基于深度学习的地铁短时客流量预测

为了对地铁短时客流流量进行准确预测,建立了一种基于深度学习的地铁短时客流预测方法。通过分析地铁的客流数据,发现周一至周四、周五以及周末的发展模式存在一定的差异。依据该发现,基于深度学习的理论框架,建立了双向长短期记忆网络的地铁短时客流量预测模型。最后以广州体育西路地铁站数据为例进行预测分析,并将预测结果与决策树模型、支持向量机算法以及长短期记忆网络的预测结果进行对比分析。结果表明,双向长短期记忆网络全面优于其他预测算法,且该算法的平均预测精度超过90%,对地铁运力的合理配置等有一定的应用价值。     

基于K近邻非参数回归的短时公交客流预测

由于公交车客流数据的复杂性和随机性,传统的数学模型很难预测其客流特性,因此本文提出了一种K近邻非参数回归的方法进行短时公交客流预测。最后结合实例表明,该方法预测出来的短时客流数与实际客流数有较好的拟合度。     

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...     

基于加权K近邻算法的抽象画图像情感分布预测

现有的大部分图像情感分类计算主要致力于预测图像情感的类别,没有考虑观察者对于图像情感不同的主观感受,因此仅对图像进行情感分类并不能满足现实需要.本文提出采用加权K 近邻算法对数据集中每幅抽象画图像进行离散情感的分布预测,首先提取图像的情感特征,不同的K 值,按照距离加权为每幅图像预测对应的情感分布情况,然后与数据集已知的情感分布进行比较.以Abstract 图像库作为数据集进行实验,并验证了算法的有效性.     

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.     

大波动短时公路交通流K-近邻预测的稳健组合方法

在公路短时交通流预测中,为改善大波动以及离群值情况下的预测效果,提高实时性,对K-近邻非参数回归预测方法进行了2种改进:先采用相关系数来选择K-近邻,再采用组合预测中的方差倒数法来进行预测.采用相关系数代替以前的距离,以改善在大波动交通流情况下K-近邻的选择效果.采用稳健统计方法来估计方差倒数法中的方差,以抑制离群值的不利影响.这些改进降低了搜索量,可提高预测准确率约1%.数值仿真证实了2种改进的效果.     

基于可拓距离的K近邻算法

距离机制是K近邻算法的关键部分,传统的方法是采用欧式距离来讨论各个属性取值的差异,而对于同一属性取值的差异就显得很简单.采用可拓学来定量描述事物属性的关联函数的性质,构造可拓距离应用到K近邻算法中,设计出可拓K近邻算法.为了验证算法的可行性和准确率,分别应用到二维数据的故障诊断和标准数据集的聚类分析中,实验证明该算法是可行和有效的.     

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.     

基于加权K近邻的特征选择方法

提出一种基于属性和距离加权的K近邻特征选择方法.该方法在计算样本类别时既考虑每个特征的重要程度,又考虑近邻样本的距离,使用遗传算法搜索最优特征权重向量.将该方法与已有的3种特征选择方法MIFS、DISR和CIFE在6个公开的数据集上进行比较,实验结果表明该方法是有效的,且可以提高分类性能.     

大型活动散场期间地铁车站短时进站客流预测

大型活动散场期间的地铁车站客流属于可预知的非常规客流,采用常规客流的统计预测方法难以准确预测其客流需求.基于深度学习,将历史客流规律、大型活动数据与实时自动售检票系统数据相结合,提出了一种适用于大型活动散场期间地铁车站的短时客流预测模型.首先对历史客流数据进行了拆分及降噪处理,并分析了活动客流特征.之后,基于深度学习框...     

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.     

森林公园客流量的灰色预测

在运用常规GM (1,1)模型群的基础上 ,采用新息GM(1,1)模型群分段选优进行预测的方法 ,对森林公园客流量进行中短期预测 ,所选模型均为Ⅰ级 ,其预测精度均高于 99%,这可为森林公园建设和管理等决策提供科学依据。     

基于小波分解和长短时记忆网络的地铁进站量短时预测

针对城市地铁车站进站客流量短时预测问题,提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型,小波分解和重构可以有效处理数据的波动性,长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例,实现了组合模型对进站量的预测,发现本方法能够得到比较准确的预测效果,平均绝对百分误差为5.48%,与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%,表明本方法有更好的预测精度。     

基于相空间重构-SVM的公交客流量预测研究

提出了一种基于相空间重构与支持向量机预测公交客流量的新方法.应用互信息法计算公交客流量时间序列的最优时间延迟;应用Ca0氏方法计算其最佳嵌入维数;然后计算出最大Lyapunov指数,证实客流节存在混沌现象.建立相空间重构-支持向量机预测模型并确定训练样本对,对公交客流量数据进行预测.实例证明,该方法能有效地进行客流量预测.     

基于有点区域的K近邻搜索新算法

目的对不同的点云数据,根据有点区域占空间包围盒的比率的不同,对栅格划分最优边长进行估算。方法在分析已有栅格边长估算方法的基础上,提出基于有点区域的二次分割算法来估算最优边长。结果给出了算法的步骤,并将该算法应用于不同的点云数据进行邻域搜索。结论与单次划分的边长相比,新算法的边长估算更加合理、计算效率更高。