[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

说明书

本发明属于轨道交通短时客流量预测领域，提出了一种基于自适应噪声的完备经验模态分解算法(CEEMDAN)和注意力机制(Attention)的CNN‑LSTM融合神经网络短时客流量预测方法。包括如下步骤：S1.数据预处理；S2.输入层处理；S3.隐藏层处理；S4.输出层处理；S5.模型训练。本发明的优点在于对峰值预测能力较强、预测结果考虑了噪声问题、抵抗不规则训练数据形状的能力较强。

技术领域

本发明属于轨道交通短时客流量预测领域，具体涉及一种基于自适应噪声的完备经验模态分解算法(CEEMDAN)和注意力机制(Attention)的CNN-LSTM融合神经网络短时客流量预测方法。

背景技术

轨道交通短时客流量预测以数分钟为跨度，根据历史地铁站客流量数据预测未来某一时间段的乘客人数。准确的短时客流量预测可为地铁站提供预警信息，从而令工作人员可以采取具体措施缓解地铁站负载压力。在图像识别方面，卷积神经网络(CNN)由于具有固定规模输入并且可以消除大量的类似的不重要的像素-神经元连接被广泛应用。在机器翻译和语音识别领域，循环神经网络(RNN) 及其变种长短期记忆网络(LSTM)通过内部的状态机制使模型在序列预测中学习并利用前后文的时间或顺序等信息，从而更好的预测词句。深度学习对需要解决的问题具有普适性，只需要提供足够的学习数据就可以完成模型训练任务。在短时客流量预测问题中，可根据地铁线路历史客流量信息搭建适当的模型进行训练，从而预测未来的客流量变化。但是单一的LSTM网络对原始数据信息的利用率较低，仅能提取时间特征。客流量数据是时间-空间的二维数据，已有方法通过融合CNN网络实现对空间特性的提取，实现了一定的性能提升。但存在一定弊端： 1.峰值预测能力不足2.无法妥善预测噪声部分导致预测结果较为平滑，与真实数据有一定差距3.抵抗少量不规则原始数据形状的能力较差。

自适应噪声完备经验模态分解算法(CEEMDAN)是Torres等人在经验模态分解算法(EMD)和集合经验模态分解(EEMD)算法的基础上提出的一种信号分解算法。EMD算法将时间序列信号进行逐级分解，得到若干个本征模态函数 imf(intrinsic mode function)和一个余项res。但由于存在模态混叠问题，导致时频分布出现错误，使imf只满足形式上的正确性，失去真正的意义。Wu和Huang 提出了EEMD算法，通过引入白噪声解决了由间歇性高频分量等因素造成的模态混叠，但是由于无法具体量化引入的白噪声赋值，当初值设置不正确时，无法克服模态混叠。并且在恢复原信号时，无法有效消除引入的白噪声，从而带来较大误差。区别于EEMD算法直接加入整体白噪声，CEEMDAN算法在分解时添加经过EMD分解过的白噪声分量，有效解决了最终各个分散信号相加时白噪声影响过大无法去除等问题。在分解过程中，CEEMDAN算法在分解出imf分量时立刻进行加权平均，有效改善了imf分量的不准确为后续分解带来过大误差的问题。现有技术未将CEEMDAN算法用于轨道交通短时客流量预测。

发明内容

针对上述问题，本发明在现有CNN-LSTM模型的基础上，在其输入层加入 CEEMDAN算法实现主体数据与噪声数据的分离，对噪声和主体数据分别进行训练和预测，最后将两部分预测结果整合以达到更精准的客流量预测结果。为改善峰值预测能力不足问题,本发明在CEEMDAN-CNN-LSTM模型结构的基础上，增加了针对时间维度的注意力机制，并且通过去除CNN网络中的池化层减少信息损失，最终实现了一种CEEMDAN-ConvLSTM-Attention模型，提升了客流量预测性能。

技术方案

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