一种聚合信息差异的神经网络结合时间序列预测的方法与流程

技术特征：
1.一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于，包括以下步骤：步骤一：首先进行数据的输入，输入地铁网络g＝(v,e)的邻接矩阵，然后进行输入每个站点的历史客流量数据x，将客流视为站点的属性，可以表示为x∈r
n
×
f
；步骤二：进行增强自身节点的权重，通过基于聚合信息差异最大化的方法，当拉普拉斯矩阵归一化后，在其归一化矩阵的对角线上，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例；步骤三：进行提取空间特征，通过步骤一输入的每个站点的历史客流量数据以及预处理后的地铁网络的邻接矩阵，提取空间特征；步骤四：gate recurrent unit模型中的重置门为r
t
,然后进行计算重置门r
t
，重置门r
t
主要是用于控制候选状态c
t
的值是否依赖于前一个状态h
t
‑1；步骤五：进行计算更新门u
t
，在gate recurrent unit模型中的更新门主要用于控制当前状态h
t
，需要保留多少来自前一个状态h
t
‑1的信息,以及对需要从候选状态c
t
接收多少信息；步骤六：进行计算候选状态c
t
，通过步骤五得到重置门r
t
的数值，通过重置门r
t
的数值可以计算得出候选状态c
t
的信息；步骤七：进行更新单元状态h
t
，最后通过全连接层输出预测结果[p
t 1
,p
t 2
,...,p
t t
]，并且利用t个时间步的历史客流数据进行预测未来t个时间步的客流数据。2.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤一中，地铁网络g中v＝{v
i
|i∈[1,n]}，并且e＝{e
ij
＝(v
i
,v
j
)|i,j∈[1,n],i≠j}，其中如果v
i
和v
j
之间存在一条边的时候则e
ij
∈e的值为1，v表示地铁站点的集合、n表示站点的数量、e表示站点之间的物理连边、f为节点属性特征个数和x
t
表示t时刻所有站点的客流量值。3.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤一中，通过步骤一的输入计算得到拉普拉斯矩阵式中并且表示邻接矩阵a加上单位矩阵i
n
，并且表示的度矩阵。4.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤二中，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例，使用如下公式表示式中当α在取得0.7时，最终预测结果最佳，度矩阵为对角矩阵，对角线上的元素值表示各顶点的度，式中i
n
为单位矩阵，表示邻接矩阵a加上单位矩阵i
n
，表示的度矩阵，系数α的取值范围0到1之间。5.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤三中，每个站点的历史客流量数据以及预处理后的地铁网络的邻接矩阵，提取空间特征，使用如下公式表示
通过公式可得当l＝0时，h
l
＝x，并且w
l
表示第l层可学习参数，并且h
(l 1)
表示第l层的输出，同时该值会作为下一层的输入，两层的图神经网络使用如下公式表示所述公式中公式中w
(0)
是第一层神经网络的学习参数矩阵，w
(1)
为第二层神经网络的学习参数矩阵，x’是两层图神经网络模型输出的具有空间特征的时间序列数据，h
l
表示图神经网络第l层的输出、σ(
·
)表示非线性激活函数、表示邻接矩阵a加上单位矩阵in、表示的度矩阵，x表示所述步骤一中输入的每个站点的历史客流量数据矩阵。6.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤四中，计算重置门r
t
通过如下公式计算r
t
＝σ(w
r
[x
′
t
,h
t
‑1] b
r
)式中w
r
和b
r
是训练过程中的参数矩阵和偏差,r表示计算r
t
的参数和偏差，x
t’表示从图神经网络模型得到在t时刻具有空间特征的时间序列数据。7.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤五中，进行计算更新门u
t
，通过如下公式计算u
t
＝σ(w
u
[x
′
t
,h
t
‑1] b
u
)式中w
u
和b
u
是训练过程中的参数矩阵和偏差，其中u表示计算u
t
的参数和偏差。8.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤六中，通过重置门r
t
计算候选状态c
t
，通过如下公式计算c
t
＝tanh(w
c
[x
′
t
,(r
t
*h
t
‑1)] b
c
)式中w
c
和b
c
是训练过程中的参数矩阵和偏差，其中c表示计算c
t
时的参数矩阵和偏差。9.根据权利要求1所述的一种聚合信息差异的神经网络结合时间序列预测的方法，其特征在于：所述步骤七中，通过步骤五和步骤六的两个门机制控当前时刻的单元状态h
t
，并且与上一个时刻的单元状态有关，进行更新单元状态，通过如下公式计算h
t
＝u
t
*h
t
‑1 (1
‑
u
t
)*c
t
式中的u
t
和c
t
是通过步骤六和步骤七的过程计算所得到的结果。

技术总结
本发明公开一种聚合信息差异的神经网络结合时间序列预测的方法，属于深度学习与智能交通领域，能够同时捕获地铁客流数据的时间和空间特征，本发明提出一种新的基于聚合信息差异最大化的方法对图卷积网络的傅里叶域中定义的平滑滤波器进行改进。本发明通过GateRecurrentUnit模型中的门控机制，在捕获当前时刻的客流信息的同时，仍然尽最大可能保留了历史信息的变化趋势，充分考虑了客流信息之间的时间依赖关系，最后，在真实交通网络上海地铁交通网络上进行测试，可以判断出本发明能够有效的抵消图神经网络的傅里叶域中定义的平滑滤波器对预测结果的影响，解决了在预测峰值客流数据时预测结果偏平滑而导致的预测精度不高的问题。精度不高的问题。精度不高的问题。


技术研发人员：高超 刘浩 李向华 王震 朱培灿 李学龙
受保护的技术使用者：西北工业大学
技术研发日：2021.08.03
技术公布日：2021/10/23