[发明专利]一种基于分位数卷积网络的公交到站时间预测方法

权利要求书

1.一种基于分位数卷积网络的公交到站时间预测方法，其特征在于，包括以下步骤：

S1、通过提前收集的公交线路信息、路段信息以及公交GPS历史数据，经过清洗处理得到站点序号、站点间长度以及公交运行的历史时空位置数据，将清洗完成的数据集储存在mysql；

S2、以5分钟为时间粒度对公交的站间行驶时间进行数据统计，以y表示公交车辆在任意一个GPS位置中驶回公交末站所需的时间，以x表示对应y的协变量，根据mysql存储的公交数据集分别对x和y进行单个数据特征的生成；

S3、使用x和y生成模型训练所需的特征，包括在t+1时刻至t+6时刻从公交站点i驶回公交末站所需的时间使用对应时刻下公交站点i相邻的前后两个站点前两个小时的历史数据以及该站点前一个月同星期的4天的同时刻数据集来构建的历史训练集Y_hist、对应的协变量为X_hist以及t+1至t+6的未来时刻的协变量n表示一个月中的第n天；

S4、对步骤S3生成的特征进行预处理；

S5、对分位数卷积神经网络进行权重参数的初始化，并设置包括迭代次数、学习率、批量大小在内的超参数；将训练集数据以批量的方式输入到编码器模块中；

S6、在编码器模块，根据膨胀系数d＝{1，2，4，8，16，32，56}进行连续7轮的编码操作；

S7、在解码器模块中进行解码操作；

S8、通过解码器的输出全连接层在每个预测目标中产生一组分位数值Q＝(q₁,q₂,…,q_m)，其中q_j∈(0,1)，计算分位数误差：

上式中，(y)⁺＝max(0,y)，y为历史的行程时间数值，为预测的行程时间分位数值；

将误差反向传播以更新分位数卷积神经网络权重参数，直到经过指定的迭代次数后，完成训练；

S9、模型预测：将模型参数进行离线保存，将需要预测的新序列数据以的形式输入训练好的模型中，按照步骤S4至步骤S7进行处理计算，获取未来时刻的概率分布预测值，反标准化则可得到最终的预测结果；

所述步骤S4具体包括：

对Y_hist、X_hist中的空缺数据进行补零操作；接着，对Y_hist和进行归一化操作，对X_hist和进行哑编码操作得到

2.根据权利要求1所述的一种基于分位数卷积网络的公交到站时间预测方法，其特征在于，所述步骤S2中，y对应的协变量x为未来时刻已知的变化特征，具体为x＝{x_m,x_n,x_w,x_t,x_i,x_l,x_k,x_y}，其中，x_m∈[0,12]表示该条数据的时刻处于一年中的第几个月，x_n∈[1,31]表示该条数据的时刻处于一个月中的第几天，x_w∈[1,7]表示该条数据的时刻处于一周中的星期几，x_t∈[1,288]表示该条数据的时刻处于一天中的第几个时刻，x_i表示该条数据目前处于第几个站点，x_l表示第x_i个站点到终点站的长度，x_k表示公交从站点i行驶回末站需要经过的红绿灯数，x_y表示该条数据对应的时间下公交专用道是否开放。