CN117875521B - 实时铁路客流量预测方法、系统、介质以及电子设备 - Google Patents
实时铁路客流量预测方法、系统、介质以及电子设备 Download PDFInfo
- Publication number
- CN117875521B CN117875521B CN202410275038.3A CN202410275038A CN117875521B CN 117875521 B CN117875521 B CN 117875521B CN 202410275038 A CN202410275038 A CN 202410275038A CN 117875521 B CN117875521 B CN 117875521B
- Authority
- CN
- China
- Prior art keywords
- time period
- value
- output
- gate
- target time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000015654 memory Effects 0.000 claims abstract description 162
- 230000004913 activation Effects 0.000 claims abstract description 115
- 230000006870 function Effects 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 101150049349 setA gene Proteins 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000007726 management method Methods 0.000 abstract description 5
- 230000006698 induction Effects 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种实时铁路客流量预测方法、系统、介质以及电子设备，包括：获取在目标时间段下的特征信息；将特征信息输入至LSTM预测模型目标时间段对应的记忆单元的第一遗忘门中，获取第一遗忘门的输出；将第一遗忘门的输出、目标时间段前一时间段的记忆单元输出以及特征信息共同作为sigmoid神经网络层的输入，并得到第二遗忘门激活值；结合第二遗忘门激活值、输入门和输出门，确定目标时间段的记忆单元输出；根据目标时间段的记忆单元输出，预测在目标时间段下的客流量。本发明提解决了现有技术中存在预测精度较差，无法满足现有交通管理决策、交通规划、路径诱导等方面的技术需求的问题。
Description
技术领域
本发明涉及智能交通交通流量预测的技术领域，尤其涉及一种实时铁路客流量预测方法、系统、介质以及电子设备。
背景技术
目前铁路客运站的客流日益增长，人们对车站安全的智能化需求也逐渐提升到新的高度。铁路客运站作为人群高度集中、事故多发的场合，有着极高的安全保障需求。
近年来铁路客运站因人群拥挤、非法入侵等造成的旅客伤亡事件层出不穷，每值重大节假日前后，旅客人数陡增，异常事故发生的概率也随之增长，因此如何有效分析预测铁路客运站中客流的分布，并针对潜在的异常行为做出预警和对策，是保护车站人员安全，提升旅客出行体验，推进铁路客运站智能化发展亟待解决的问题。
目前铁路客运站中具有大量视频监控设备，现有方式分析客站视频监控需要大量作业人员，且人工分析视频效率低下，容易疲劳，不利于客流分析及异常事件的发现和处理。
当然现有技术中也有如公开号为CN111860989A所提出的一种基于蚁群算法优化
的LSTM神经网络短时交通流量预测方法，其采用传统的LSTM神经网路预测模型，记忆单元
状态的变化要比记忆单元输出变化慢很多，慢的路径记录较长时段的信息，快的路径
记录短时的信息，通过记忆单元状态和记忆单元输出的不断变化，实现了长短信息的
记录。LSTM通过细胞状态及隐藏层细胞的输出将各存储单元链接起来，实现网络的延续，即
利用LSTM神经网络预测模型可以同时保留时间序列的长期记忆和短期记忆，进而用于如铁
路客流量这种具有较大非线性变化与不确定性的预测。
但在上述方法，传统LSTM神经网络预测模型的预测精度较差，无法满足现有交通管理决策、交通规划、路径诱导等方面的技术需求。
发明内容
针对现有技术中所存在的不足，本发明提供了一种实时铁路客流量预测方法、系统、介质以及电子设备，解决了现有技术中存在预测精度较差，无法满足现有交通管理决策、交通规划、路径诱导等方面的技术需求的问题。
本发明的至少一个实施例提供了一种实时铁路客流量预测方法，包括：
S1、获取在目标时间段内的特征信息，所述特征信息表征影响客流量的相关信息；
S2、将所述特征信息输入至LSTM预测模型中，其中，所述LSTM预测模型包括根据时间序列排列并递归连接的多个记忆单元，每个记忆单元具有第一遗忘门、第二遗忘门、输入门和输出门，不同的记忆单元对应了不同的时间段；
将所述特征信息输入至目标时间段对应的记忆单元的第一遗忘门中，获取第一遗忘门的输出；
S3、将所述第一遗忘门的输出、目标时间段前一时间段的记忆单元输出以及所述特征信息共同作为sigmoid神经网络层的输入，并得到第二遗忘门激活值；
S4、将第二遗忘门激活值通过所述输入门和输出门，确定目标时间段的记忆单元输出；
S5、根据目标时间段的记忆单元的输出值，利用LSTM预测模型输出预测值，将预测值作为目标时间段下预测的客流量。
本发明公开提供的技术方案至少具有如下有益效果：
本发明将特征信息输入至LSTM预测模型中，使上述特征信息在经过一次遗忘过程后，再次进入至第二遗忘门中并得到第二遗忘门激活值，第二遗忘门激活值能够伸入的体现出特征信息不同时间段变量间的耦合关系，更加充分的选择将要遗忘的历史信息，提高了预测的精度，使其能够满足现有交通管理决策、交通规划、路径诱导等方面的技术需求。
本发明的至少一个实施例还提供了一种实时铁路客流量预测系统，包括：
数据获取模块，获取在目标时间段内的特征信息，所述特征信息表征影响客流量的相关信息；
分析模块，将所述特征信息输入至LSTM预测模型中，其中，所述LSTM预测模型包括根据时间序列排列并递归连接的多个记忆单元，每个记忆单元具有第一遗忘门、第二遗忘门、输入门和输出门，不同的记忆单元对应了不同的时间段；
将所述特征信息输入至目标时间段对应的记忆单元的第一遗忘门中，获取第一遗忘门的输出；
将所述第一遗忘门的输出、目标时间段前一时间段的记忆单元输出以及所述特征信息共同作为sigmoid神经网络层的输入，并得到第二遗忘门激活值；
将第二遗忘门激活值通过所述输入门和输出门，确定目标时间段的记忆单元输出；
预测模块，根据目标时间段的记忆单元的输出值，利用LSTM预测模型输出预测值，将预测值作为目标时间段下预测的客流量。
本发明的至少一个实施例还提供了一种计算机可读介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如上述的实时铁路客流量预测方法的步骤。
本发明的至少一个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现如上述的实时铁路客流量预测方法的步骤。
附图说明
图1为本发明关于实时铁路客流量预测方法的步骤流程图；
图2为本发明LSTM预测模型其中一个记忆单元的结构图；
图3为本发明sigmoid激活函数图；
图4为本发明预测值与真实值的比较图；
图5为本发明关于实时铁路客流量预测系统的流程图。
具体实施方式
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本发明的提供了一种实时铁路客流量预测方法，此处请结合图1所示，包括：
S1、获取在目标时间段t下的特征信息，特征信息表征影响客流量的相关信
息；
S2、将特征信息输入至LSTM预测模型中，其中，LSTM预测模型包括根据时间序列
排列并递归连接的多个记忆单元，每个记忆单元均具有第一遗忘门、第二遗忘门、输入门和
输出门，不同的记忆单元对应了不同的时间段；
将特征信息输入至目标时间段t对应的记忆单元的第一遗忘门中，获取第一遗忘门的输出，第一遗忘门的输出即为记忆单元状态Ct-1在经过第一次遗忘，并过滤掉记忆单元状态Ct-1中需要丢弃的信息后的记忆单元状态；
S3、将第一遗忘门的输出、目标时间段前一时间段的记忆单元输出以及特征
信息共同作为sigmoid神经网络层的输入，并得到第二遗忘门激活值；
S4、将第二遗忘门激活值通过输入门和输出门，确定目标时间段的记忆单元输
出；
S5、根据目标时间段的记忆单元输出，利用LSTM预测模型输出预测值，预测在目
标时间段下的客流量。
由于此时记忆单元输出实则为一个向量矩阵，无法直观得到目标时间段内预测
的客流量，此时还需要通过LSTM预测模型中的mlp还原模型，以将上述记忆单元输出还原
为预测值，以更清楚直观的预测在目标时间段下的客流量，该mlp还原模块可参考标准LSTM
预测模型中的相应部分，为现有技术，此处再详细赘述其结构。
采用上述方案后：
本发明将特征信息输入至LSTM预测模型中，使上述特征信息在经过一次遗忘
过程后，再次进入至第二遗忘门中并得到第二遗忘门激活值，第二遗忘门激活值能够
伸入的体现出特征信息不同时间段变量间的耦合关系，更加充分的选择将要遗忘的历史信
息，提高了预测的精度，使其能够满足现有交通管理决策、交通规划、路径诱导等方面的技
术需求。
具体而言，特征信息包括不同类别车辆目标时间段内到站的数量、假期信息以
及目标时间段对应的月、日和起始时刻。
相应的，LSTM预测模型的构建过程包括如下步骤：
获取在不同历史时间段下的真实历史客流量和历史特征信息，历史特征信息包括不同类别车辆在不同历史时间段内到站的数量、假期信息以及对应历史时间段的月、日和起始时刻点；
本方法在训练LSTM预测模型所用的铁路历史特征信息以及历史客流量为时间序列数据,即带有时序信息的结构化数据,各个时间节点包含重要的潜在特征信息。本方法针对铁路数据进行特征工程,以挖掘出更多有价值的潜在特征信息。
时序数据具有周期性和滞后性等特点,时间这一特征在时间序列预测中非常关键,本方法将时间点所处的月,日,小时等信息单独分化出来作为三个独立的特征，本发明涉及到的历史特征信息为铁路上一年度的数据，以上一年度中的两个历史时间段下所统计的历史特征信息为例，方法如表1:
表1时间处理方法:
对于某些城市,节假日可能会导致客流量增多,因此根据各时间节点所在日期是否是假期分化出作为独立特征。方法如表2:
表2假期挖掘方法:
注:表中0为不是假期,1为假期。
因火车种类不同,所能容纳乘客人数也存在差异,对于某一起始时刻,统计各类别车辆到站个数进行统计分化出作为独立特征。方法如表3:
表3车辆处理方法:
数据挖掘后每一时间段点即为一条数据，如表4所示:
表4数据展示:
上述表4中的数据为整理好的一个时间段的历史特征信息，将所有时间段的历史
特征信息作为LSTM预测模型的输入时间序列，则为t
时间段的输入。
构建LSTM初始预测模型；
将多组历史特征信息输入至LSTM初始预测模型中，并以绝对平均误差作为损失函数，确定LSTM预测模型。
由于各历史特征信息参数值间数量级存在较大差异,可能对后续模型预测任务产生影响,为保证LSTM预测模型的鲁棒性,需要对历史特征信息进行平滑处理，即需要对上述历史特征信息做归一化处理，同时，考虑到不同种类火车到站数量差异较大，导致归一化处理后的数据仍离散较大，基于此，本实施例中，仅将月、日、时刻，以及后续用于作为模型标签值的历史客流量做归一化处理。
对于LSTM预测模型，其具有按照时序排列的多个递归连接的记忆单元，对于每个记忆单元，其接收来自当前时间段的特征数据、前一时间段对应的记忆单元的输出以及前一时间段对应的记忆单元状态；并将该记忆单元所得到的记忆单元输出与记忆单元状态输出至下一时间段的记忆单元中；
上述损失函数可根据每一个记忆单元的输出所对应的历史客流量预测至，与对应时间段的真实历史客流量的比较，调整每个记忆单元中的参数权重。
在训练确定好LSTM预测模型后，选取64个时间点进行结果验证，最终LSTM预测模型输出的客流量预测值与真实客流量的比较可参考图4所示。
具体而言，在LSTM预测模型训练完成之后，将目标时间段下的特征信息输入至
目标时间段对应的记忆单元的第一遗忘门中，获取第一遗忘门的输出，包括：
将目标时间段前一时间段的记忆单元输出以及特征信息输入至第一
sigmoid激活函数中，获取第一遗忘门激活值；
其中，sigmoid激活函数为LSTM预测模型中，用来描述有0-1之间多少量的输入信号可以通过,即输入的信息需要保留多少,sigmoid激活函数参考图3所示:
第一遗忘门激活值的计算公式如下：
其中，σ表示上述sigmoid激活函数，为第一sigmoid激活函数的权重向量矩阵，为第一sigmoid激活函数的偏置向量矩阵，以及均可在LSTM预测模型构建过程中
不断训练更新其权重参数。
将目标时间段前一时间段的记忆单元状态Ct-1与第一遗忘门激活值相乘，以过
滤掉记忆单元状态中需要丢弃的信息，得到记忆单元状态，并将记忆单元状态作为第一遗忘门的输出。
记忆单元状态的计算公式如下：
具体而言，将第一遗忘门的输出、目标时间段前一时间段的记忆单元输出以
及特征信息共同作为sigmoid神经网络层的输入，并得到第二遗忘门激活值，包括：
将特征信息、目标时间段前一时间段的记忆单元输出以及记忆单元状态输入至第二sigmoid激活函数中，获取第二遗忘门激活值，其中，第二sigmoid激活函
数与第一sigmoid激活函数具有相同的权重与偏置参数。
基于此，第二遗忘门激活值的获取公式如下：
通过第二遗忘门的设置，可以使本LSTM预测模型能够深入学习特征信息变量间的耦合关系，更加充分地选择将要遗忘的历史信息。
具体而言，将第二遗忘门激活值通过输入门和输出门，确定目标时间段的记忆单元输出，包括：
利用第一tanh激活函数整合特征信息以及目标时间段前一时间段的记忆单元
输出，获取第一候选状态值；
即第一候选状态值的获取公式如下：
其中，表征为tanh激活函数，为第一tanh激活函数的权重向量矩阵，为
第一tanh激活函数的偏置向量矩阵，以及均可在LSTM预测模型构建过程中不断训练
更新其权重参数。
将第二遗忘门激活值与记忆单元状态/>相乘，以过滤掉记忆单元状态/>需要丢弃的信息，并获取记忆单元状态/>。
即记忆单元状态的获取公式如下：
根据第二遗忘门激活值，确定输入门激活值,输入门激活值用以判断第一候
选状态值中重要信息；
其中，输入门激活值的获取公式如下：
将输入门激活值与第一候选状态值相乘，以获取第一候选状态值需要保
留的重要信息；
将保留的重要信息加入至记忆单元状态中，得到目标时间段的记忆单元状态；
即记忆单元状态的获取公式如下：
依据记忆单元状态，确定目标时间段的记忆单元输出。
本发明采用将LSTM预测模型中的输入门与第二遗忘门进行耦合，对于铁路客流量预测来说，遗忘的信息和保留的信息是相对的，在第一遗忘门充分遗忘的同时，相反的，需要保留的信息也能够充分的保留下来，二者的搭配使得LSTM预测模型对多变量之间的强耦合关系的学习更加充分，使得本LSTM预测模型的逻辑更加直观，预测效果也更加准确。
具体而言，依据记忆单元状态，确定目标时间段的记忆单元输出，包括：
将记忆单元状态放入至第二tanh激活函数中，获取第二候选状态值；
即第二候选状态值的获取公式如下：
将目标时间段前一时间段的记忆单元输出、特征信息以及记忆单元状态输入至第三sigmoid激活函数，获取输出门激活值；
通过上述方法，此时，输出门激活值的确定公式则如下所示：
其中，为第三tanh激活函数的权重向量矩阵，为第三tanh激活函数的偏置向
量矩阵，以及均可在LSTM预测模型构建过程中不断训练更新其权重参数。
将第二候选状态值与输出门激活值相乘，获取目标时间段的记忆单元输出。
即记忆单元输出的获取公式如下：
本方法通过让输出门接受上一时间段的记忆单元作为输入，使得输出门也能
够更加充分地学习到变量间的相关关系，进而提高本LSTM预测模型的预测精度。
即，此处请参考图2所示，其中，图2中的“σ”表示为sigmoid激活函数，“tanh”表示为tanh激活函数，“X”表示为向量相乘，“+”表示为向量相加；
将目标时间段前一时间段的记忆单元输出以及特征信息输入至第一
sigmoid激活函数中，获取第一遗忘门激活值；
将目标时间段前一时间段的记忆单元状态与第一遗忘门激活值向量相乘，
以过滤掉记忆单元状态中需要丢弃的信息，得到记忆单元状态，并将记忆单元状
态作为第一遗忘门的输出；
将特征信息、目标时间段前一时间段的记忆单元输出以及记忆单元状态输入至第二sigmoid激活函数中，获取第二遗忘门激活值；
利用第一tanh激活函数整合特征信息以及目标时间段前一时间段的记忆单元
输出，获取第一候选状态值；
将第二遗忘门激活值与记忆单元状态/>向量相乘，以过滤掉记忆单元状态需要丢弃的信息，并获取记忆单元状态/>。
根据第二遗忘门激活值，确定输入门激活值；
将输入门激活值与第一候选状态值向量相乘(即图2中的X)，以获取需要保留
的重要信息；
将保留的重要信息向量相加(即图2中的+)至记忆单元状态中，得到目标时间
段的记忆单元状态；
将记忆单元状态放入至第二tanh激活函数中，获取第二候选状态值；
将目标时间段前一时间段的记忆单元输出、特征信息以及记忆单元状态输入至第三sigmoid激活函数，获取输出门激活值；
将第二候选状态值与输出门激活值向量相乘，获取目标时间段的记忆单元
输出。
本发明采用将LSTM预测模型中的输入门与第二遗忘门进行耦合，对于铁路客流量预测来说，遗忘的信息和保留的信息是相对的，在第一遗忘门充分遗忘的同时，相反的，需要保留的信息也能够充分的保留下来，二者的搭配使得LSTM预测模型对多变量之间的强耦合关系的学习更加充分，使得本LSTM预测模型的逻辑更加直观，预测效果也更加准确。
具体而言，依据记忆单元状态，确定目标时间段的记忆单元输出，包括：
将记忆单元状态放入至第二tanh激活函数中，获取第二候选状态值；
即第二候选状态值的获取公式如下：
将目标时间段前一时间段的记忆单元输出、特征信息以及记忆单元状态输入至第三sigmoid激活函数，获取输出门激活值；
通过上述方法，此时，输出门激活值的确定公式则如下所示：
其中，为第三tanh激活函数的权重向量矩阵，为第三tanh激活函数的偏置向
量矩阵，以及均可在LSTM预测模型构建过程中不断训练更新其权重参数。
将第二候选状态值与输出门激活值相乘，获取目标时间段的记忆单元输出。
本发明还提供了一种实时铁路客流量预测系统，此处请参考图5所示，包括：
数据获取模块，获取在目标时间段内的特征信息，特征信息表征影响客流量的相关信息；
分析模块，将特征信息输入至LSTM预测模型中，其中，LSTM预测模型包括根据时间序列排列并递归连接的多个记忆单元，每个记忆单元具有第一遗忘门、第二遗忘门、输入门和输出门，不同的记忆单元对应了不同的时间段；
将特征信息输入至目标时间段对应的记忆单元的第一遗忘门中，获取第一遗忘门的输出；
将第一遗忘门的输出、目标时间段前一时间段的记忆单元输出以及特征信息共同作为sigmoid神经网络层的输入，并得到第二遗忘门激活值；
将第二遗忘门激活值通过输入门和输出门，确定目标时间段的记忆单元输出；
预测模块，根据目标时间段的记忆单元的输出值，利用LSTM预测模型输出预测值，将预测值作为目标时间段下预测的客流量。
进一步的，数据获取模块具体包括：特征信息包括不同类别车辆在目标时间段内到站的数量、假期信息以及目标时间段对应的月、日和起始时刻。
进一步的，分析模块包括第一遗忘单元，第一遗忘单元具体包括：
将目标时间段前一时间段的记忆单元输出以及特征信息输入至第一sigmoid激活函数中，获取第一遗忘门激活值；
将目标时间段前一时间段的记忆单元状态与第一遗忘门激活值相乘，以过滤
掉记忆单元状态中需要丢弃的信息，得到记忆单元状态，并将记忆单元状态
作为第一遗忘门的输出。
进一步的，分析模块包括第二遗忘单元，第二遗忘单元具体包括：
将特征信息、目标时间段前一时间段的记忆单元输出以及记忆单元状态输入至第二sigmoid激活函数中，获取第二遗忘门激活值，其中，第二sigmoid激活函数与第一sigmoid激活函数具有相同的权重与偏置参数。
进一步的，第二遗忘单元还具体包括：
利用第一tanh激活函数整合特征信息以及目标时间段前一时间段的记忆单元输出，获取第一候选状态值；
将第二遗忘门激活值与记忆单元状态相乘，以过滤掉记忆单元状态/>需要丢弃的信息，并获取记忆单元状态/>；
分析模块还包括补充单元，补充单元具体包括：
根据第二遗忘门激活值，确定输入门激活值,输入门激活值用以判断第一候选状态值中重要信息；
将输入门激活值与第一候选状态值相乘，以获取第一候选状态值需要保留的重要信息；
分析模块还包括输出单元，输出单元具体包括：
将保留的重要信息加入至记忆单元状态中，得到目标时间段的记忆单元状态；
依据记忆单元状态，确定目标时间段的记忆单元输出。
进一步的，输出单元还具体包括：
将记忆单元状态放入至第二tanh激活函数中，获取第二候选状态值；
将目标时间段前一时间段的记忆单元输出、特征信息以及记忆单元状态输入
至第三sigmoid激活函数，获取输出门激活值；
将第二候选状态值与输出门激活值相乘，获取目标时间段的记忆单元输出。
进一步的，分析模块中所用到的LSTM预测模型的构建过程包括如下步骤：
获取在不同历史时间段下的真实历史客流量和历史特征信息，历史特征信息包括不同类别车辆在不同历史时间段内到站的数量、假期信息以及对应历史时间段的月、日和起始时刻点；
构建LSTM初始预测模型；
将多组历史特征信息输入至LSTM初始预测模型中，并以绝对平均误差作为损失函数，确定LSTM预测模型。
本发明还提供了一种计算机可读介质，计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行如上述中的实时铁路客流量预测方法的步骤。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现如上述中的实时铁路客流量预测方法的步骤。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.实时铁路客流量预测方法，其特征在于，包括：
S1、获取在目标时间段内的特征信息，所述特征信息表征影响客流量的相关信息；
S2、将所述特征信息输入至LSTM预测模型中，其中，所述LSTM预测模型包括根据时间序列排列并递归连接的多个记忆单元，每个记忆单元具有第一遗忘门、第二遗忘门、输入门和输出门，不同的记忆单元对应了不同的时间段；
将目标时间段前一时间段的记忆单元输出以及所述特征信息输入至第一sigmoid激活函数中，获取第一遗忘门激活值；
将目标时间段前一时间段的记忆单元状态C t-1 与第一遗忘门激活值相乘，以过滤掉所述记忆单元状态C t-1 中需要丢弃的信息，得到记忆单元状态，并将所述记忆单元状态作为第一遗忘门的输出；
S3、将所述特征信息、目标时间段前一时间段的记忆单元输出以及记忆单元状态输入至第二sigmoid激活函数中，获取第二遗忘门激活值，其中，所述第二sigmoid激活函数与所述第一sigmoid激活函数具有相同的权重与偏置参数；
S4、利用第一tanh激活函数整合所述特征信息以及目标时间段前一时间段的记忆单元输出，获取第一候选状态值；
将所述第二遗忘门激活值与记忆单元状态相乘，以过滤掉所述记忆单元状态需要丢弃的信息，并获取记忆单元状态/>；
根据所述第二遗忘门激活值，确定输入门激活值,所述输入门激活值用以判断所述第一候选状态值中重要信息；
将所述输入门激活值与所述第一候选状态值相乘，以获取所述第一候选状态值需要保留的重要信息；
将保留的重要信息加入至记忆单元状态中，得到目标时间段的记忆单元状态C t ；
将所述记忆单元状态放入至第二tanh激活函数中，获取第二候选状态值；
将目标时间段前一时间段的记忆单元输出、特征信息以及所述记忆单元状态输入至第三sigmoid激活函数，获取输出门激活值；
将所述第二候选状态值与输出门激活值相乘，获取目标时间段的记忆单元输出；
S5、根据目标时间段的记忆单元的输出值，利用LSTM预测模型输出预测值，将预测值作为目标时间段下预测的客流量。
2.根据权利要求1所述的实时铁路客流量预测方法，其特征在于：
所述特征信息包括不同类别车辆在目标时间段内到站的数量、假期信息以及目标时间段对应的月、日和起始时刻。
3.根据权利要求1所述的实时铁路客流量预测方法，其特征在于，所述LSTM预测模型的构建过程包括如下步骤：
获取在不同历史时间段下的真实历史客流量和历史特征信息，所述历史特征信息包括不同类别车辆在不同历史时间段内到站的数量、假期信息以及对应历史时间段的月、日和起始时刻点；
构建LSTM初始预测模型；
将多组所述历史特征信息输入至所述LSTM初始预测模型中，并以绝对平均误差作为损失函数，确定所述LSTM预测模型。
4.实时铁路客流量预测系统，其特征在于，包括：
数据获取模块，获取在目标时间段内的特征信息，所述特征信息表征影响客流量的相关信息；
分析模块，将所述特征信息输入至LSTM预测模型中，其中，所述LSTM预测模型包括根据时间序列排列并递归连接的多个记忆单元，每个记忆单元具有第一遗忘门、第二遗忘门、输入门和输出门，不同的记忆单元对应了不同的时间段；
分析模块还包括第一遗忘单元，第一遗忘单元具体包括：
将目标时间段前一时间段的记忆单元输出以及特征信息输入至第一sigmoid激活函数中，获取第一遗忘门激活值；
将目标时间段前一时间段的记忆单元状态与第一遗忘门激活值相乘，以过滤掉记忆单元状态/>中需要丢弃的信息，得到记忆单元状态/>，并将记忆单元状态/>作为第一遗忘门的输出；
分析模块还包括第二遗忘单元，第二遗忘单元具体包括：
将特征信息、目标时间段前一时间段的记忆单元输出以及记忆单元状态输入至第二sigmoid激活函数中，获取第二遗忘门激活值，其中，第二sigmoid激活函数与第一sigmoid激活函数具有相同的权重与偏置参数；
第二遗忘单元还具体包括：
利用第一tanh激活函数整合特征信息以及目标时间段前一时间段的记忆单元输出，获取第一候选状态值；
将第二遗忘门激活值与记忆单元状态相乘，以过滤掉记忆单元状态/>需要丢弃的信息，并获取记忆单元状态/>；
分析模块还包括补充单元，补充单元具体包括：
根据第二遗忘门激活值，确定输入门激活值,输入门激活值用以判断第一候选状态值中重要信息；
将输入门激活值与第一候选状态值相乘，以获取第一候选状态值需要保留的重要信息；
分析模块还包括输出单元，输出单元具体包括：
将保留的重要信息加入至记忆单元状态中，得到目标时间段的记忆单元状态/>；
将记忆单元状态放入至第二tanh激活函数中，获取第二候选状态值；
将目标时间段前一时间段的记忆单元输出、特征信息以及记忆单元状态输入至第三sigmoid激活函数，获取输出门激活值；
将第二候选状态值与输出门激活值相乘，获取目标时间段的记忆单元输出；
预测模块，根据目标时间段的记忆单元的输出值，利用LSTM预测模型输出预测值，将预测值作为目标时间段下预测的客流量。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1至3任一项所述的实时铁路客流量预测方法的步骤。
6.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述的实时铁路客流量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275038.3A CN117875521B (zh) | 2024-03-12 | 2024-03-12 | 实时铁路客流量预测方法、系统、介质以及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275038.3A CN117875521B (zh) | 2024-03-12 | 2024-03-12 | 实时铁路客流量预测方法、系统、介质以及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117875521A CN117875521A (zh) | 2024-04-12 |
| CN117875521B true CN117875521B (zh) | 2024-05-28 |
Family
ID=90595074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410275038.3A Active CN117875521B (zh) | 2024-03-12 | 2024-03-12 | 实时铁路客流量预测方法、系统、介质以及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875521B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816140A (zh) * | 2018-12-12 | 2019-05-28 | 哈尔滨工业大学（深圳） | 基于跨市场影响的股价预测方法、装置、设备及存储介质 |
| CN111797979A (zh) * | 2020-07-17 | 2020-10-20 | 中国人民解放军海军工程大学 | 基于lstm模型的振动传递系统 |
| CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| US20230063489A1 (en) * | 2021-08-25 | 2023-03-02 | Bank Of America Corporation | Malware Detection with Multi-Level, Ensemble Artificial Intelligence Using Bidirectional Long Short-Term Memory Recurrent Neural Networks and Natural Language Processing |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102583938B1 (ko) * | 2021-08-18 | 2023-09-26 | 연세대학교 산학협력단 | Lstm 가속을 위한 게이트-단위 가지치기 방법 및 장치 |
-
2024
- 2024-03-12 CN CN202410275038.3A patent/CN117875521B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816140A (zh) * | 2018-12-12 | 2019-05-28 | 哈尔滨工业大学（深圳） | 基于跨市场影响的股价预测方法、装置、设备及存储介质 |
| CN111797979A (zh) * | 2020-07-17 | 2020-10-20 | 中国人民解放军海军工程大学 | 基于lstm模型的振动传递系统 |
| CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| US20230063489A1 (en) * | 2021-08-25 | 2023-03-02 | Bank Of America Corporation | Malware Detection with Multi-Level, Ensemble Artificial Intelligence Using Bidirectional Long Short-Term Memory Recurrent Neural Networks and Natural Language Processing |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117875521A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
| CN110390262A (zh) | 视频分析方法、装置、服务器及存储介质 | |
| Chan et al. | On-road sensor configuration design for traffic flow prediction using fuzzy neural networks and taguchi method | |
| Chan et al. | Traffic flow forecasting neural networks based on exponential smoothing method | |
| US20200111174A1 (en) | Probabilistic Load Forecasting via Point Forecast Feature Integration | |
| 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 | |
| CN111882869A (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
| CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
| CN111275169A (zh) | 一种短时期建筑热负荷预测的方法 | |
| CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
| CN116822652A (zh) | 地铁故障预测方法、装置、电子设备、系统及存储介质 | |
| CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
| CN115269758A (zh) | 面向乘客诱导的路网客流状态推演方法及系统 | |
| Doğan | Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set | |
| CN111524349B (zh) | 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法 | |
| CN117875521B (zh) | 实时铁路客流量预测方法、系统、介质以及电子设备 | |
| CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
| Rodríguez-Rueda et al. | Origin–Destination matrix estimation and prediction from socioeconomic variables using automatic feature selection procedure-based machine learning model | |
| CN116311927A (zh) | 一种交通流量的预测方法、装置、电子设备及存储介质 | |
| CN111145535A (zh) | 一种复杂场景下的行程时间可靠性分布预测方法 | |
| CN114492967A (zh) | 基于ceemdan和blstm组合模型的城轨车站客流预测方法和介质 | |
| CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
| CN116701551A (zh) | 异常预测方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |