买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连海事大学

摘要：本发明提供一种基于无基准真相的公交乘客起止点估计修补方法。本发明方法以自监督学习方法为主，采用特定的生成对抗网络对噪声数据训练，以实际真实数据进行验证，建立深度学习模型；通过构建不同网络模型的级联对乘客起止点交通需求的时间、空间特征进行获取挖掘，并对有缺陷的乘客起止点交通需求矩阵完成修补，得到真实矩阵，高效准确地对公交线路的乘客起止点需求进行估计。本发明的技术方案解决了现有技术中的下车信息未知、计算难度大、不适用于复杂庞大的公共交通路网等技术问题。

主权项：1.一种基于无基准真相的公交乘客起止点估计修补方法，其特征在于，包括：采集乘客公交起点至终点的IC卡交易信息，将采集的IC卡交易信息数据进行再处理，定义数据复杂度；结合上车交易地理经纬度与城市公交线路站台的地理经纬度匹配上下车站台，并根据时间戳进行数据整理得到当日城市公交线路的起止点交通需求量；所述定义数据复杂度中，数据复杂度考虑时间和空间两个维度进行定义，分别考虑到不同时间戳内的乘客IC卡交易量和公交站台级的乘客起止点交通需求量，具体表达式如下： 式中，N表示总乘客数；Thour表示数据的观察总小时数；Lvalid表示该日存在乘客IC卡交易的公交线路数总和，也可看作是该日公交运营的线路总和；表示每小时进行IC卡交易的乘客数；表示在该a小时内存在的不同交易时刻数；xm表示每条线路上行乘客数；表示每条线路下行乘客数；表示上述线路的站点数；L表示总公交线路序数；τ表示每小时内的存在不同交易时间的时刻序数；ln表示每条公交线路对应的站点序数；考虑上述起止点交通需求量的时间和空间特征，构建生成对抗网络，设计两种不同模型作为生成器和鉴别器来捕获起止点交通需求量的时间和空间的相关性；构建的生成对抗网络，包括设计一个发生器G和一个鉴别器D，具体包括：发生器G通过随机修复创建逼真的动脉起止点交通需求量，起止点交通需求在时间和空间上是相关的；鉴别器D旨在对生成的真动脉起止点交通需求矩阵和假动脉起止点交通需求矩阵进行分类，鉴别器的结构和发生器相同；生成器的生成输出将被送入鉴别器进行训练，生成对抗神经网络由多层长短期记忆神经网络M-LSTM、注意力机制和卷积神经网络CNN组成，三者作为生成对抗神经网络的神经元，目标函数为： 式中，fθ为参数向量，n为训练样本的数量，xi作为深度神经网络的输入，yi为真实数据；卷积神经网络CNN对数据进行时间和空间上特征的深入挖掘，卷积神经网络CNN以卷积层和池化层为主要结构，使用9个卷积层，从首层开始，每个神经元通过这9个卷积层依次连接到前一层的小区域中，采用多层卷积层连接输入数据，保留每层卷积层能够过滤一个特征的特性，从而分别在时间和空间上对输入数据进行获取，具体过程表述如下：y＝σWc*Ifinal+b式中，y表示卷积层的输出；Wc表示权重；Ifinal表示为输入数据；b为偏置值；卷积神经网络CNN根据数据复杂度选择是否应用池化层，若数据复杂度并不高，选择不应用池化层，具体步骤如下：在卷积神经网络CNN中，卷积神经网络CNN将注意力机制中的输出经过全连接层后作为网络输入，将输入重塑为大小h*w*c的张量；将重塑后的张量进行卷积操作，使得成为h*w*64c大小的特征向量并进行归一化处理；结合ReLU激活函数弱化神经网络层与层之间的线性关系，增加了各层的非线性关系，ReLU激活函数表达式如下： 将该层输出作为下一层输入，不断进行卷积操作，直至第9层网络输出；经过上述操作后经过一个全连接层，将上述向量重塑为大小h*w*c的张量作为起止点交通需求量的估计输出，该输出的起止点交通需求量特征将被连接为一个密集向量，最后通过一个全连接层转换为网络输出；生成器利用多层长短期记忆神经网络M-LSTM捕获起止点交通需求量的时间特征，将输出数据接入注意力机制进行权重分配，捕获更高的空间相关性；利用卷积神经网络起止点交通需求量的时间和空间特征进行深度挖掘，对特征进行整合作为网络输出；生成器输出接入鉴别器，引入自监督损失函数对经验风险进行定义，通过最小化自监督损失函数获得去噪函数的最优参数对有缺陷的矩阵进行修复，得到真实矩阵。

全文数据：

权利要求：

百度查询： 大连海事大学 一种基于无基准真相的公交乘客起止点估计修补方法