申请/专利权人：杭州电子科技大学

申请日：2020-05-18

公开（公告）日：2023-05-23

公开（公告）号：CN111709553B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/30;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.05.23#授权;2020.10.27#实质审查的生效;2020.09.25#公开

摘要：本发明公开了一种基于张量GRU神经网络的地铁流量预测方法，本发明将原始数据进行统计并根据输出的时间段进行数据填充，最终划分为训练集和测试集，按照日期的顺序逐日输入网络中；当前的输入Xt与上一个时刻的输出Ht‑1经过GRU更新门和重置门的运算生成该时刻的输出Ht；将最后一个时刻的Ht与归一化后的标签进行损失计算并反向传播，并在epoch的最后一步输出反归一化的Ht以作为网络最后的输出结果。本发明使得网络可以处理高阶数据并得到高阶结果，使得网络可以抓住预测的数据结果内的结构特性。

主权项：1.一种基于张量GRU神经网络的地铁流量预测方法，其特征在于，该方法具体包括以下步骤：1取某一时段各个地铁站各时段刷卡的具体数据作为数据集，对数据集进行清洗以及筛选，分别找到以地铁站，地铁线路，节假日类型作为各阶数据的维度，组成一个高阶张量；2在输入GRU神经网络前，对每次的输入按照阶进行归一化，同时保证标签数据与输入数据共享同一组均值方差；根据网络输出的维度对输入数据进行z-score标准化，得到均值张量M和标准差张量St；K1×K2×…×KN形状的N阶张量按照阶展开；3将步骤2处理后的数据分割成每一个时间步X输入到GRU神经网络中，在每一个张量GRU运算单元中，通过将权重W与X进行爱因斯坦乘得到隐藏层的张量状态，爱因斯坦积的具体表达式为： 其中A和B分别代表一个N阶张量和一个N+M阶张量，kN代表张量第N阶的维度大小，将按照阶的顺序从k1到kN依次进行对应下标元素的相乘然后进行求和运算将N阶缩减到1阶使得结果为M阶张量；通过张量GRU内部的更新门和重置门的运算得到最后的隐藏层状态H，用作输出或作下一时间步的输入；通过规定的时间步长的计算后，得到的结果张量H，该张量就是得到的隐藏层状态H；4将得到的输出H与同样在输入前进行归一化的标签进行损失计算，采用张量距离作为抓住高阶张量结构特性的损失函数： 其中l和m分别代表两个张量的下标，xl，yl，xm，ym分别代表两个张量的对应的下标的元素值，表示对应下标的元素值的欧式距离，通过反向传播机制更新每一个时刻的Wi权重张量,i代表输出的某一个时间步，对于不同epoch，重复执行步骤3到步骤4，直到epoch结束再执行下一步；5当epoch结束后，取得步骤3的结果，根据M和St将网络的输出进行反归一化，取得反归一化后的张量中的有效维度作为网络最后预测的结果值，即得到了最终的流量预测值。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于张量GRU神经网络的地铁流量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD