[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

说明书

本发明涉及一种基于骑行上下文信息的共享单车流量预测方法，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；S200使用LSTM网络作为编码器，计算得到隐藏层向量；S300计算每一个隐藏层向量与ssubgt;t‑1/subgt;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；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Csubgt;t/subgt;进行解码；S400中LSTM网络作为解码器，对得到的语义向量序列进行解码，得到最终的预测结果。该方法同时考虑到气象特征进行单车流量预测，流量预测的效果准确性高。

技术领域

本发明涉及单车流量预测方法，特别涉及一种基于骑行上下文信息的共享单车流量预测方法。

背景技术

共享单车流量预测问题是利用用户的历史骑行数据，对未来一段时间内各个单车站点的流量进行预测。由于深度学习的成熟发展及其良好的特征提取能力和鲁棒性，研究学者们普遍使用深度学习方法进行共享单车流量预测问题研究^[16][17]。部分研究学者利用堆叠的自编码器模型对数据降维，完成特征提取工作。

该方法利用深度学习去找到用户骑行历史数据中存在的特征，相比于传统的机器学习方法，预测精度有所提升。但是，与传统的方法一样，它也只考虑到了数据中原有的时序特征。然而，共享单车用户的骑行行为除了与时间相关之外，与气象特征也是密切相关的。后来，有研究学者利用卷积神经网络提取网格中的时序和空间特征，同时对任何两个区域间存在的时间依赖性进行建模。并且，引入了额外的气象特征，与时空特征合并，预测每个区域的最终流量。此外，也有学者提出可将交通的关联模式抽象成图结构。利用图的顶点表示地图上的点，边则表示两个地点之间的关联。建模时空相关性对流量预测的影响，利用模型学习点和边的特性，从而完成流量预测。

但是，上述方法仍然存在如下问题：

①在考虑特征的时候，大多数研究仅利用数据本身包含的时间特性，但对于所研究问题而言，除了单纯考虑时间特征，还应该引入与骑行数据相关的上下文特征。并且，不同的群体对出行需求是不同的，这需要根据数据集反映出的用户特性添加相应的特征。此外，特征筛选是有必要的，若存在冗余特征，会降低最终的流量预测精度；

②用户的骑行偏好会随着时间变化。虽然机器学习方法或者神经网络模型能够捕捉到时序特征，但往往缺乏动态提取特征的能力。因此，可以考虑如何能够构建动态的时序模型，从历史数据中捕捉到对预测结果来说更为重要的特征，而选择性的忽略不重要的特征。

针对上述问题，本章从对用户骑行历史数据的详细分析入手，进行特征的构建与筛选，利用长短期记忆网络能够较好捕捉时间序列数据之间的依赖关系，结合注意力机制构建动态的流量预测模型。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：针对有桩的共享单车站点的流量预测，每辆自行车对应一个停车位，每个站点的停车位数量由运营公司预先规定。

为解决上述技术问题，本发明采用如下技术方案：一种基于骑行上下文信息的共享单车流量预测方法，其包括如下步骤：

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；

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}；

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；