龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：苏州大学文正学院
申请日：2020-05-25
公开（公告）日：2024-06-25
公开（公告）号：CN111754025B
主分类号：G06Q10/04
分类号：G06Q10/04;G06N3/0464;G06N3/08;G06Q50/40
优先权：
专利状态码：有效-授权
法律状态：2024.06.25#授权;2022.05.06#实质审查的生效;2020.10.09#公开
摘要：本发明公开了一种基于CNN+GRU的公交短时客流预测方法。公交站点客流预测是公交调度的主要依据，针对传统的公交短时客流预测只考虑时间特征这一问题，提出基于卷积神经网络CNN和门控循环单元GRU的预测模型，分别利用CNN和GRU对公交客流的空间和时间特征进行提取，构建公交客流预测模型。利用苏州市公交IC卡刷卡数据和公交车GPS数据，构建站点客流时空矩阵，使用模型对公交站点的客流进行预测。实验结果表明，CNN+GRU预测模型能够有效地进行公交短时客流预测，并且比其他模型具有更好的准确性。
主权项：1.一种基于CNN+GRU的公交短时客流预测方法，其特征在于，包括：对原始公交数据进行时间和站点匹配预处理，构建时空矩阵；将矩阵数据输入CNN网络提取站点流量的空间特征；将CNN处理后的数据输入到GRU层，预测站点下一时刻的流量；所述GRU的前向计算公式为：zt＝σWz·[ht-1,xt]7rt＝σWr·[ht-1,xt]8 矩阵结构如下所示：矩阵的行，是某站点过去n个时刻的客流量，矩阵的列表示相邻m个站点某时刻的流量； 其中第i行，Si是第i个站点，过去n个时刻的所有流量；Sit-n是第i个站点，n时刻前的客流量；所述卷积神经网络由若干卷积层ConvolutionLayer、池化层PoolingLayer、全连接层组成；所述卷积层ConvolutionLayer，对输入进行卷积操作，进行局部特征提取,得到特征矩阵FeatureMap；每层神经元都和上一层局部相连,卷积核的权值对所有神经元共享；所述池化层PoolingLayer主要是对FeatureMap进行下采样，去掉FeatureMap中不重要的样本，得到若干个更小的FeatureMap；最后是全连接层；通过和FeatureMap中的神经元相连，得到了整个网络的输出,最后一个全连接层即输出层。
全文数据：
权利要求：
百度查询： 苏州大学文正学院 基于CNN+GRU的公交短时客流预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号