[发明专利]一种出行预测方法及装置

权利要求书

1.一种出行预测方法，其特征在于，所述方法包括：

统计一个或多个交通小区的出行数量，得到原始数据集；

根据所述原始数据集，确定训练集和测试集；

构建多层长短时记忆神经网络LSTM；

通过所述训练集和所述测试集对所述多层LSTM进行训练，确定所述多层LSTM的模型参数；

通过训练后的多层LSTM进行出行预测。

2.根据权利要求1所述的方法，其特征在于，所述统计一个或多个交通小区的出行数量，得到原始数据集，包括：

在所述交通小区中映射出行起点和出行终点；

根据预设时间单位，确定各单位时间内离开所述交通小区和到达所述交通小区的时间序列；

将所述时间序列确定为所述原始数据集。

3.根据权利要求1所述的方法，其特征在于，所述根据所述原始数据集，确定训练集和测试集，包括：

根据预设比例，将所述原始数据集划分为所述训练集和所述测试集，所述预设比例为所述训练集在所述原始数据集中的比例。

4.根据权利要求3所述的方法，其特征在于，在所述根据所述原始数据集，确定训练集和测试集之前，所述方法还包括：

根据预设时间间隔，将所述原始数据集的格式转化为样本特征格式和样本标签格式；

其中，所述样本特征格式表示输入变量，所述样本标签格式表示输出变量。

5.根据权利要求3所述的方法，其特征在于，所述预设比例为0.7至0.8。

6.根据权利要求1所述的方法，其特征在于，所述构建多层LSTM包括：

当对一个交通小区进行预测时，构建多层LSTM；

当对多个交通小区进行预测时，构建多层编码-解码LSTM。

7.根据权利要求1所述的方法，其特征在于，所述多层LSTM的模型参数为各神经元和/或各神经网络层之间的连接权重参数。

8.根据权利要求1所述的方法，其特征在于，所述多层LSTM训练过程中的损失函数为均方误差函数。

9.根据权利要求1所述的方法，其特征在于，所述多层LSTM训练过程中的模型模型参数调整规则为适应性矩估计Adam算法。

10.一种出行预测装置，其特征在于，包括：

统计模块，用于统计一个或多个交通小区的出行数量，得到原始数据集；

第一确定模块，用于根据所述原始数据集，确定训练集和测试集；

构建模块，用于构建多层LSTM；

第二确定模块，用于通过所述训练集和所述测试集对所述多层LSTM进行训练，确定所述多层LSTM的模型参数；

预测模块，用于通过训练后的多层LSTM进行出行预测。

11.根据权利要求10所述的装置，其特征在于，所述统计模块包括：

映射单元，用于在所述交通小区中映射出行起点和出行终点；

第一确定单元，用于根据预设时间单位，确定各单位时间内离开所述交通小区和到达所述交通小区的时间序列；

第二确定单元，用于将所述时间序列确定为所述原始数据集。

12.根据权利要求10所述的装置，其特征在于，所述第一确定模块包括：

划分单元，用于根据预设比例，将所述原始数据集划分为所述训练集和所述测试集，所述预设比例为所述训练集在所述原始数据集中的比例。

13.根据权利要求12所述的装置，其特征在于，所述第一确定模块还包括：

转化单元，用于根据预设时间间隔，将所述原始数据集的格式转化为样本特征格式和样本标签格式；

其中，所述样本特征格式表示输入变量，所述样本标签格式表示输出变量。