CN116502765A - 一种基于lstm模型的滞留人数预测方法 - Google Patents

一种基于lstm模型的滞留人数预测方法 Download PDF

Info

Publication number
CN116502765A
CN116502765A CN202310551376.0A CN202310551376A CN116502765A CN 116502765 A CN116502765 A CN 116502765A CN 202310551376 A CN202310551376 A CN 202310551376A CN 116502765 A CN116502765 A CN 116502765A
Authority
CN
China
Prior art keywords
model
lstm model
predicting
detained
steps
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
CN202310551376.0A
Other languages
English (en)
Inventor
张丽秋
吕楠
高超
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.)
Abd Smart Eye Electronics Co ltd
Original Assignee
Abd Smart Eye Electronics Co ltd
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 Abd Smart Eye Electronics Co ltd filed Critical Abd Smart Eye Electronics Co ltd
Priority to CN202310551376.0A priority Critical patent/CN116502765A/zh
Publication of CN116502765A publication Critical patent/CN116502765A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及一种基于LSTM模型的滞留人数预测方法，包括以下步骤：基于历史商场客流数据训练出初始LSTM模型；对初始LSTM模型进行结构优化获取优化结构；以优化结构构建最终滞留人数预测模型；通过滞留人数预测模型对滞留人数进行预测，并得出滞留人数预测值；对滞留人数预测值实时修正；输出修正后的滞留人数预测值。本发明通过基于历史真实的商场客流数据训练出初始LSTM模型，使模型能够捕捉到客流数据的长期依赖性，提高了后续预测准确性以及在不同场景下的泛化能力。通过遗传算法对初始LSTM模型进行结构优化，以最优结构构建最终滞留人数预测模型，选取最优的隐含层和全连接层数，以提高模型的性能和泛化能力。

Description

一种基于LSTM模型的滞留人数预测方法
技术领域
本发明涉及智能数据算法技术领域，尤其涉及一种基于LSTM模型的滞留人数预测方法。
背景技术
随着现代社会的快速发展，商场、景区、交通枢纽等公共场所的客流量日益增加，对滞留人数的准确预测成为了公共安全管理的关键任务之一，滞留人数预测可以帮助管理者合理安排人力资源、优化空间布局及制定应急预案，以提高公共场所的运营效率和安全性。
长短时记忆网络(LSTM)是一种特殊的循环神经网络，具有较强的长期依赖建模能力，可应用于各种时序预测任务，但是目前，现有的基于LSTM的滞留人数预测方法存在问题如下：
(一)现有的基于LSTM的滞留人数预测方法通常采用固定的模型结构，例如单层或多层LSTM以及后续的全连接层，这些固定结构无法适应不同场景下的数据特点，导致预测性能受到限制。
(二)现有方法的输入维度设计简单，通常只包括历史滞留人数数据。然而，滞留人数的变化可能受到多种因素的影响，如进出人数、节假日、天气等，因此其预测的准确性和鲁棒性有待提高。
(三)现有方法通常需要手动调整模型的超参数，如学习率、隐藏层大小、优化器等，以获得较好的预测性能，但存在耗时久、效率低的问题。
发明内容
针对上述现有技术的缺点，本发明的目的是提供一种基于LSTM模型的滞留人数预测方法，以解决现有技术中的一个或多个问题。
为实现上述目的，本发明的技术方案如下：
一种基于LSTM模型的滞留人数预测方法，包括以下步骤：
基于历史商场客流数据训练出初始LSTM模型；
对初始LSTM模型进行结构优化获取优化结构；
以优化结构构建最终滞留人数预测模型；
通过滞留人数预测模型对滞留人数进行预测，并得出滞留人数预测值；
对滞留人数预测值实时修正；
输出修正后的滞留人数预测值。
进一步的，所述LSTM模型的训练包括步骤如下：
收集商场在时间周期内的进出客流数据；
经数据处理后，将进出客流数据划分为训练集、验证集和测试集；
构建由输入层、隐藏层和输出层组成的LSTM模型并保存。
进一步的，所述数据处理包括步骤如下：
设置进出客流数据为X，设置滞留人数数据为Y；
其中，X的每一行表示一个时间戳，每一列分别表示总进人数、临近5分钟的进人数和临近5分钟的出人数；
将X划分为长度为T的滑动窗口，每个窗口对应一个输入序列；
将Y划分为与X相对应的滑动窗口，每个窗口对应一个输出值。
进一步的，所述输入层用于接收输入序列，其形状为(batch_size,T,input_dim)，其中，batch_size为批处理大小，T为时间步长，input_dim为输入维度；
所述隐藏层包含若干个LSTM单元，每个单元包含一个输入门、遗忘门、输出门以及一个细胞状态。
进一步的，所述初始LSTM模型的结构优化包括步骤如下：
初始化一个由多个个体组成的大小为M的种群；
计算出每个个体的适应度值并由高到低排序，并选择适应度值较高的个体进入下一代；
在选出的下一代个体中随机挑选两个个体作为父代，并通过交叉策略生成子代；
对子代进行变异形成变异个体；
将变异后的个体组成新的种群，用于下一轮迭代；
重复初始化至组成新种群的过程，直至满足迭代停止条件，并输出具有最高适应度值的个体。
进一步的，所述对滞留人数进行预测包括步骤如下：
将输入序列输入至最终滞留人数预测模型的输入层；
根据最终滞留人数预测模型内各隐藏层的计算，更新细胞状态和隐藏状态；
计算输出门的值，并将最后一个隐藏层的隐藏状态传递至全连接输出层；
全连接输出层计算预测滞留人数。
进一步的，所述输入序列具体为：以[S_t,I_t,O_t]三个维度构成的输入序列x_t；其中，S_t表示从零点截至到当前时间的总进人数，I_t表示临近当前时间5分钟的进人数，O_t表示临近当前时间5分钟的出人数。
进一步的，对滞留人数预测值实时修正包括步骤如下：
根据预测值和真实值数据计算最终滞留人数预测模型的预测误差；
通过修正公式对最终滞留人数预测模型的输出值进行修正；
输出修正后的滞留人数。
进一步的，所述修正公式为：
y”_t＝y'_t-α×e_t
其中，y”_t为修正后的滞留人数，y'_t为预测出的滞留人数，α为修正系数，e_t为预测误差。
进一步的，在代入修正公式前需要对修正系数调整，所述修正系数调整包括步骤如下：
设定初始修正系数α_0；
在每个预测时间点计算模型的预测误差；
根据误差更新修正系数。
与现有技术相比，本发明的有益技术效果如下
(一)通过基于历史真实的商场客流数据训练出初始LSTM模型，使模型能够捕捉到客流数据的长期依赖性，提高了后续预测准确性以及在不同场景下的泛化能力。
(二)通过遗传算法对初始LSTM模型进行结构优化，以最优结构构建最终滞留人数预测模型，选取最优的隐含层和全连接层数，以提高模型的性能和泛化能力；通过设定合理的输入维度和输出值，使模型能够从多个维度进行预测，提高预测的准确性和鲁棒性。
(三)根据预测值和真实值数据计算最终滞留人数预测模型的预测误差，并通过修正公式对模型的输出值进行实时修正，得到最终的滞留人数预测值，有效提高预测的实时性和准确性。
附图说明
图1示出了本发明实施例一种基于LSTM模型的滞留人数预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实施方式对本发明提出的一种基于LSTM模型的滞留人数预测方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
一种基于LSTM模型的滞留人数预测方法，可广泛应用于商场、车站等场景，为客流管理和安全监控提供有力支持，具体包括以下步骤：
步骤S1，基于历史商场客流数据训练出初始LSTM模型，用于捕捉数据中的时序特征。
进一步的，所述LSTM模型的训练包括步骤如下：
步骤S10，收集商场在时间周期内的进出客流数据，所述时间周期由用户自主设置。
步骤S11，经数据处理后，将进出客流数据划分为训练集、验证集和测试集，其中，训练集用于训练模型，验证集用于调整超参数，测试集用于评估模型性能，超参数为：在开始机器学习之前人为设置好的参数。
步骤S12，构建由输入层、隐藏层和输出层组成的LSTM模型并保存。在训练过程中，需对LSTM模型进行初始优化，其优化目标具体为：最小化滞留人数预测值与滞留人数真实值之间的均方误差损失，进一步的，计算公式如下：
L＝1/N∑(y'_t-y_t)2
其中，L表示均方误差损失函数值，y'_t表示滞留人数预测值，y_t表示滞留人数真实值，N表示训练集的大小。在本发明实施例中，进一步通过随机梯度下降算法迭代更新LSTM模型参数，直至达到预定的最大迭代次数，使得均方误差损失尽可能小，以提高滞留人数预测的准确性。
更进一步的，所述数据处理包括步骤如下：
步骤S120，设置进出客流数据为X，设置滞留人数数据为Y。
其中，X的每一行表示一个时间戳，每一列分别表示从零点截至当前时间的总进人数、临近当前时间5分钟的进人数和临近当前时间5分钟的出人数。
步骤S121，将X划分为长度为T的滑动窗口，每个窗口对应一个输入序列，具体为：
x_t＝[x_{t-T+1},x_{t-T+2},...,x_t]
其中t＝T,T+1,...,N，N为X的总行数。
步骤S122，将Y划分为与X相对应的滑动窗口，每个窗口对应一个输出值y_t。
更进一步的，所述输入层用于接收输入序列，其形状为(batch_size,T,input_dim)，其中，batch_size为批处理大小，T为时间步长，input_dim为输入维度，在本发明实施例中，输入维度为3。
所述隐藏层包含若干个LSTM单元，每个单元包含一个输入门、遗忘门、输出门以及一个细胞状态。
具体的，LSTM单元的计算公式如下：
i_t＝σ(W_{xi}x_t+W_{hi}h_{t-1}+b_i)
其中，i_t表示LSTM模型中的输入门，σ表示sigmoid激活函数，W_{xi}表示输入权重矩阵，W_{hi}表示隐藏权重矩阵，x_t表示当前时刻的输入向量，h_{t-1}表示上一时刻的隐藏状态，b_i表示遗忘门的偏执向量。
f_t＝σ(W_{xf}x_t+W_{hf}h_{t-1}+b_f)
其中，f_t表示LSTM模型中的遗忘门，W_{xf}表示输入权重矩阵，W_{hf}表示隐藏权重矩阵，b_f表示输入门的偏执向量。
o_t＝σ(W_{xo}x_t+W_{ho}h_{t-1}+o_f)
其中，o_t表示LSTM模型中的输出门，W_{xo}表示输入权重矩阵，W_{ho}表示隐藏权重矩阵，b_o表示输出门的偏执向量。
g_t＝tanh(W_{xg}x_t+W_{hg}h_{t-1}+b_g)
其中，g_t表示LSTM模型中的细胞状态更新值，W_{xg}表示输入权重矩阵，W_{hg}表示隐藏权重矩阵，b_g表示细胞状态更新值的偏执向量。
c_t＝f_t⊙c_{t-1}+i_t⊙g_t
其中，c_t表示LSTM模型中的当前细胞状态，⊙表示逐元素相乘。
h_t＝o_t⊙tanh(c_t)
其中，h_t表示LSTM模型中的当前隐藏状态。
步骤S2，对初始LSTM模型进行结构优化获取优化结构。
进一步的，所述初始LSTM模型的结构优化包括步骤如下：
步骤S20，初始化一个由多个个体组成的大小为M的种群，在本发明实施例中，每个个体表示一个候选解，由两个整数值组成，分别表示LSTM隐含层的和全连接层的层数。
步骤S21，计算出每个个体的适应度值并由高到低排序，并选择适应度值较高的个体进入下一代，以适应度值评估个体的优劣，进一步指导个体的搜索选择过程，选择的目的是将优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。进一步的，在本发明实施例中，以均方误差损失函数值的倒数作为适应度值，具体的，计算公式如下：
fitness＝1/L
其中，fitness表示适应度值，L表示均方误差损失函数值，L越小，LSTM模型的预测误差越小，适应度值越高，在本发明实施例中，可通过轮盘赌选择算法或者锦标赛选择算法进行个体选择。
步骤S22，在选出的下一代个体中随机挑选两个个体作为父代，并通过交叉策略生成子代。在本发明实施例中，所述交叉策略可以采用单点交叉策略或多点交叉策略，如在隐含层和全连接层的层数之间进行交叉。
步骤S23，对子代进行变异形成变异个体，以一定的概率对子代进行变异，增加种群的多样性。在本发明实施例中，可以通过随机增加或减少隐含层和全连接层的层数来实现变异。
步骤S24，将变异后的个体组成新的种群，用于下一轮迭代。
步骤S25，重复步骤S20-步骤S24直至满足迭代停止条件，并输出具有最高适应度值的个体，即最优的LSTM隐含层和全连接层数。具体的，所述迭代停止条件为：达到预设的最大迭代次数或者适应度值达到设定的阈值。
步骤S3，以优化结构构建最终滞留人数预测模型。
步骤S4，通过滞留人数预测模型对滞留人数进行预测，并得出滞留人数预测值。
进一步的，所述对滞留人数进行预测包括步骤如下：
步骤S40，将输入序列输入至最终滞留人数预测模型的输入层。
进一步的，所述输入序列具体为：以[S_t,I_t,O_t]三个维度构成的输入序列x_t。其中，S_t表示从零点截至到当前时间的总进人数，I_t表示临近当前时间5分钟的进人数，O_t表示临近当前时间5分钟的出人数。
步骤S41，根据最终滞留人数预测模型内各隐藏层的计算，更新细胞状态和隐藏状态。
步骤S42，计算输出门的值，并将最后一个隐藏层的隐藏状态传递至全连接输出层。
步骤S43，全连接输出层计算预测的滞留人数。
具体计算公式为：
y'_t＝W_yh_t+b_y
其中，y'_t表示全连接输出层的预测值，W_y表示输出层权重矩阵，b_y表示输出层的偏置向量，通过训练过程中的参数，用于将隐藏状态h_t映射到最终的预测值y'_t，映射过程由训练LSTM模型时学习得到，使得预测值y'_t尽可能接近真实值y_t。
步骤S5，对滞留人数预测值实时修正。
进一步的，所述对滞留人数预测值实时修正包括步骤如下：
步骤S50，根据预测值和真实值数据计算最终滞留人数预测模型的预测误差，计算公式为：
e_t＝y'_t-y_t
其中，e_t表示预测误差，y'_t表示滞留人数预测值，y_t表示滞留人数真实值。
步骤S51，通过修正公式对模型的输出值进行修正。
进一步的，所述修正公式为：
y”_t＝y'_t-α×e_t
其中，y”_t为修正后的滞留人数，y'_t为预测出的滞留人数，α为修正系数，具体的，α取值范围为[0，1]，当α接近0时，修正作用较弱，修正后的滞留人数主要依赖于LSTM模型的预测值。当α接近1时，修正作用较强，修正后的滞留人数主要依赖于实时进出客流量，e_t为预测误差。
步骤S52，输出修正后的滞留人数。
更进一步的，在代入修正公式前需要对修正系数调整，所述修正系数调整包括步骤如下：
步骤S520，设定初始修正系数α_0。
步骤S521，在每个预测时间点计算模型的预测误差。
步骤S522，根据误差更新修正系数，具体公式如下：
α_t＝f(e_t,α_{t-1})
其中，α_t表示更新后的修正系数，e_t表示预测误差，α_{t-1}表示上一时刻的修正系数，在本发明实施例中，f(·)为一个以e_t和α_{t-1}来更新修正系数的函数，可根据实际需求进行确定，例如线性函数、指数函数或其他非线性函数。
步骤S6，输出修正后的滞留人数预测值。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于LSTM模型的滞留人数预测方法，其特征在于，包括以下步骤：
基于历史商场客流数据训练出初始LSTM模型；
对初始LSTM模型进行结构优化获取优化结构；
以优化结构构建最终滞留人数预测模型；
通过滞留人数预测模型对滞留人数进行预测，并得出滞留人数预测值；
对滞留人数预测值实时修正；
输出修正后的滞留人数预测值。
2.如权利要求1所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：所述LSTM模型的训练包括步骤如下：
收集商场在时间周期内的进出客流数据；
经数据处理后，将进出客流数据划分为训练集、验证集和测试集；
构建由输入层、隐藏层和输出层组成的LSTM模型并保存。
3.如权利要求2所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：所述数据处理包括步骤如下：
设置进出客流数据为X，设置滞留人数数据为Y；
其中，X的每一行表示一个时间戳，每一列分别表示总进人数、临近5分钟的进人数和临近5分钟的出人数；
将X划分为长度为T的滑动窗口，每个窗口对应一个输入序列；
将Y划分为与X相对应的滑动窗口，每个窗口对应一个输出值。
4.如权利要求2所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：
所述输入层用于接收输入序列，其形状为(batch_size,T,input_dim)，其中，batch_size为批处理大小，T为时间步长，input_dim为输入维度；
所述隐藏层包含若干个LSTM单元，每个单元包含一个输入门、遗忘门、输出门以及一个细胞状态。
5.如权利要求4所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：所述初始LSTM模型的结构优化包括步骤如下：
初始化一个由多个个体组成的大小为M的种群；
计算出每个个体的适应度值并由高到低排序，并选择适应度值较高的个体进入下一代；
在选出的下一代个体中随机挑选两个个体作为父代，并通过交叉策略生成子代；
对子代进行变异形成变异个体；
将变异后的个体组成新的种群，用于下一轮迭代；
重复初始化至组成新种群的过程，直至满足迭代停止条件，并输出具有最高适应度值的个体。
6.如权利要求5所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：所述对滞留人数进行预测包括步骤如下：
将输入序列输入至最终滞留人数预测模型的输入层；
根据最终滞留人数预测模型内各隐藏层的计算，更新细胞状态和隐藏状态；
计算输出门的值，并将最后一个隐藏层的隐藏状态传递至全连接输出层；
全连接输出层计算预测滞留人数。
7.如权利要求6所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：
所述输入序列具体为：以[S_t,I_t,O_t]三个维度构成的输入序列x_t；其中，S_t表示从零点截至到当前时间的总进人数，I_t表示临近当前时间5分钟的进人数，O_t表示临近当前时间5分钟的出人数。
8.如权利要求7所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：对滞留人数预测值实时修正包括步骤如下：
根据预测值和真实值数据计算最终滞留人数预测模型的预测误差；
通过修正公式对最终滞留人数预测模型的输出值进行修正；
输出修正后的滞留人数。
9.如权利要求8所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：所述修正公式为：
y”_t＝y'_t-α×e_t
其中，y”_t为修正后的滞留人数，y'_t为预测出的滞留人数，α为修正系数，e_t为预测误差。
10.如权利要求9所述的一种基于LSTM模型的滞留人数预测方法，其特征在于：在代入修正公式前需要对修正系数调整，所述修正系数调整包括步骤如下：
设定初始修正系数α_0；
在每个预测时间点计算模型的预测误差；
根据误差更新修正系数。
CN202310551376.0A 2023-05-16 2023-05-16 一种基于lstm模型的滞留人数预测方法 Pending CN116502765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310551376.0A CN116502765A (zh) 2023-05-16 2023-05-16 一种基于lstm模型的滞留人数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310551376.0A CN116502765A (zh) 2023-05-16 2023-05-16 一种基于lstm模型的滞留人数预测方法

Publications (1)

Publication Number Publication Date
CN116502765A true CN116502765A (zh) 2023-07-28

Family

ID=87322979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310551376.0A Pending CN116502765A (zh) 2023-05-16 2023-05-16 一种基于lstm模型的滞留人数预测方法

Country Status (1)

Country Link
CN (1) CN116502765A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
CN109886444A (zh) * 2018-12-03 2019-06-14 深圳市北斗智能科技有限公司 一种交通短时客流预测方法、装置、设备和存储介质
CN111062524A (zh) * 2019-12-04 2020-04-24 合肥工业大学 基于优化遗传算法的景区短期客流量的预测方法及系统
US20220374681A1 (en) * 2022-07-08 2022-11-24 Zhihan Lv Method for predicting wave energy based on improved GRU

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
CN109886444A (zh) * 2018-12-03 2019-06-14 深圳市北斗智能科技有限公司 一种交通短时客流预测方法、装置、设备和存储介质
CN111062524A (zh) * 2019-12-04 2020-04-24 合肥工业大学 基于优化遗传算法的景区短期客流量的预测方法及系统
US20220374681A1 (en) * 2022-07-08 2022-11-24 Zhihan Lv Method for predicting wave energy based on improved GRU

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁永国: "《旅游统计学》", 中国旅游出版社, pages: 440 *
滕腾: "基于 GA-SLSTM 模型的城市轨道交通短时客流预测", 《计算机应用》, pages 7 - 12 *

Similar Documents

Publication Publication Date Title
JP5888640B2 (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
He et al. Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting
CN110232461A (zh) 基于量子遗传算法优化的多关联向量机水质预测方法
CN110689184A (zh) 一种通过深度学习进行轨交人流预测的方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN111355633A (zh) 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法
CN114861980A (zh) 一种基于bp-lstm模型的碳预测方法
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
AU2021106200A4 (en) Wind power probability prediction method based on quantile regression
Wu et al. Automatic fuzzy model identification for short-term load forecast
CN103745275A (zh) 光伏系统发电功率的预测方法和装置
CN109697531A (zh) 一种物流园区腹地物流需求预测方法
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
CN112183721A (zh) 一种基于自适应差分进化的组合水文预测模型的构建方法
CN105389625B (zh) 一种主动配电网超短期负荷预测方法
CN116502765A (zh) 一种基于lstm模型的滞留人数预测方法
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
CN115238952A (zh) 一种Bi-LSTM-Attention的短期电力负荷预测方法
Shterev et al. Time series prediction with neural networks: a review
Geng et al. A LSTM based campus network traffic prediction system
CN110910164A (zh) 产品销售预测方法、系统、计算机设备和存储介质

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