入训练完毕的三重融合卷积GRU模型，计算获得需求点的共享单车需求的预测值。
具体地，第一卷积层接受序列数据的输入，其输出为
Figure BDA0002487461530000021
xt表示输入的序列数据，η1()表示第一卷积层的卷积函数，
Figure BDA0002487461530000022
同时作为第一双向GRU层和第二双向GRU层的输入，
Figure BDA0002487461530000023
为第一双向GRU层的输出，
Figure BDA0002487461530000024
表示将第一双向GRU层中正向GRU的输出
Figure BDA0002487461530000025
与第一双向GRU层中反向GRU输出
Figure BDA0002487461530000026
进行合并，第一融合层的输出为
Figure BDA0002487461530000027
Figure BDA0002487461530000028
是对第一双向GRU层的输出乘以权重向量
Figure BDA0002487461530000029
并加上偏移向量
Figure BDA00024874615300000210
的结果，
Figure BDA00024874615300000211
将
Figure BDA00024874615300000212
与η1(xt)的输出
Figure BDA00024874615300000213
进行合并成
Figure BDA00024874615300000214
作为第二层卷积层的输入；
Figure BDA00024874615300000215
是第二卷积层的输出，
Figure BDA00024874615300000216
Figure BDA00024874615300000217
卷积函数η2中包含了一个全连接操作Dense()，将
Figure BDA00024874615300000218
进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出为
Figure BDA00024874615300000219
Figure BDA00024874615300000220
是对第二双向GRU层的输出乘以权重向量
Figure BDA0002487461530000031
并加上偏移向量
Figure BDA0002487461530000032
的结果，
Figure BDA0002487461530000033
表示将第二双向GRU层中正向GRU的输出
Figure BDA0002487461530000034
与第一双向GRU层中反向GRU输出
Figure BDA0002487461530000035
进行合并；将
Figure BDA0002487461530000036
与
Figure BDA0002487461530000037
进行合并，作为第三卷积层的输入，第三卷积层的输出为
Figure BDA0002487461530000038
Figure BDA0002487461530000039
卷积函数η3中还包含了一个全连接操作Dense()；第三卷积层通过全连接输出层得到输出Ot，
Figure BDA00024874615300000310
Ot为一个具体值，代表一定时间后共享单车需求预测值，其中，
Figure BDA00024874615300000311
和
Figure BDA00024874615300000312
为各部分的权重向量，
Figure BDA00024874615300000313
Figure BDA00024874615300000314
和
Figure BDA00024874615300000315
为各部分的偏移向量。
更进一步地，所述第一双向GRU层中正向GRU模型的输出
Figure BDA00024874615300000316
反向GRU模型的输出
Figure BDA00024874615300000317
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA00024874615300000318
Figure BDA00024874615300000319
表示将
Figure BDA00024874615300000320
与
Figure BDA00024874615300000321
进行合并连接，作为所述的第一双向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出
Figure BDA00024874615300000322
反向GRU模型的输出
Figure BDA00024874615300000323
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA00024874615300000324
Figure BDA00024874615300000325
表示将
Figure BDA00024874615300000326
与
Figure BDA00024874615300000327
进行合并连接，作为所述的第二双向GRU层的输出，其中z1 t、
Figure BDA00024874615300000328
为第一双向GRU层中正向GRU模型的中间值，z2 t、
Figure BDA00024874615300000329
为第一双向GRU层中反向GRU模型的中间值，z3 t、
Figure BDA00024874615300000330
为第二双向GRU层中正向GRU模型的中间值，z4 t、
Figure BDA00024874615300000331
为第二双向GRU层中反向GRU模型的中间值。
优选地，所述的卷积层均为1维卷积网络。
本发明方法中的三重融合卷积GRU模型是改进的GRU模型，通过三个一维卷积网络将两个双向GRU卷积串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，模型具备较好的收敛性和准确度，使得对共享单车需求的预测有较好的精度和效果。
附图说明
图1为本发明方法的流程示意图；
图2为本发明方法中三重卷积融合GRU模型的结构图；
图3为发明实施例中GRU的结构示意图；
图4为本发明实施例中双向GRU层的结构示意图；
图5为本发明实施例中1维卷积网络的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明主要解决的问题就是通过采集的共享单车需求点的季节、是否节假日、天气情况、是否为寒暑假、温度、空气湿度、PM2.5浓度、风速、风向、所述需求点最近地铁口闸机流量以及历史的共享单车需求数值，预测若干个状态以后的共享单车需求值。
如图1所示，一种基于三重卷积融合GRU的共享单车需求预测方法，包括以下步骤：
步骤1，构建三重融合卷积GRU模型，所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；
步骤2，利用训练集数据，对所述的三重融合卷积GRU模型进行训练，所述的训练集数据包括影响因素数据和已知的共享单车需求数据；
所述的影响因素数据包括共享单车需求点的季节、是否节假日、天气情况、是否为寒暑假、温度、空气湿度、PM2.5浓度、风速、风向、所述需求点最近地铁口闸机流量；
步骤3，将测试集数据输入训练完毕的三重融合卷积GRU模型，计算获得共享单车需求的预测值。
如图2所示，所述的三重融合卷积GRU模型中，第一卷积层接受序列数据的输入，其输出为
Figure BDA0002487461530000051
xt表示输入的序列数据，η1()表示第一卷积层的卷积函数，
Figure BDA0002487461530000052
同时作为第一双向GRU层和第二双向GRU层的输入，
Figure BDA0002487461530000053
为第一双向GRU层的输出，
Figure BDA0002487461530000054
表示将第一双向GRU层中正向GRU的输出
Figure BDA0002487461530000055
与第一双向GRU层中反向GRU输出
Figure BDA0002487461530000056
进行合并，第一融合层的输出为
Figure BDA0002487461530000057
Figure BDA0002487461530000058
是对第一双向GRU层的输出乘以权重向量
Figure BDA0002487461530000059
并加上偏移向量
Figure BDA00024874615300000510
的结果，
Figure BDA00024874615300000511
将
Figure BDA00024874615300000512
与η1(xt)的输出
Figure BDA00024874615300000513
进行合并成
Figure BDA00024874615300000514
作为第二层卷积层的输入；
Figure BDA00024874615300000515
是第二卷积层的输出，
Figure BDA00024874615300000516
Figure BDA00024874615300000517
卷积函数η2中包含了一个全连接操作Dense()，将
Figure BDA00024874615300000518
进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出为
Figure BDA00024874615300000519
Figure BDA00024874615300000520
是对第二双向GRU层的输出乘以权重向量
Figure BDA00024874615300000521
并加上偏移向量
Figure BDA00024874615300000522
的结果，
Figure BDA00024874615300000523
Figure BDA00024874615300000524
表示将第二双向GRU层中正向GRU的输出
Figure BDA00024874615300000525
与第一双向GRU层中反向GRU输出
Figure BDA00024874615300000526
进行合并；将
Figure BDA00024874615300000527
与
Figure BDA00024874615300000528
进行合并，作为第三卷积层的输入，第三卷积层的输出为：
Figure BDA0002487461530000061
Figure BDA0002487461530000062
卷积函数η3中还包含了一个全连接操作Dense()；第三卷积层通过全连接输出层得到输出Ot，
Figure BDA0002487461530000063
Ot为一个具体值，代表一定时间后的共享单车需求预测值，其中，
Figure BDA0002487461530000064
Figure BDA0002487461530000065
和
Figure BDA0002487461530000066
为各部分的权重向量，
Figure BDA0002487461530000067
和
Figure BDA0002487461530000068
为各部分的偏移向量。GRU的结构如图3所示，双向GRU层的结构如图4所示。
所述第一双向GRU层中正向GRU模型的输出
Figure BDA0002487461530000069
反向GRU模型的输出
Figure BDA00024874615300000610
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA00024874615300000611
Figure BDA00024874615300000612
表示将
Figure BDA00024874615300000613
与
Figure BDA00024874615300000614
进行合并连接，作为所述的第一双向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出
Figure BDA00024874615300000615
反向GRU模型的输出
Figure BDA00024874615300000616
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure BDA00024874615300000617
Figure BDA00024874615300000618
表示将
Figure BDA00024874615300000619
与
Figure BDA00024874615300000620
进行合并连接，作为所述的第二双向GRU层的输出，其中z1 t、
Figure BDA00024874615300000621
为第一双向GRU层中正向GRU模型的中间值，z2 t、
Figure BDA00024874615300000622
为第一双向GRU层中反向GRU模型的中间值，z3 t、
Figure BDA00024874615300000623
为第二双向GRU层中正向GRU模型的中间值，z4 t、
Figure BDA00024874615300000624
为第二双向GRU层中反向GRU模型的中间值。
所述预测模型中的损失函数采用标准归一化MSE，激活函数采用Relu函数，模型的训练过程中，通过Adam函数进行学习，得到参数神经网络参数模型。
优选地，所述的卷积网络均为1维卷积网络。典型的1维卷积网络结构如图5所示。其中包含一维卷积核向量，过滤尺寸(filter size)k＝4，卷积间隔(dilation factors)d＝1。一维卷积操作的数学表达式为：
Figure BDA00024874615300000625
其中f(i)表示卷积核函数，Xs-d·i表示向前取间隔为d的样本值。
在进行模型训练前，需要将所述的训练集和测试集中的数据进行预处理，主要做如下处理：1、对其中的类别数据进行数值化；2、对其中的缺失数据进行插值和删除处理，采用横向插值法，将同一时刻距离较近的采集数据按照距离进行平均，插入到该数据项中；3、对数据集中的数据按照预设的小时数为一个单位进行分类梳理，即以预设小时为预测的最小时间间隔。
本发明所采用的实验背景为：电脑主要配置为：Pentium(R)Dual-core 3.06CPU，8G RAM内存。
效果评估：本发明对算法的性能评估采用的参数包括RMSE、MAE、MAPE以及CCV：
RMSE(Root Mean Square Error，均方根误差)，其计算方式为：
Figure BDA0002487461530000071
MAE(Mean Absolutely Error，平均绝对误差)，其计算方式为：
Figure BDA0002487461530000072
MAPE(Mean Absolutely Percentage Error平均绝对百分误差)，其计算方式为：
Figure BDA0002487461530000073
CCV(correlation coefficient value)，相关系数，其计算方式为：
Figure BDA0002487461530000074
R2(coefficient of Determination；)，确定系数，计算方式为：
Figure BDA0002487461530000081
需要说明的是，RMSE、MAE以及MAPE都是对预测误差的衡量，其值越小代表越准确，而R2参数代表两个序列数量的确定系数，其值越大，代表两个序列数据越为相关，预测效果越好。
同时采用SVM、RandomForest、LSTM、GRU等多种方法对共享单车需求进行预测，从结果中可以得出，在针对共享单车需求预测计算中，本发明的神经网络模型的预测精度普遍要高于传统的机器学习模型。
由发明内容和实施例可知，本发明一种基于三重融合卷积GRU的共享单车需求预测方法，三重融合卷积GRU模型是改进的GRU模型，通过三个一维卷积网络将两个双向GRU卷积串行融合在一起，通过同时对序列特征和上下文特征的共同识别，采用融合卷积的形式解决了GRU在时间序列分析中长期依赖丢失问题，模型具备较好的收敛性和准确度，用于对共享单车需求的预测有较好的效果。

Claims (4)

1.基于三重融合卷积GRU的共享单车需求预测方法，其特征在于，包括以下步骤：
步骤1，构建三重融合卷积GRU模型，所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；
步骤2，利用训练集数据，对所述的三重融合卷积GRU模型进行训练，所述的训练集数据包括影响因素数据和已知的共享单车需求数据；
所述的影响因素数据包括共享单车需求点的季节、是否节假日、天气情况、是否为寒暑假、温度、空气湿度、PM2.5浓度、风速、风向、所述需求点最近地铁口闸机流量；
步骤3，将测试集数据输入训练完毕的三重融合卷积GRU模型，计算获得需求点的共享单车需求的预测值。
2.根据权利要求1所述的共享单车需求预测方法，其特征在于，第一卷积层接受序列数据的输入，其输出为
Figure FDA0002487461520000011
xt表示输入的序列数据，η1()表示第一卷积层的卷积函数，
Figure FDA0002487461520000012
同时作为第一双向GRU层和第二双向GRU层的输入，
Figure FDA0002487461520000013
为第一双向GRU层的输出，
Figure FDA0002487461520000014
表示将第一双向GRU层中正向GRU的输出
Figure FDA0002487461520000015
与第一双向GRU层中反向GRU输出
Figure FDA0002487461520000016
进行合并，第一融合层的输出为
Figure FDA0002487461520000017
Figure FDA0002487461520000018
是对第一双向GRU层的输出乘以权重向量
Figure FDA0002487461520000019
并加上偏移向量
Figure FDA00024874615200000110
的结果，
Figure FDA00024874615200000111
将
Figure FDA00024874615200000112
与η1(xt)的输出
Figure FDA00024874615200000113
进行合并成
Figure FDA00024874615200000114
作为第二层卷积层的输入；
Figure FDA0002487461520000021
是第二卷积层的输出，
Figure FDA0002487461520000022
Figure FDA0002487461520000023
卷积函数η2中包含了一个全连接操作Dense()，将Pt 1进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出为：
Figure FDA0002487461520000024
Figure FDA0002487461520000025
是对第二双向GRU层的输出乘以权重向量
Figure FDA0002487461520000026
并加上偏移向量
Figure FDA0002487461520000027
的结果，
Figure FDA0002487461520000028
表示将第二双向GRU层中正向GRU的输出
Figure FDA0002487461520000029
与第一双向GRU层中反向GRU输出
Figure FDA00024874615200000210
进行合并；将
Figure FDA00024874615200000211
与Pt 1进行合并，作为第三卷积层的输入，第三卷积层的输出为
Figure FDA00024874615200000212
Figure FDA00024874615200000213
卷积函数η3中还包含了一个全连接操作Dense()；第三卷积层通过全连接输出层得到输出Ot，
Figure FDA00024874615200000214
Ot为一个具体值，代表一定时间后共享单车需求预测值，其中，
Figure FDA00024874615200000215
和
Figure FDA00024874615200000216
为各部分的权重向量，
Figure FDA00024874615200000217
和
Figure FDA00024874615200000218
为各部分的偏移向量。
3.根据权利要求2所述的共享单车需求预测方法，其特征在于，所述第一双向GRU层中正向GRU模型的输出
Figure FDA00024874615200000219
反向GRU模型的输出
Figure FDA00024874615200000220
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure FDA00024874615200000221
Figure FDA00024874615200000222
表示将
Figure FDA00024874615200000223
与
Figure FDA00024874615200000224
进行合并连接，作为所述的第一双向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出
Figure FDA00024874615200000225
反向GRU模型的输出
Figure FDA00024874615200000226
对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出
Figure FDA00024874615200000227
Figure FDA00024874615200000228
表示将
Figure FDA00024874615200000229
与
Figure FDA00024874615200000230
进行合并连接，作为所述的第二双向GRU层的输出，其中z1 t、
Figure FDA00024874615200000231
为第一双向GRU层中正向GRU模型的中间值，z2 t、
Figure FDA00024874615200000232
为第一双向GRU层中反向GRU模型的中间值，z3 t、
Figure FDA00024874615200000233
为第二双向GRU层中正向GRU模型的中间值，z4 t、
Figure FDA00024874615200000234
为第二双向GRU层中反向GRU模型的中间值。
4.根据权利要求1至3任一所述的共享单车需求预测方法，其特征在于，所述的卷积层均为1维卷积网络。
CN202010395619.2A 2020-05-12 2020-05-12 基于三重融合卷积gru的共享单车需求预测方法 Active CN111476357B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010395619.2A CN111476357B (zh) 2020-05-12 2020-05-12 基于三重融合卷积gru的共享单车需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010395619.2A CN111476357B (zh) 2020-05-12 2020-05-12 基于三重融合卷积gru的共享单车需求预测方法

Publications (2)

Publication Number Publication Date
CN111476357A CN111476357A (zh) 2020-07-31
CN111476357B true CN111476357B (zh) 2022-05-31

Family

ID=71764487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010395619.2A Active CN111476357B (zh) 2020-05-12 2020-05-12 基于三重融合卷积gru的共享单车需求预测方法

Country Status (1)

Country Link
CN (1) CN111476357B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258029B (zh) * 2020-10-21 2024-04-09 北京交通大学 地铁站周边共享单车的需求预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018101513A4 (en) * 2018-10-11 2018-11-15 Hui, Bo Mr Comprehensive Stock Prediction GRU Model: Emotional Index and Volatility Based
WO2019105157A1 (zh) * 2017-11-30 2019-06-06 腾讯科技（深圳）有限公司 摘要描述生成方法、摘要描述模型训练方法和计算机设备
CN110473284A (zh) * 2019-07-29 2019-11-19 电子科技大学 一种基于深度学习的运动物体三维模型重建方法
CN110509109A (zh) * 2019-07-16 2019-11-29 西安交通大学 基于多尺度深度卷积循环神经网络的刀具磨损监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019105157A1 (zh) * 2017-11-30 2019-06-06 腾讯科技（深圳）有限公司 摘要描述生成方法、摘要描述模型训练方法和计算机设备
AU2018101513A4 (en) * 2018-10-11 2018-11-15 Hui, Bo Mr Comprehensive Stock Prediction GRU Model: Emotional Index and Volatility Based
CN110509109A (zh) * 2019-07-16 2019-11-29 西安交通大学 基于多尺度深度卷积循环神经网络的刀具磨损监测方法
CN110473284A (zh) * 2019-07-29 2019-11-19 电子科技大学 一种基于深度学习的运动物体三维模型重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Convolutional Gate Recurrent Unit for Video Facial Expression Recognition in theWild;Kai Kang et al；;《Proceedings of the 38th Chinese Control Conference》;20190730;第7623-7628页； *

Also Published As

Publication number Publication date
CN111476357A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN112418547A (zh) 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
CN109785618B (zh) 一种基于组合逻辑的短时交通流预测方法
CN108009972B (zh) 一种基于多源数据校核的多方式出行o-d需求估计方法
CN111105104A (zh) 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN105374209B (zh) 一种城市区域路网运行状态特征信息提取方法
CN102081846A (zh) 基于高速公路收费数据轨迹匹配的交通状态识别方法
CN111210621B (zh) 基于实时路况的信号绿波协调路线优化控制方法及系统
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及系统
CN108734958B (zh) 一种交通速度预测方法
Liang et al. A deep spatio-temporal fuzzy neural network for passenger demand prediction
CN112991721A (zh) 基于图卷积网络节点关联度的城市路网交通速度预测方法
CN112733307B (zh) 一种供暖季城市天然气负荷预测方法及装置
CN110766046A (zh) 一种双通道卷积神经网络集成学习的空气质量测量方法
CN111145546A (zh) 一种城市全域交通态势分析方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN111476357B (zh) 基于三重融合卷积gru的共享单车需求预测方法
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN111582588B (zh) 一种基于三重卷积融合gru的建筑物能耗预测方法
CN111242369B (zh) 基于多重融合卷积gru的pm2.5数据预测方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN116706888A (zh) 基于联邦学习的智能电网负荷预测方法
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN109741597A (zh) 一种基于改进深度森林的公交车路段运行时间预测方法
CN113657042A (zh) 一种基于多尺度注意力机制的空气质量参数预测方法
CN113989070A (zh) 一种智能电网用电端短期能耗预测方法及其系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant