[发明专利]一种基于深度学习的城市交通客流预测方法和设备

权利要求书

1.一种基于深度学习的城市交通客流预测方法，其特征在于，包括步骤：根据交通路线和站点的地理信息，构建网格地图；

根据站点的客流量信息更新网格地图中站点所对应的网格的像素值；

将网格地图作为深度学习算法的输入，预测城市交通的客流量；

所述将网格地图作为深度学习算法的输入，预测城市交通的客流量，包括：

通过卷积神经网络提取空间特征信息；

将空间特征输入长短时记忆神经网络，提取时间特征信息；

将提取的时间特征信息和空间特征信息输入至全连接神经网络中预测客流值，全连接神经网络的数学表达式为：

Y＝W₂H_t+b

其中，W₂和b分别表示隐藏层和全连接层之间的权重和截距，Y是最终输出预测结果，H是提取的时空特征信息和时间特征信息，t表示时间。

2.根据权利要求1所述的方法，其特征在于，所述通过卷积神经网络提取空间特征信息，包括：

构建卷积神经网络，

其中卷积神经网络的第l层的卷积层输出可以表示为：

其中分别表示第l层卷积层的权重、输入和输出；pool表示池化层；激活函数σ是应用于每一个卷积层的用于转换数据范围的函数，c_l表示卷积过滤器的大小；

池化层的最大池化方法：

y_pool＝max(d_ef),e∈[1...p].f∈[1...q]

其中p和q表示二维池化器的大小，d_ef表示坐标(e，f)的输入值，而y_pool表示池化的输出值；

flatten表示最终的转换过程，空间特征信息表示为：

3.根据权利要求1所述的方法，其特征在于，所述将空间特征输入长短时记忆神经网络，提起时间特征信息，包括：

构建包括输入门，忘记门以及输出门的长短时记忆神经网络，三个门分别记为I_t,F_t,O_t；

输入门:

忘记门:

输出门:

输入单元:

输出单元:C₁＝I_teC_t+F_teC_t-1

隐藏层输出:H_t＝O_tetanh(C_t)

其中t时刻的长短时神经网络的输出为q代表隐藏单元的数量，表示链接最后一层与三个门单元的权重矩阵；Tanh表示双曲正切函数，e表示向量的内积。

4.根据权利要求1所述的方法，其特征在于，在获得Y之后，包括：

选取Y使均方误差最小；

均方误差表示为：

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一所述方法的步骤。

6.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上执行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一所述方法的步骤。