基于K近邻模式匹配的地铁客流量短时预测

为准确预测地铁客流量,以便更好地进行车辆调度和站点管理,提出一种基于K近邻模式匹配的地铁客流量短时预测方法.通过分析地铁客流数据,发现地铁的日客流发展模式具有一定规律;针对该发现,提出一种基于误差变化率计算的自适应K值获取算法,自动获取合适的K值以提高预测算法的普适性.最后以广州火车南站地铁站为例进行实例分析,结果表明:所提出的方法同时适用于节假日与非节假日两种不同交通模式的地铁客流预测,平均预测精度在90%左右,具有较好的应用推广价值.     

基于深度学习的短时交通流量预测

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。     

基于小波神经网络的短时客流量预测研究

提出了基于小波神经网络的短时客流预测方法。对具有动态性,受多种因素影响的城轨的客流量进行短时的预测。通过建立小波神经网络对于城轨进行每隔15 min客流量预测。示例结果表明,所建立的小波神经网络的预测模型比其他的典型的预测模型预测精度高,误差小。     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象,严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析,本文为了准确的对城市交通状态进行预测,通过网格划分的方法,把城市区域划分为多个区域,根据城市交通数据流的时空特征,提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征,然后采用全连接神经网络增强模型的表达能力,再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中,最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证,结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型,以均方误差（MSE）为评价指标,将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。     

基于动态客流量模型的地铁车站空调负荷预测

为了准确预测地铁车站的空调负荷,首先通过地铁车站能耗监测平台的历史数据分析,识别得到客流量和室外气象参数是主要影响因素.其次利用车站CO2体积浓度逐时监测数据建立客流量神经网络预测模型,并与闸机数据对比,预测模型的复相关系数R2可达0.87.以客流量预测为基础,建立了车站空调负荷预测模型,并比较了不同时间尺度训练数据下...     

基于深度学习的短时强降水天气识别

气象预报人员面临的问题之一是如何准确有效地识别短时强降水天气.短时强降水是一种主要由强对流天气形成的气象灾害,产生原因与空气湿度、大气中的水分以及温湿等物理量参数有关,由此提出基于物理量参数和深度学习模型DBNs的短时强降水天气识别模型.首先,利用SMOTE算法人工合成短时强降水少数类(相对于非短时强降水天气类)样本,调整原始数据集不均衡分布问题;然后通过含有高斯玻耳兹曼机的深度学习模型对地面大气监测站逐小时加密的观测量,以及常用于天气预报分析的物理量等低层特征构造出抽象的高层特征,发现数据特征内在关系;最后实现了DBNs短时强降水的自动识别模型.结果表明,该方法能够较为准确地识别短时强降水,对于短时强降水的命中率、误警率和临界成功指数,都有着较好的表现.     

地铁乘客流量短时预测方法综述

随着地铁线路的日益复杂和人口的日渐增多,导致了地铁承载压力的急剧增加,给地铁的运营调度和管理带来了极大的困难,综述了地铁短时客流量的预测方法,并从近年来研究地铁短时客流量的方法出发,回顾和整理了国内外关于地铁乘客流量短时预测的相关文献,归纳了相关的研究方法;认为目前的研究方法可以分为三类,各有所长,但大部分都忽略了天气,日期和站点的影响,也没有将地铁的进站人数和出站人数分开预测,虽然方法取得了不错的效果,但是还存在一些不足,相关的研究还有大量工作要做,在此基础上提出了相关的建议。     

基于深度学习的城市流量预测

就所述的长短期记忆(LSTM)模型和DeepST-ResNet模型进行了研究分析,并基于西安滴滴出行的真实数据对相关模型进行对比实验,分析了各个模型的优劣,提出了建立更优模型的思路与展望.     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂,时间序列数据中可能存在异常值和噪声的特点,提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段,对原始序列运用X12季节加法模型消除季节性的影响,采用LOF方法检测季节调整后序列的异常值,并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值,新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段,首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声,然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例,通过与ARIMA、LSSVM等模型比较,表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型.首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进...     

基于深度学习的智能电网稳定性预测

基于深度学习算法,构建智能电网稳定性预测模型。选取BP神经网络及卷积神经网络CNN算法作为分类学习器,并对其进行参数调优、优化算法选择、迭代预测。输出模型预测结果和模型评价指标,并结合机器学习预测结果,对深度学习模型准确性及性能等方面做对比分析。最终确定Adam优化器下的CNN模型效果最优,迭代80次的精确度为0.979 0,所需时间为28.398 7 s。该模型对提高智能电网预测的准确性、实现高效配电具有重要意义,有效帮助电力系统提前预警,降低安全隐患。     

基于PaddlePaddle的股票预测深度学习模型

利用上证指数股票历史数据中的开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅等数据,通过对股票数据进行归一化等预处理操作后,使用Python语言和PaddlePaddle库编写算法程序,构建股票预测的LSTM神经网络模型,对上证指数的股票下一日的最高价股票价格进行分析预测,预测结果显示本文所构建的基于PaddlePaddle的LSTM神经网络模型能够取得较好的预测效果,可见基于PaddlePaddle的股票预测深度学习模型有很好的应用前景.     

基于SVM短时交通流量预测

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用.但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测.随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向.本文利用SVM (support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果.径向基SVM (RBF SVM)训练时间要比多项式SVM (polynomial SVM)短,预测准确率和精度也要比多项式SVM要好.从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度.     

基于深度学习组合模型的交通流预测

为了研究高速公路在交通流预测过程中时间粒度对于精度的影响,及时向出行者提供精准实时的道路信息,通过TensorFlow深度学习模块,建立支持向量回归(SVR)与长短时记忆(LSTM)相结合的预测模型。基于LSTM模型的长期记忆功能与支持向量回归非线性化特点,调整优化参数,以英国高速公路局提供的M3高速公路数据为例进行分析,根据预测结果对模型进行对比评价,并结合模型对不同时段的交通流数据进行分析研究。结果表明：SVR-LSTM组合预测模型对于高速公路数据有更好的适应性,而且时间粒度如果越精细,预测精度将大幅提高。     

基于ARMA模型的城市轨道交通客流量预测

客流量预测是城市轨道交通规划设计和运营管理的基本依据,是城市轨道交通建设过程的重要组成部分.在对天津地铁一号线日客流量变化的规律进行分析的基础上,采用自回归滑动平均时间序列(ARMA)模型对客流量进行预测.结果表明,与实际数据相比,模型具有较小的预测相对误差,取得了较好的预测效果.     

基于灰色预测模型的重庆市入境旅游客流量预测

灰色预测模型在研究入境旅游客流量预测上有很高的精度.依据灰色预测模型的建模过程和模型精度检验的方法,对重庆市1997—2007年的入境旅游客流量进行分析,选取2004—2007年的入境旅游客流量作为原始数据,建立了重庆市入境旅游客流量和时间的数列预测GM(1,1)模型,经检验该模型预测精度可靠.依据该模型,计算出了2008—2012年重庆市的入境旅游客流量,预计2008—2012年重庆市入境旅游客流量会继续迅速上升,有望在2009年突破100万人次.     

基于支持向量回归的旅游客流量预测

建立以支持向量回归方法为基础的旅游客流量预测模型。以我国深圳市2002年1月到2005年12月的旅游客流量的月度数据作为学习样本,分别选用两种不同的核函数,对学习样本进行建模和预测,并比较选取不同的两个核函数对样本进行预测的效果,说明支持向量回归用于月度旅游客流量预测的有效性。     

基于SOR-LS-SVM算法的公交站点客流量预测研究

公交站点客流量情况的及时准确预测对提供更可靠的公交服务和节省公交公司的运营成本是非常重要.首先对标准的LS-SVM算法进行了改进,得到一种新的SOR-LS-SVM学习算法.该算法不仅能减少计算的复杂性,提高学习速度;同时能提高函数估计的精确度.然后利用SOR-Ls-SVM算法对公交站点的客流量情况进行预测和模拟.实验结果表明改进的SOR-LS-SVM算法具有较高的预测精度,且实验取得了较好效果.     

基于深度学习的波浪能发电功率预测

针对波浪能发电中波高和频率的强随机性所导致的发电功率输出不稳定性问题,提出利用波浪能发电功率的预测数据,辅助储能系统(物理储能和化学储能)准确动作以平抑其波动性。预测数据是基于长短期记忆网络(long-short term memory,LSTM)和BP神经网络相结合的波浪能发电功率预测方法预测得到的。利用南海某岛两年天气数据和245 d的波浪能发电功率数据进行实验,训练并测试3个预测时间跨度LSTM-BP模型。对某波浪能发电船的功率在不同时间跨度的情况进行预测,实验结果表明,利用LSTM-BP模型可以较好地实现波浪能发电输出功率预测。