[发明专利]基于线路客运量的动态高峰期预测的方法

权利要求书

1.一种基于线路客运量的动态高峰期预测的方法，其特征是，包括如下步骤：

(1-1)采集历史客运量数据并训练LSTM客流预测模型；

(1-2)预测未来一天的时间-客运量数据；

(1-3)利用最小二乘法多项式拟合未来一天的时间-客运量数据，得到拟合函数；

(1-4)画出拟合函数的曲线，计算拟合函数的一阶导数和二阶导数，得到曲线的各个波峰点；

(1-5)以客运量均值为基准计算高峰期；

步骤(1-1)包括如下步骤：

(1-1-1)采集一条线路历史10分钟线路客运量、日期类型的数据集H，H＝[h_t,h_t+1，...，h_t+n]，其中，f_t代表t时间点的客流量，d_t代表t时间点的日期类型，n代表采集的样本数量；

(1-1-2)对日期类型字段的值进行one-hot编码，将日期类型字段的值转换成类型为数字的值；

(1-1-3)对数据集H进行标准化处理，将客运量和日期类型字段的值缩放到0-1之间；

(1-1-4)将数据集H转化成监督学习数据W，W＝[w_t,w_t+1，...，w_t+n]，其中，w_t＝[f_t,d_t,f_t+1,d_t+1，...，f_t+k-1,d_t+k-1,f_t+k，d_t+k]；k＝144，k代表一天的数据量；

(1-1-5)将W的前四分之三的数据设置成训练集W_train，将W的后四分之一的数据设置成测试集W_test；

(1-1-6)分离W_train，得到W_train的输入量W_{train_x}和输出量W_{train_y}，

W_{train_x}＝[x_t,x_t+1，...，x_t+3n/4]，W_{train_y}＝[y_t,y_t+1，...，y_t+3n/4]，其中

x_t＝[f_t,d_t,f_t+1,d_t+1，...，f_t+k-1,d_t+k-1]，y_t＝[f_t+k]；

分离W_test，得到W_test的输入量W_{test_x}和输出量W_{test_y}，

W_{test_x}＝[x_t+3n/4+1,x_t+3n/4+2，...，x_t+n-1]，W_{test_y}＝[y_t+3n/4+1,y_t+3n/4+2，...，y_t+n-1]；

步骤(1-1)还包括如下步骤：

LSTM客流预测模型设计为三层:第一层为输入层，第二层为隐藏层，第三层为输出层；

设置每一层的参数为神经元个数；

LSTM客流预测模型采用均方误差MSE作为误差计算方式，使用Adam作为梯度下降优化器；

用W_{train_x}与W_{train_y}对LSTM客流预测模型进行训练；

利用LSTM客流预测模型对测试集W_{test_x}进行预测，得到预测的输出量W_{test-predict_y}；

对W_{test_y}和W_{test-predict_y}的值均进行逆向缩放，得到测试集输出量实际值与预测输出量实际值；

计算测试集输出量实际值与预测输出量实际值的均方误差，将均方误差作为评估指标；

调整LSTM客流预测模型中的神经元数量参数，返回(1-1-3)，得到不同的预测模型的评估指标；

选择均方误差最小的LSTM客流预测模型作为最终用于预测客流的模型。