[发明专利]基于三重融合卷积GRU的共享单车需求预测方法

权利要求书

1.基于三重融合卷积GRU的共享单车需求预测方法，其特征在于，包括以下步骤：

步骤1，构建三重融合卷积GRU模型，所述的三重融合卷积GRU模型包括第一融合层、第二融合层和输出层，所述第一融合层包括第一卷积层和第一双向GRU层，所述第二融合层包括第二卷积层和第二双向GRU层，所述输出层包括第三卷积层和全连接输出层，所述全连接输出层包括输出层为10的第一全连接层和输出层为1的第二全连接层，各层之间依次顺序连接，所述的双向GRU层均由一个正向GRU模型和一个反向GRU模型并联形成一个双向结构，所述的双向结构的GRU模型输出两个合并的GRU信号；

步骤2，利用训练集数据，对所述的三重融合卷积GRU模型进行训练，所述的训练集数据包括影响因素数据和已知的共享单车需求数据；

所述的影响因素数据包括共享单车需求点的季节、是否节假日、天气情况、是否为寒暑假、温度、空气湿度、PM2.5浓度、风速、风向、所述需求点最近地铁口闸机流量；

步骤3，将测试集数据输入训练完毕的三重融合卷积GRU模型，计算获得需求点的共享单车需求的预测值。

2.根据权利要求1所述的共享单车需求预测方法，其特征在于，第一卷积层接受序列数据的输入，其输出为x_t表示输入的序列数据，η¹()表示第一卷积层的卷积函数，同时作为第一双向GRU层和第二双向GRU层的输入，为第一双向GRU层的输出，表示将第一双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并，第一融合层的输出为是对第一双向GRU层的输出乘以权重向量并加上偏移向量的结果，将与η¹(x_t)的输出进行合并成作为第二层卷积层的输入；是第二卷积层的输出，卷积函数η²中包含了一个全连接操作Dense()，将P_t¹进行全连接转换成卷积函数可以接受的输入，连接到第二双向GRU层，第二融合层的输出为：是对第二双向GRU层的输出乘以权重向量并加上偏移向量的结果，表示将第二双向GRU层中正向GRU的输出与第一双向GRU层中反向GRU输出进行合并；将与P_t¹进行合并，作为第三卷积层的输入，第三卷积层的输出为卷积函数η³中还包含了一个全连接操作Dense()；第三卷积层通过全连接输出层得到输出O_t，O_t为一个具体值，代表一定时间后共享单车需求预测值，其中，和为各部分的权重向量，和为各部分的偏移向量。

3.根据权利要求2所述的共享单车需求预测方法，其特征在于，所述第一双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出表示将与进行合并连接，作为所述的第一双向GRU层的输出；所述第二双向GRU层中正向GRU模型的输出反向GRU模型的输出对正向GRU模型和反向GRU模型的输出的聚合操作，得到输出表示将与进行合并连接，作为所述的第二双向GRU层的输出，其中z¹_t、为第一双向GRU层中正向GRU模型的中间值，z²_t、为第一双向GRU层中反向GRU模型的中间值，z³_t、为第二双向GRU层中正向GRU模型的中间值，z⁴_t、为第二双向GRU层中反向GRU模型的中间值。

4.根据权利要求1至3任一所述的共享单车需求预测方法，其特征在于，所述的卷积层均为1维卷积网络。