[发明专利]基于双向长短期记忆神经网络的共享单车流量预测方法

权利要求书

1.一种基于双向长短期记忆神经网络的共享单车流量预测方法，其特征在于，包括如下步骤：

步骤S1、采集共享单车租赁量数据，并对共享单车租赁量数据进行可视化分析，挖掘出对共享单车租赁量影响的属性；

步骤S2、依据步骤S1挖掘出的对共享单车租赁量影响的属性，对共享单车租赁量数据的哑变量和冗余变量进行处理，并进行归一化操作；

步骤S3、依据步骤S2处理后的数据，构建双向长短期记忆神经网络BLSTM预测模型，预测未来时间段的共享单车流量数据；

所述步骤S2具体实现方式为：首先采用dropna函数对缺失数据进行清洗，而后运用get_dummies函数进行哑变量处理，然后使用concat函数将共享单车租赁量数据与处理完的数据进行拼接，再而使用drop函数删除共享单车租赁量数据中的哑变量以及冗余变量，最后采用归一化函数将处理后的数据进行归一化处理转换成无量纲数据；

步骤S3中，所述BLSTM预测模型为时间步长为12的BLSTM预测模型，将步骤S2处理后得到的数据以8：2的比例划分为训练集和测试集，将训练集中过去十二个小时的数据作为一个输入，预测一个输出，以此类推，按照每次将时间向后平移一个小时的规律扩充训练集用以训练时间步长为12的BLSTM预测模型，再将测试集中的过去十二个小时的数据作为输入，预测未来一个小时的共享单车流量数据；

BLSTM预测模型采用BLSTM神经网络构建，BLSTM神经网络中输出层联结着向前隐藏层和向后隐藏层；在向前隐藏层由时刻1到时刻t正向算一次，获得各个时刻向前隐藏层的输出并将其保存；在向后隐藏层从时刻t到时刻1反向算一次，获取各个时刻向后隐藏层的输出并保留；最终于各个时刻将向前隐藏层和向后隐藏层的对应时刻输出的结果相结合从而计算出最后的输出，数学公式表示为：

h_t＝f(w₁x_t+w₂h_t-1)

h_t′＝f(w₃x_t+w₅h_t′₊₁)

o_t＝g(w₄h_t+w₆h_t′)

其中，h_t为t时刻向前隐藏层的正向输出，h_t′为t时刻向后隐藏层的反向输出，o_t为t时刻最终的输出，f为嵌套LSTM单元函数，g为Relu函数，w₁-w₆为对应的权重矩阵；

在构建BLSTM预测模型时，首先构建嵌套LSTM单元，然后在嵌套LSTM单元基础上构建双向嵌套LSTM神经网络；

(1)输入层设置：由于特征属性数量为60，设置输入的形状为(t，60)，t为时间步长，其中特征属性即对共享单车租赁量影响的属性；

(2)输出层设置：输出层采用全连接的层，由于目标属性数量为1，设置输出维度为1，其中目标属性即共享单车租赁量；

(3)隐藏层设置：利用双向层包装LSTM隐藏层，构造两个隐藏层的副本，一个为原本的输入序列，另一个为输入序列反转后的副本，然后连接LSTM的输出；设置两层BLSTM层，每层的神经元个数都为120；

(4)激活函数设置：采用Relu函数作为网络的激活函数，其计算公式如下：

Relu＝max(0,x)

(5)损失函数设置：采用均方误差作为BLSTM预测模型的损失函数，其数学表达式如下：

其中，n为训练样本的数量，为预测值，y_i为真实值；

(6)选择合并模式，即在传递到下一层前，组合正向和反向输出的模式；BLSTM预测模型的输出采取ave模式进行组合；

步骤S1中，共享单车租赁量数据是以小时为单位进行统计的共享单车租赁量数据；

步骤S1中，对共享单车租赁量数据进行可视化分析，挖掘出对共享单车租赁量影响的属性的实现方式为：使用Pandas库中的函数导入共享单车租赁量数据，而后通过matplotlib库中的plot函数绘制共享单车租赁量和各个属性的关系图，从而挖掘出对共享单车租赁量影响的属性。