[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

说明书

本发明提供一种基于深度学习的城市交通客流预测方法和设备用于解决提供一种准确的能预测城市交通线路上的未来短时内客流的方法的问题。其中方法包括步骤：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。由上述技术方案可知，本发明利用地理信息系统将地铁客流站点网络转换成图片信息作为卷积神经网络的输入，提取客流的空间信息。然后将卷积神经网络的输出作为长短时神经网络的输入进行时间特征的提取。最后将时空特征作为全连接神经网络的输入进行客流预测。

技术领域

本发明涉及通信技术/计算机技术，具体涉及一种基于深度学习的城市交通客流预测方法和设备。

背景技术

城市轨道交通是城市公共交通的骨干，具有节能，用地少，运量大，全天候、无污染，安全等特点，属于绿色公共交通体系，符合可持续发展的原则，适用于大型城市。尤其是随着公交导向的城市发展模式(TOD)的不断完善，公交在城市规划中的地位更加凸显。但是在轨道交通高速发展的同时，越来越多的客流问题也随之出现。客流的时间和空间上的不均衡性日益严重。以北京地铁为例，2015年北京地铁的日均客流量达到911万人次。如此巨大的客流量给北京地铁的运行带来了巨大的压力。同时由于北京的用地规划呈现单中心环形分布，导致地铁客流出现十分明显的空间和时间差异。

准确的预测客流是解决城市轨道交通客流问题的关键。按照预测周期的不同，客流预测可分为长期预测，中期预测和短期预测。通常情况下，长期和中期客流预测多用于城市轨道交通的规划设计阶段，利用较长周期的客流预测来确定整体的规划方案，线路走向以及车站规模等。而短期客流预测多用于轨道交通日常的运营管理中，例如开行方案的调整，限流措施的制定。准确的短时客流预测为乘客提供更多的信息，以便对出行时间，出行方式等做出更好的选择，也可以为轨道交通管理部门提供更多制定针对性措施的依据。因此短时客流预测在城市轨道交通日常运营中起到至关重要的作用。

因此，需要提供一种准确的能预测城市交通线路上的未来短时内客流的方法。

发明内容

鉴于上述问题，本发明提出了克服上述问题或者至少部分地解决上述问题的一种基于深度学习的城市交通客流预测方法和设备。

为此目的，第一方面，本发明提出一种基于深度学习的城市交通客流预测方法，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。

可选的，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，提起时间特征信息；

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。

可选的，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：