CN112508305A - 基于lstm的公共场所入口人流量预测方法 - Google Patents

基于lstm的公共场所入口人流量预测方法 Download PDF

Info

Publication number
CN112508305A
CN112508305A CN202011554650.2A CN202011554650A CN112508305A CN 112508305 A CN112508305 A CN 112508305A CN 202011554650 A CN202011554650 A CN 202011554650A CN 112508305 A CN112508305 A CN 112508305A
Authority
CN
China
Prior art keywords
lstm
gate
input
state
output
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.)
Pending
Application number
CN202011554650.2A
Other languages
English (en)
Inventor
王建荣
刘鑫
杨波
贾新春
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.)
Shanxi University
Original Assignee
Shanxi University
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 Shanxi University filed Critical Shanxi University
Publication of CN112508305A publication Critical patent/CN112508305A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

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

Abstract

本发明提供了一种基于LSTM的公共场所入口人流量预测方法，本发明包括以下步骤：通过公共场所入口前端视频采集装置实时获取人流量数据；对人流量数据实时提取，并上传至数据库服务器；在服务器终端对人流量数据进行清洗、过滤、整理，基于LSTM神经网络建立入口人流量预测模型；通过对预测模型进行训练，预测未来一段时间的公共场所入口人流量趋势，根据人流量信息调取决策库进行智能决策；将智能决策得到的人员设备调度方案提前通知相关工作人员做好应急准备。通过该发明方法极大地提高了公共场所入口的人流量预测精度，大大减少人力成本、节省了设备资源、提高了工作效率、改善了乘客体验，同时也提升了公共场所的信息化水平。

Description

基于LSTM的公共场所入口人流量预测方法
技术领域
本发明涉及人工智能技术领域，尤其是涉及一种基于LSTM的公共场所入口人流量预测方法。
背景技术
在我们生活中有众多公共场所属于人员密集流动区域(如车站、机场、旅游景点等)，公共场所入口是旅客通行的必经途径。由于经常入口闸机验票和安检开放不合理，人流量较少时会造成资源浪费，人流量较多时会造成客流拥堵，既潜藏着安全隐患，又影响旅客出行体验。在现有技术中，大多采用人工形式对公共场所入口的人流量进行监测，然后针对当前人流量采取相应措施。然而这种方式不仅处置时效性差，还需要较高的人力成本。此外，对未来一段时间的人流量主要靠工作人员的主观经验进行预估判断，预测不准确。
发明内容
本发明的目的在于提供一种基于LSTM的公共场所入口人流量预测方法，通过公共场所入口前端视频采集装置将人流量数据回传数据库服务器，然后在服务终端利用LSTM神经网络预测未来一天、一周的人流量分布，根据预测信息智能决策公共场所进站口闸机、安检设备的开放数量以及工作人员的分配情况。通过该发明方法极大地提高了公共场所入口的人流量预测精度，大大减少人力成本、节省设备资源、提高工作效率、改善乘客体验，同时也提升了公共场所的信息化水平。
为解决上述技术问题，本发明提供的技术方案在于：本发明提供的基于LSTM的公共场所入口人流量预测方法，包括以下步骤：
步骤一：获取人流量数据：通过公共场所入口前端安装的若干视频采集装置实时获取人流量数据；
步骤二：对步骤一中获取的人流量数据信息实时提取统计，并上传至与视频采集装置连接的数据库服务器
步骤三：通过数据库服务器对人流量数据进行清洗、过滤、整理；
步骤四：基于LSTM神经网络建立入口人流量预测模型；
步骤五：通过对预测模型进行训练，预测未来一段时间的公共场所入口人流量趋势；
步骤六：根据人流量信息调取决策库进行智能决策，将智能决策得到的人员设备调度方案提前通知相关工作人员做好应急准备。
进一步的，步骤四包括以下步骤建立入口人流量预测模型：
S41：原始RNN的隐藏层只有一个状态，即隐藏状态h，在原始RNN中增加单元状态c以保存长期的状态，LSTM中用门算法来控制隐藏状态h和单元状态c；
S42：设置遗忘门；
S43：设置输入门；
S44：计算用于描述当前输入的单元状态；
S45：计算当前时刻的单元状态ct；
S46：设置输出门；
S47：误差项沿时间反向传递；
S48：计算权重梯度；
S49：权重更新。
进一步的，步骤S41具体为：
原始RNN的隐藏层只有一个状态，即隐藏状态h，它对于短期的输入非常敏感，LSTM神经网络为了实现短期、长期状态保持，在原始RNN中再增加一个状态，即单元状态c，让它来保存长期的状态，LSTM中用门算法来控制隐藏状态h、单元状态c，其公式如下：
g(x)＝σ(Wx+b) (1)
LSTM用两个门来控制单元状态c的内容，一个是遗忘门(forget gate)，它决定了上一时刻的单元状态ct-1有多少保留到当前状态ct；另一个是输入门(input gate)，它决定了当前时刻网络的输入xt有多少保存到单元状态ct；LSTM用输出门(output gate)来控制单元状态ct有多少输入到LSTM当前输出值ht。
进一步的，步骤S42中遗忘门公式如下：
ft＝σ(Wf·[ht-1,xt]+bf) (2)
上式中，Wf是遗忘门的权重矩阵，xt为当前时刻网络的输入，[ht-1,xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid激活函数。如果输入的维度是dx，隐藏层的维度是dh，单元状态的维度是dc(通常dc＝dh)，则遗忘门的权重矩阵Wf维度是dc×(dh+dx)。
进一步的，步骤S43中输入门公式如下：
it＝σ(Wi·[ht-1,xt]+bi) (3)
上式中，Wi是输入门的权重矩阵，bi是输入门的偏置项；
进一步的，步骤S44中计算的单元状态
Figure BDA0002856427700000031
是根据上一次的输出和本次输入来计算的，具体为：
Figure BDA0002856427700000032
进一步的，步骤S45中计算当前时刻的单元状态ct的公式如下：
Figure BDA0002856427700000033
上式中，符号
Figure BDA0002856427700000034
表示按位乘；
进一步的，步骤S46中输出门公式如下：
Figure BDA0002856427700000041
进一步的，步骤S47中误差项沿时间的反向传递公式如下：
Figure BDA0002856427700000042
根据δo,t,δf,t,δi,t,δc,t的定义，可知：
Figure BDA0002856427700000043
Figure BDA0002856427700000044
Figure BDA0002856427700000045
Figure BDA0002856427700000046
根据上式可得将误差项向前传递到任意k时刻的公式：
Figure BDA0002856427700000047
Figure BDA0002856427700000048
Figure BDA0002856427700000049
Figure BDA00028564277000000410
根据上式可得将误差项向前传递到任意k时刻的公式：
Figure BDA00028564277000000411
进一步的，步骤S48中权重梯度的计算公式如下：
Figure BDA00028564277000000412
Figure BDA00028564277000000413
Figure BDA0002856427700000051
Figure BDA0002856427700000052
步骤S49中权重更新的公式如下：
Figure BDA0002856427700000053
上式中η为学习速率。
结合以上技术方案，本发明达到的有益效果在于：本发明解决了现有技术在公共场所入口人流量预测方面的技术空缺。通过本发明将公共场所入口的人流量历史数据，输入LSTM神经网络的输入端，根据历史数据对自身的模型参数不断更新权重矩阵，直到满足预先设定的误差阈值后，神经网络将会完成训练，再对未来的某天人流量进行预测，可以得到与人工经验判断后预测得到的某天人流量数据相比更加精准的预测结果；根据预测的人流量信息调取决策库进行智能决策；将智能决策得到的人员设备调度方案提前传达到工作人员。
附图说明
为了更清楚的说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图是本发明的一些实施方式，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。
图1为本发明实施例提供的流程图；
图2为本发明实施例提供的仿真验证图。
具体实施方式
下面将结合附图对本发明的目的、技术方案和优点进行清楚、明白、完整的描述，显然，所描述的实施例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。
在循环神经网络(RNN)模型中，由于RNN有梯度消失的问题，因此很难处理长序列的数据，对RNN中对于序列索引位置t的隐藏结构做了改进来避免梯度消失的问题，便得到了RNN的特例长短期记忆网络LSTM(Long Short-Term Memory)，它可以避免常规RNN的梯度消失。
如图1-2所示，本实施例提供了一种基于LSTM的公共场所入口人流量预测方法，包括以下步骤：
步骤一：获取人流量数据，在公共场所的人流入口处对准入口安装若干视频采集装置，本实施例中视频采集装置采用摄像头，摄像头采用浙江大华技术股份有限公司生产的高清(600万)红外变焦枪型网络摄像机(DH-IPC-HFW4631F变焦系列)，确保清晰地捕捉人流视频图像，采集人流量数据；
步骤二：对每个视频采集装置获取的人流量数据信息实时提取统计，并上传至与视频采集装置连接的数据库服务器；
步骤三：在服务器终端对人流量数据进行清洗、过滤、整理等；
步骤四，基于LSTM神经网络建立入口人流量预测模型；
其中，建立入口人流量预测模型具体包括如下步骤：
S41：原始RNN隐藏层内部每一个神经网络单元都有对应当前时刻网络状态的输出，将当前时刻神经网络单元网络状态的输出称为隐藏状态，，即隐藏状态h，隐藏状态h可以对短期内神经网络单元的输入进行短期的记忆，并将短期内神经网络单元的输入影响作用到当前时刻神经网络的状态输出，因此它对于短期的输入非常敏感,，LSTM神经网络为了实现短期、长期状态保持，在原始RNN中再增加一个状态，即单元状态c，单元状态c类似于传送带，以水平线贯穿神经网络单元，它负责将以前时刻的隐藏层内部神经网络单元输出即隐藏状态h在当前时刻状态进行保持或丢弃，通过单元状态c控制隐藏状态h，以此让单元状态c将以前时刻的隐藏状态h保存到当前时刻神经网络单元的输出，LSTM中用门算法来控制隐藏状态h、单元状态c，其公式如下：
g(x)＝σ(Wx+b) (1)
LSTM用两个门来控制单元状态c的内容，一个是遗忘门(forget gate)，它决定了上一时刻的单元状态ct-1有多少保留到当前状态ct；另一个是输入门(input gate)，它决定了当前时刻网络的输入xt有多少保存到单元状态ct；LSTM用输出门(output gate)来控制单元状态ct有多少输入到LSTM当前输出值ht；
S42：设置遗忘门，遗忘门公式如下：
ft＝σ(Wf·[ht-1,xt]+bf) (2)
上式中，Wf是遗忘门的权重矩阵，xt为当前时刻网络的输入，ht-1是上一时刻的输入xt-1作用于上一时刻神经网络单元的输出值，[ht-1,xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid激活函数。如果输入的维度是dx，隐藏层的维度是dh，单元状态的维度是dc(通常dc＝dh)，则遗忘门的权重矩阵Wf维度是dc×(dh+dx)。
S43：设置输入门，输入门公式如下：
it＝σ(Wi·[ht-1,xt]+bi) (3)
上式中，Wi是输入门的权重矩阵，bi是输入门的偏置项；
S44：计算用于描述当前输入的单元状态
Figure BDA0002856427700000081
它是根据上一次的输出和本次输入来计算的：
Figure BDA0002856427700000082
上式中，Wc是单元状态c的权重矩阵，bc是单元状态c的偏置项，tanh()是双曲正切函数。
S45：计算当前时刻的单元状态ct，其公式如下：
Figure BDA0002856427700000083
上式中，符号
Figure BDA0002856427700000084
表示按位乘；
S46：设置输出门，输出门公式如下：
ot＝σ(Wo·[ht-1,xt]T+bo) (6)
上式中，Wo是神经网络单元的输出门的权重矩阵，bo是输出门的偏置；
LSTM神经网络单元最终的输出ht，是由输出门ot和单元状态c共同决定的，公式如下：
Figure BDA0002856427700000085
上式中，ot是输出门，tanh()是双曲正切函数，符号
Figure BDA0002856427700000087
表示按位乘；
S47：误差项沿时间的反向传递，其公式如下：
Figure BDA0002856427700000086
在t时刻，LSTM的输出值为ht，我们定义t时刻的误差项δt为：
Figure BDA0002856427700000091
上式中，δt等于神经网络输出的损失函数E对LSTM神经网络单元的上一时刻输出值ht-1的偏导数；
因为LSTM有四个加权输出，分别对应了遗忘门ht、输入门it、单元状态ct、输出门ot，在LSTM神经网络中希望往上一层传递一个误差项，而不是四个误差项，因此需要定义出这四个加权输出，以及他们对应的误差项。
遗忘门ht、输入门it、当前输入的单元状态
Figure BDA0002856427700000092
输出门ot四个加权输入以及他们的对应误差项如下式：
netf,t＝Wf[ht-1,xt]+bf (10)
neti,t＝Wi[ht-1,xt]+bi (11)
Figure BDA0002856427700000093
neto,t＝Wo[ht-1,xt]+bo (13)
Figure BDA0002856427700000094
Figure BDA0002856427700000095
Figure BDA0002856427700000096
Figure BDA0002856427700000097
上式中，netf,t是t时刻遗忘门的加权输入，neti,t是t时刻输入门的加权输入，
Figure BDA0002856427700000098
是t时刻当前输入状态的加权输入，neto,t是t时刻当前输出门的加权输入，δf,t、δi,t、
Figure BDA00028564277000000910
δo,t分别为他们对应的误差项。
损失函数E公式如下：
Figure BDA0002856427700000099
上式中，yk为LSTM神经网络的输出值，tk表示监督数据，即数据的真实值；
根据δo,t,δf,t,δi,t,δc,t的定义，可知：
Figure BDA0002856427700000101
Figure BDA0002856427700000102
Figure BDA0002856427700000103
Figure BDA0002856427700000104
根据上式可得将误差项向前传递到任意k时刻的公式：
Figure BDA0002856427700000105
Figure BDA0002856427700000106
Figure BDA0002856427700000107
Figure BDA0002856427700000108
式(8)、式(23)至(26)可得将误差项向前传递到任意k时刻的公式：
Figure BDA0002856427700000109
S48：权重梯度的计算，其公式如下：
Figure BDA00028564277000001010
Figure BDA00028564277000001011
Figure BDA00028564277000001012
Figure BDA0002856427700000111
S49：权重更新，其公式如下：
Figure BDA0002856427700000112
上式中η为学习速率，wji是隐藏层i到下一隐藏层j的权重矩阵。
步骤五：通过对预测模型进行训练，预测未来一段时间的公共场所入口人流量趋势；
步骤六：根据人流量信息调取决策库进行智能决策，将智能决策得到的人员设备调度方案提前通知相关工作人员做好应急准备。
本发明一种基于LSTM的公共场所入口人流量预测方法，不需要通过人工建模，只需要根据历史数据输入网络即可自动建模，在误差允许的范围内极大提高预测精度，也提高了公共场所管理的效率。但是，由于需要由大量历史数据输入到神经网络中进行训练，训练数据量大、计算复杂度高，因此需要借助高性能计算机进行计算，可大幅度缩短时间周期。
为了验证本发明一种基于LSTM的公共场所入口人流量预测方法的准确性和有效性，下面以某机场4000小时的进站口人流量数据为例进行了仿真实验。采用的数据为数据库格式(将数据存储在数据库中，格式为.csv)，本预测数据文件名称为sp500.csv。
本实施例中的一种基于LSTM的公共场所入口人流量预测仿真实验采用基于python 3.7中高级包tensorflow中的Keras，使用方法为LSTM进行预测。其中以3600小时的数据用来对本发明预测模型进行训练，剩余400小时的数据用来对本发明预测模型进行验证。一种基于LSTM的机场入口人流量预测精确性和有效性如图2所示，该图中横坐标代表预测的时间(单位：时)，纵坐标代表误差。依图所示，蓝色曲线代表真实值，黄色曲线代表预测值，在整个时间区间内实际值与真实值之间的误差非常小，实际值曲线和真实值曲线的拟合度较高。实验表明：一种基于LSTM的公共场所人流量预测方法对于人流量预测达到了非常高的精度，这对于公共场所管理人员提供极大的参考价值。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于LSTM的公共场所入口人流量预测方法，其特征在于：包括以下步骤：
步骤一：获取人流量数据：通过公共场所入口前端安装的若干视频采集装置实时获取人流量数据；
步骤二：对步骤一中获取的人流量数据信息实时提取统计，并上传至与视频采集装置连接的数据库服务器
步骤三：通过数据库服务器对人流量数据进行清洗、过滤、整理；
步骤四：基于LSTM神经网络建立入口人流量预测模型；
步骤五：通过对预测模型进行训练，预测未来一段时间的公共场所入口人流量趋势；
步骤六：根据人流量信息调取决策库进行智能决策，将智能决策得到的人员设备调度方案提前通知相关工作人员做好应急准备。
2.根据权利要求1所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤四包括以下步骤建立入口人流量预测模型：
S41：LSTM中用门算法来控制隐藏状态h和单元状态c，即LSTM神经网络用门算法控制以前时刻和当前时刻的输入对当前时刻输出影响的记忆保持或丢弃；
S42：设置遗忘门；
S43：设置输入门；
S44：计算用于描述当前输入的单元状态；
S45：计算当前时刻的单元状态ct；
S46：设置输出门；
S47：误差项沿时间反向传递；
S48：计算权重梯度；
S49：权重更新。
3.根据权利要求2所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S41具体为：
原始RNN隐藏层内部每一个神经网络单元都有对应当前时刻网络状态的输出，将当前时刻神经网络单元网络状态的输出称为隐藏状态h，隐藏状态h可以对短期内神经网络单元的输入进行短期的记忆，并将短期内神经网络单元的输入影响作用到当前时刻神经网络的状态输出，因此它对于短期的输入非常敏感，LSTM神经网络为了实现短期、长期状态保持，在原始RNN中再增加一个状态，即单元状态c，单元状态c以水平线贯穿神经网络单元，负责将以前时刻的隐藏层内部神经网络单元输出即隐藏状态h在当前时刻状态进行保持或丢弃，通过单元状态c控制隐藏状态h，以此让单元状态c将以前时刻的隐藏状态h保存到当前时刻神经网络单元的输出，LSTM中用门算法来控制隐藏状态h、单元状态c，其公式如下：
g(x)＝σ(Wx+b) (1)
LSTM用两个门来控制单元状态c的内容，一个是遗忘门(forget gate)，它决定了上一时刻的单元状态ct-1有多少保留到当前状态ct；另一个是输入门(input gate)，它决定了当前时刻网络的输入xt有多少保存到单元状态ct；LSTM用输出门(output gate)来控制单元状态ct有多少输入到LSTM当前输出值ht。
4.根据权利要求3所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S42中遗忘门公式如下：
ft＝σ(Wf·[ht-1，xt]+bf) (2)
上式中，Wf是遗忘门的权重矩阵，xt为当前时刻网络的输入，ht-1是上一时刻的输入xt-1作用于上一时刻神经网络单元的输出值，[ht-1，xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid激活函数；如果输入的维度是dx，隐藏层的维度是dh，单元状态的维度是dc(通常dc＝dh)，则遗忘门的权重矩阵Wf维度是dc×(dh+dx)。
5.根据权利要求4所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S43中输入门公式如下：
it＝σ(Wi·[ht-1，xt]+bi) (3)
上式中，Wi是输入门的权重矩阵，bi是输入门的偏置项。
6.根据权利要求5所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S44中计算的单元状态
Figure FDA0002856427690000032
是根据上一次的输出和本次输入来计算的，具体为：
Figure FDA0002856427690000031
上式中，Wc是单元状态c的权重矩阵，bc是单元状态c的偏置项，tanh()是双曲正切函数。
7.根据权利要求6所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S45中计算当前时刻的单元状态ct的公式如下：
Figure FDA0002856427690000041
上式中，符号
Figure FDA0002856427690000042
表示按位乘。
8.根据权利要求7所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S46中输出门公式如下：
ot＝σ(Wo·[ht-1，xt]T+bo) (6)
上式中，Wo是神经网络单元的输出门的权重矩阵，bo是输出门的偏置；
LSTM神经网络单元最终的输出ht，是由输出门ot和单元状态c共同决定的，公式如下：
Figure FDA0002856427690000043
上式中，or是输出门，tanh()是双曲正切函数，符号
Figure FDA0002856427690000044
表示按位乘。
9.根据权利要求8所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S47中误差项沿时间的反向传递公式如下：
Figure FDA0002856427690000051
在t时刻，LSTM的输出值为ht，定义t时刻的误差项δt为：
Figure FDA0002856427690000052
上式中，δt等于神经网络输出的损火函数E对LSTM神经网络单元的上一时刻输出值ht-1的偏导数；
因为LSTM有四个加权输出，分别对应了遗忘门ht、输入门it、单元状态ct、输出门ot，在LSTM神经网络中希望往上一层传递一个误差项，而不是四个误差项，因此需要定义出这四个加权输出，以及他们对应的误差项；
遗忘门ht、输入门it、当前输入的单元状态
Figure FDA0002856427690000053
输出门ot四个加权输入以及他们的对应误差项如下式：
netf，t＝Wf[ht-1，xt]+bf (10)
neti，t＝Wi[ht-1，xt]+bi (11)
Figure FDA0002856427690000066
neto，t＝Wo[ht-1，xt]+bo (13)
Figure FDA0002856427690000061
Figure FDA0002856427690000062
Figure FDA0002856427690000063
Figure FDA0002856427690000064
上式中，netf，t是t时刻遗忘门的加权输入，neti，t是t时刻输入门的加权输入，
Figure FDA0002856427690000067
是t时刻当前输入状态的加权输入，neto，t是t时刻当前输出门的加权输入，δf，t、δi，t、
Figure FDA0002856427690000068
δo，t分别为他们对应的误差项；
损失函数E公式如下：
Figure FDA0002856427690000065
上式中，yk为LSTM神经网络的输出值，tk表示监督数据，即数据的真实值；
根据δo，t，δf，t，δi，t，δc，t的定义，可知：
Figure FDA0002856427690000071
Figure FDA0002856427690000072
Figure FDA0002856427690000073
Figure FDA0002856427690000074
根据上式可得将误差项向前传递到任意k时刻的公式：
Figure FDA0002856427690000075
Figure FDA0002856427690000076
Figure FDA0002856427690000077
Figure FDA0002856427690000078
根据上式中的式(8)、式(23)至(26)可得将误差项向前传递到任意k时刻的公式：
Figure FDA0002856427690000079
10.根据权利要求9所述的基于LSTM的公共场所入口人流量预测方法，其特征在于：步骤S48中权重梯度的计算公式如下：
Figure FDA00028564276900000710
Figure FDA0002856427690000081
Figure FDA0002856427690000082
Figure FDA0002856427690000083
步骤S49中权重更新的公式如下：
Figure FDA0002856427690000084
上式中η为学习速率，wji是隐藏层i到下一隐藏层j的权重矩阵。
CN202011554650.2A 2019-12-29 2020-12-24 基于lstm的公共场所入口人流量预测方法 Pending CN112508305A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911386350 2019-12-29
CN2019113863505 2019-12-29

Publications (1)

Publication Number Publication Date
CN112508305A true CN112508305A (zh) 2021-03-16

Family

ID=74923322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011554650.2A Pending CN112508305A (zh) 2019-12-29 2020-12-24 基于lstm的公共场所入口人流量预测方法

Country Status (1)

Country Link
CN (1) CN112508305A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113257008A (zh) * 2021-05-12 2021-08-13 兰州交通大学 基于深度学习的行人流量动态控制系统及方法
CN113362598A (zh) * 2021-06-04 2021-09-07 重庆高速公路路网管理有限公司 一种高速公路服务区车流量预测方法
CN113900391A (zh) * 2021-09-10 2022-01-07 苏州贝基电子科技有限公司 一种基于大数据的商业大厦智能管理系统
CN114170550A (zh) * 2021-12-08 2022-03-11 山东云海据信息科技有限公司 一种公共交通异常客流检测方法
CN114282732A (zh) * 2021-12-29 2022-04-05 重庆紫光华山智安科技有限公司 一种区域人流量的预测方法及装置
CN114297265A (zh) * 2021-12-31 2022-04-08 重庆钢铁集团电子有限责任公司 基于物联技术的智能运维方法
CN114390079A (zh) * 2022-03-24 2022-04-22 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
CN114882439A (zh) * 2022-05-25 2022-08-09 天翼爱音乐文化科技有限公司 一种基于深度学习的人数预测方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197739A (zh) * 2017-12-29 2018-06-22 中车工业研究院有限公司 一种城市轨道交通乘客流量预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN109598935A (zh) * 2018-12-14 2019-04-09 银江股份有限公司 一种基于超长时间序列的交通数据预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197739A (zh) * 2017-12-29 2018-06-22 中车工业研究院有限公司 一种城市轨道交通乘客流量预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN109598935A (zh) * 2018-12-14 2019-04-09 银江股份有限公司 一种基于超长时间序列的交通数据预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔洪涛等: "基于深度长短期记忆网络的地铁进站客流预测", 《城市轨道交通研究》 *
百度文库: "零基础入门深度学习（6）-长短时记忆网络（LSTM）", 《HTTPS://WENKU.BAIDU.COM/VIEW/5768363A59FB770BF78A6529647D27284B733714.HTML》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113257008A (zh) * 2021-05-12 2021-08-13 兰州交通大学 基于深度学习的行人流量动态控制系统及方法
CN113362598A (zh) * 2021-06-04 2021-09-07 重庆高速公路路网管理有限公司 一种高速公路服务区车流量预测方法
CN113362598B (zh) * 2021-06-04 2022-06-03 重庆高速公路路网管理有限公司 一种高速公路服务区车流量预测方法
CN113900391A (zh) * 2021-09-10 2022-01-07 苏州贝基电子科技有限公司 一种基于大数据的商业大厦智能管理系统
CN114170550A (zh) * 2021-12-08 2022-03-11 山东云海据信息科技有限公司 一种公共交通异常客流检测方法
CN114282732A (zh) * 2021-12-29 2022-04-05 重庆紫光华山智安科技有限公司 一种区域人流量的预测方法及装置
CN114297265A (zh) * 2021-12-31 2022-04-08 重庆钢铁集团电子有限责任公司 基于物联技术的智能运维方法
CN114390079A (zh) * 2022-03-24 2022-04-22 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
US11868926B2 (en) 2022-03-24 2024-01-09 Chengdu Qinchuan Iot Technology Co., Ltd. Systems and methods for managing public place in smart city
CN114882439A (zh) * 2022-05-25 2022-08-09 天翼爱音乐文化科技有限公司 一种基于深度学习的人数预测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN112508305A (zh) 基于lstm的公共场所入口人流量预测方法
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
CN108399745B (zh) 一种基于无人机的分时段城市路网状态预测方法
CN109886444B (zh) 一种交通短时客流预测方法、装置、设备和存储介质
CN110866649B (zh) 一种短期地铁客流预测方法、系统及电子设备
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
Osorio et al. A computationally efficient simulation-based optimization algorithm for large-scale urban transportation problems
CN107909206B (zh) 一种基于深层结构循环神经网络的pm2.5预测方法
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
EP4016412A1 (en) Traffic prediction
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN109035761A (zh) 基于辅助监督学习的行程时间估计方法
Choi et al. Artificial neural network models for airport capacity prediction
CN109345832B (zh) 一种基于深度递归神经网络的城市道路超车预测方法
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
CN112766597A (zh) 公交客流预测方法及系统
CN114495507A (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN111815075B (zh) 一种重大公共卫生事件下交通出行需求的预测方法
CN114021809A (zh) 一种无人驾驶用交通流量预测的图层级卷积神经网络模型
CN114582131B (zh) 一种基于匝道智能控流算法的监控方法及系统
CN110443422B (zh) 基于od吸引度的城市轨道交通od客流预测方法
Lv et al. An origin–destination passenger flow prediction system based on convolutional neural network and passenger source-based attention mechanism
CN116451867A (zh) 一种基于时空出行路径标定的地铁短时客流预测方法
Zhang Review on Traffic Flow Prediction Method Based on Neural Network

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210316