[发明专利]一种基于CEEMDAN算法和注意力机制的短时客流量预测方法

权利要求书

1.一种基于CEEMDAN算法和注意力机制的短时客流量预测方法，其特征在于，包括如下步骤：

S1.数据预处理

S2.输入层处理

在输入层通过使用CEEMDAN算法对时空二维客流量数据进行数据分解，得到主体部分数据矩阵和噪声部分数据矩阵并且划分训练集和测试集；

S3.隐藏层处理

隐藏层在CNN-LSTM模型基础上增加注意力机制并且去掉池化层，搭建ConvLSTM-Attention模型，对输入层所得到的主体数据和噪声部分数据分别进行模型训练；

S4.输出层处理

在输出层使用全连接层接收隐藏层的输出并将此预测结果输出，此预测结果为当前模型参数下各时间点的预测结果；

S5.模型训练

每次迭代过程中，通过将输出层输出的预测结果与真实序列进行误差计算，并且通过优化算法更新模型参数。

2.如权利要求1所述一种基于CEEMDAN算法和注意力机制的短时客流量预测方法，其特征在于，所述步骤S1具体如下：

对原始数据进行预处理得到基于时间和空间两个维度的轨道交通客流量数据，所述原始数据为轨道交通系统所能收集到的交易记录；

所述预处理过程如下：根据交易时间、交易所发生站点以及交易类型等字段对原始数据进行清洗和统计，即将交易记录按各站点筛选并清除公交车、轮渡等交易记录，仅保留地铁站点的交易记录，统计各个地铁站点在固定时间间隔内的进站总人数，将得到的各地铁站点在每个时间间隔内的进站总人数作为当前时间点下该地铁站点的客流量数据；

经过原始数据预处理后所得到的时间空间二维矩阵如下：

其中，S表示范围从1到m的站点索引，t表示范围从1到n的时间间隔索引；某一个地铁站k从时间t-n至最后一个时间间隔t-1的客流量数据可以表示为：

全部地铁站点在某一个时间间隔i的客流量数据可表示为：

3.如权利要求1所述一种基于CEEMDAN算法和注意力机制的短时客流量预测方法，其特征在于，步骤S2具体如下：

S2.1 CEEMDAN算法处理过程

将原始输入矩阵每一列视为一个连续时间信号X(t)，作为待分解信号；处理过程如下：

(1)将服从正态分布的高斯白噪声引入待分解信号，其中X(t)为原始信号，nⁱ(t)为符合正态分布的高斯白噪声，N为添加噪声的次数，ξ₀为噪声的标准差：

X_i(t)＝X(t)+ξ₀nⁱ(t)，i＝1,2,3...,N

(2)使用EMD算法对预处理过的信号进行分解，得到多个一阶imf分量：

imfⁱ₁(t)＝EMD(X_i(t))

(3)取所有imf分量的平均值作为CEEMDAN分解的一阶imf分量：

(4)根据一阶imf分量计算一阶余项res：

(5)将一阶余项res₁(t)作为新的信号重复以上过程，得到二阶imf分量和二阶余项；新的输入信号经过引入白噪声后为：

res₁(t)+ξ₀nⁱ(t)，i＝1,2,3...,N。

经过EMD算法分解后所到的二阶imf分量为：

去除二阶imf分量所得到的二阶余项为：

(6)当k＝1,2...,K时，计算第k个余量为：

将所得的余项作为新的信号重复步骤(5)中所述内容，重复以上过程至K阶，直至所产生余项无法被分解(为单调函数或极值点不超过两个)；记最终无法被分解的余项为res(t)；

(7)最终分解结果为：

其中res(t)为CEEMDAN分解K阶imf分量导致的余项；

S2.2将分解所得到高频小幅值信号相加作为噪声部分数据，较为平滑的低频信号相加作为主体部分数据；并将多个站点的时间序列分解结果进行整合，得到主体部分数据矩阵和噪声部分数据矩阵如下：

S2.3将分解后的数据进行归一化处理，使得预处理后的数据被限定在一定范围内，从而消除奇异样本数据在训练中导致不收敛等问题；

本方案采取min-max归一化方法，其具体公式如下：

其中X为当前被进行归一化处理的数据,Y为处理后的输出数据，X_max为所有数据点中的最大值，X_min为所有数据点中的最小值；

S2.4在归一化处理之后，将所得到的在时间维度上连续的客流量数据转化为可被LSTM网络接受的有监督学习序列形状；

主体部分数据矩和噪声部分数据分别被转化为监督学习序列形状，提供给S3和S5。