[发明专利]一种基于骑行上下文信息的共享单车流量预测方法

权利要求书

1.一种基于骑行上下文信息的共享单车流量预测方法，其特征在于：包括如下步骤：

S100：引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量的问题，问题转化的过程为：

S110：将所有的历史观测值分为3个部分：S_hour，S_day，S_week；

当特征窗口w为1hour时，时间步长T＝3时，即以w为单位，T为长度进行采样，获得历史数据作为特征；

当特征窗口w为24hour时，时间步长T＝3时，即获取要预测时段的前3天的历史流量数据作为特征；

当特征窗口为148hour时，时间步长T＝3时，即获取要预测时段的前3周的历史流量数据作为特征；

公式(1)表示如下：

S＝[X_t-Tw，X_t-(Tw-1)...X_t-1]         (1)；

当w取值为1小时、24小时、148小时时，S分别记为S_hour，S_day，S_week；

S120：引入的上下文特征，上下文特征用E表示，如(2)所示：

E＝{weather，windspeed，pressure，day of week，hour of day}    (2)；

则t时刻所对应的输入特征为

S130：共享单车流量预测问题定义为：输入时间步长T内的所有输入和部分观测序列{y₁，y₂...y_T-1}，求T时刻对应的流量公式如(3)所示：

S200：输入信息使用LSTM网络作为编码器，计算得到隐藏层向量{h₁，h₂...h_T}，具体步骤包括：

设编码器的输入为在LSTM网络中，当前时间t的隐藏状态是由上一时间的状态h_t-1和当前时间的输入x_t共同决定的，则根据公式(4)得到编码器中的隐藏状态：

h_t＝f₁(h_t-1，x_t)            (4)；

编码器逐个读入输入的历史流量观测数据将其编码为一个隐藏状态序列{h₁，h₂...h_T}，这些隐藏状态中包含了原始输入数据的特征信息，通过规则q共同构成语义向量C，供解码器使用；

所述S200使用LSTM网络作为编码器时加入了注意力机制，将隐藏向量序列{h₁，h₂...h_T}以加权的形式累加，如公式(7)所示：

此时的编码器会将输入信息编码成一个语义向量序列{C₁，C₂...C_T}，每一个语义向量都包含对该时刻流量预测结果更为重要的特征信息；

S300：计算每一个隐藏层向量与s_t-1的注意力得分，对所有注意力得分使用激活函数softmax得到注意力权重，所有注意力权重的总和为1；

使用LSTM网络作为解码器进行解码，在解码时根据输出对应的语义向量C_t进行解码；

计算注意力得分的步骤如下：

其中，表示每一个隐藏层向量与s_t-1计算得到注意力得分，W表示权重矩阵；

对所有注意力得分使用激活函数softmax得到注意力权重的过程如下：

其中，表示t时刻输入隐藏层状态中的注意力权重；

S400：LSTM网络作为解码器，通过对得到的语义向量序列{C₁，C₂...C_T}进行解码，得到最终的预测结果，LSTM作为解码对得到的语义向量序列{C₁，C₂...C_T}进行解码的过程如下：

s_t＝f₂(s_t-1，U[y_t-1；C_t-1]+b)       (10)；

其中，y_t-1是t-1时刻对应的观测值，即t-1时刻对应的共享单车流量，C_t-1是t-1时刻对应的语义向量，包含与t-1时刻流量预测值最为相关的输入特征信息；[y_t-1；C_t-1]表示将二者进行拼接，同t-1时刻对应的隐藏层状态一起作为LSTM网络的输入，f₂即表示通过LSTM模型进行计算，U和b是网络中需要学习到的参数；

利用公式(11)得到最终的预测结果，是T时刻所对应的流量预测值，V、W、b_w和b_v都是网络中需要学习到的参数，s_T对应T时刻解码器的隐藏层状态，C_T为T时刻对应的编码得到的语义向量。