[发明专利]一种基于组合神经网络结构的短时轨道交通客流预测方法

权利要求书

1.一种基于组合神经网络结构的短时轨道交通客流预测方法，其特征在于：包括以下步骤：

步骤1：把采集到的轨道交通线路上单个车站在运营时间内每隔一时段汇总一次的进出站客流量作为原始样本，对原始样本进行预处理并按照客流特性进行数据分类得到预处理样本，具体为：

步骤1-1：确定神经网络的输入输出量；将客流预测根据时间的跨度分为长期、中期和短期客流预测；并作为初始样本；

步骤1-2：进行样本预处理；

步骤1-3：对异常数据进行处理；

步骤1-4：聚类分析处理，根据日期对客流数据进行分批处理；

步骤1-5：训练数据矩阵的构建；将处理后的数据矩阵中任意选取n组来构建训练数据矩阵，剩下的数据构建测试数据矩阵，构建神经网络的m×n维训练数据矩阵；

步骤1-6：归一化处理；使用归一化公式将样本数据归一化为[0，1]内的值，使客流数据处于同一数量级别，所用公式为：

步骤2：由步骤1得到的预处理样本，输入到自编码神经网络中，学习客流特征，在训练过程中对参数值进行调整，具体为：

步骤2-1：建立基于自编码技术的小波神经网络模型；

步骤2-2：利用自动编码器提取客流数据特征；自编码包含两个过程：

(1)从输入层到隐藏层的原始数据x的编码过程：

h＝gθ₁(x)＝σ(W₁x+b₁)

(2)从隐藏层到输出层的解码过程：

其中，σ是非线性激活函数，一般为sigmoid激活函数，表达式为

在训练样本上寻找参数θ＝{W₁，W₂，b₁，b₂}，使得重构误差最小，对于包含m个样本的数据集上整体的重构误差损失函数表达式为：

将客流数据(x₁，x₂，…，x_n)输入到一个自编码器，得到一个code(h₁，h₂，…，h_r)，经过decoder复现输入数据，最终提取到客流数据的特征；

步骤2-3：小波神经网络实现客流预测；小波神经网络包含输入层、隐含层和输出层，传递函数为Morlet函数，表达式为：

code的值为自编码器中的客流特征，将自编码器中训练好的参数作为小波神经网络的初始参数；

由上式得出输入数据为X＝(x₁，x₂，…，x_n)^T，对应输入的节点数为n个；隐层小波基函数为r个；输出向量为Y＝(y₁，y₂，…，y_l)^T，输出的节点数为1个；v_ij，w_jk，a_j和b_j分别是第i个输入到第j个隐层节点的权值，第j个隐层节点到第k个输出节点的权值、第j个小波基的尺度参数和位移参数；得到的小波神经网络的输出值为：

其中，为隐层输出结果；

小波神经网络的输出值与网络期望输出存在误差E，定义如下：

其中：d_k为期望输出结果；y_k为实际输出结果；对网络权值和小波基函数系数修正公式为：

其中，η表示比例系数，在训练过程中反映了学习速率；t为迭代次数；

步骤3：利用步骤2中的参数初始化小波神经网络，得到客流预测值。

2.根据权利要求1 所述的基于组合神经网络结构的短时轨道交通客流预测方法，其特征在于，步骤3中所述的小波神经网络，需利用权利要求1 中训练好的自编码神经网络参数对其进行初始化，其传递函数为Morlet函数：