[发明专利]一种基于W-BiLSTM的轨道交通短时客流量预测方法

说明书

本申请提供一种基于W‑BiLSTM的轨道交通短时客流量预测方法，获取城市轨道交通客流量的时间序列历史数据作为样本数据；对样本数据预处理，并归一化；通过小波神经网络对样本数据进行小波分解和单支重构，得到训练数据和测试数据；对BiLSTM神经网络模型初始化，设定BiLSTM神经网络模型的机构及超参数，输入训练数据构建并训练预测模型；当达到期望误差或预设迭代次数时，选取最优BiLSTM神经网络模型对测试数据进行预测，得到预测值；根据均方根误差和平均绝对百分比误差作为评价指标对预测值误差分析；以捕获轨道交通短时客流量变化规律，更精准的预测未来城市道路的速度，可应用于智能交通、智慧城市建设。为避免出行拥堵，保障居民出行安全和效率提供数据支撑。

技术领域

本申请涉及轨道交通短时客流量预测领域，尤其涉及一种基于W-BiLSTM的轨道交通短时客流量预测方法。

背景技术

城市公共交通需求量的精准掌握是实现智慧城市管理的关键点，对于人口密度较高的城市来说,城市公共交通中的轨道交通,是城市公共交通的主干线,承担了高峰期大量的出行需求。短期内客流量的变化增大会使得轨道交通承载压力过大，给轨道交通运营调度和管理带来了很大难题，因此轨道交通客流量的短时预测对保障智能交通系统的快速运行具有至关重要的作用。

现有运用于短时交通流量预测的方法有历史平均、时间序列、卡尔曼滤波、神经网络、支持向量机、非参数回归、小波神经网络等。然而在实际轨道交通流量预测中，不同时段的地铁进站客流量是波动变化的，而上述的单一模型中没有记忆单元，缺少对时序数据时间相关性的考虑，对复杂系统的数学建模能力有限。

发明内容

本申请提供了一种基于W-BiLSTM的轨道交通短时客流量预测方法，以解决轨道交通非常态客流量受诸多环境影响而导致很难对客流量做出准确预测技术问题。

为了达到上述目的，本申请实施例采用以下技术方案：

提供一种基于W-BiLSTM的轨道交通短时客流量预测方法，所述方法包括：

获取城市轨道交通客流量的时间序列历史数据作为样本数据；

对所述样本数据预处理，并归一化处理；

通过小波神经网络对所述样本数据进行小波分解和单支重构，得到训练数据和测试数据；

对BiLSTM神经网络模型初始化，设定所述BiLSTM神经网络模型的机构及超参数，输入所述训练数据构建并训练预测模型；

当达到期望误差或预设迭代次数时，选取最优BiLSTM神经网络模型；

通过所述最优BiLSTM神经网络模型对所述测试数据进行预测，得到预测值；

根据均方根误差和平均绝对百分比误差作为评价指标对所述预测值误差分析。

在一种可能的实施方式中，所述预处理包括去除所述样本数据中的错误数据和冗余数据。

在一种可能的实施方式中，所述小波神经网络选取母小波作为基函数和分解尺度，进行小波分解和单支重构。

在一种可能的实施方式中，所述得到预测模型通过以均方差作为损失函数，网络训练采用Adam优化算法，对权重进行更新。

在一种可能的实施方式中，所述预测模型包括：

轨道交通短时客流量数据输入层为所述训练数据和所述测试数据；

BiLSTM隐藏层结合向前的LSTM与向后的LSTM构成BiLSTM；

全连接层对结果进行降维，选取ReLU作为激活函数，对输出数据进行非线性映射；

输出层得到最终输出结果。

在一种可能的实施方式中，得到所述预测值包括：