[发明专利]基于三重融合卷积GRU的共享单车需求预测方法有效
申请号: | 202010395619.2 | 申请日: | 2020-05-12 |
公开(公告)号: | CN111476357B | 公开(公告)日: | 2022-05-31 |
发明(设计)人: | 马武彬;顾桐菲;吴亚辉;吴继冰;王懋;邓苏;黄宏斌;刘丽华;李璇 | 申请(专利权)人: | 中国人民解放军国防科技大学 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08;G06Q10/04;G06Q10/06 |
代理公司: | 北京律诚同业知识产权代理有限公司 11006 | 代理人: | 祁建国 |
地址: | 410073 湖*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 三重 融合 卷积 gru 共享 单车 需求预测 方法 | ||
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xt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(xt)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Pt1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Pt1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Ot,Ot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z1t、为第一双向GRU层中正向GRU模型的中间值,z2t、为第一双向GRU层中反向GRU模型的中间值,z3t、为第二双向GRU层中正向GRU模型的中间值,z4t、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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军国防科技大学,未经中国人民解放军国防科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010395619.2/1.html,转载请声明来源钻瓜专利网。