CN107609698A - 虚拟桩 - Google Patents
虚拟桩 Download PDFInfo
- Publication number
- CN107609698A CN107609698A CN201710797571.6A CN201710797571A CN107609698A CN 107609698 A CN107609698 A CN 107609698A CN 201710797571 A CN201710797571 A CN 201710797571A CN 107609698 A CN107609698 A CN 107609698A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- neural network
- model
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种虚拟桩，取200组爬虫数据训练样本，进行双重BP神经网络组合预测模型的学习训练，该组合预测模型的输入个数为2，即回归神经网络和延时神经网络的预测输出，隐层数目根据测试取10，输出个数为1，即最终预测值，学习误差控制在0.00001以内；然后选取某一连续运行时段内的60组实际爬虫数据进行校核分析；本发明提供的虚拟桩，利用神经网络对爬虫数据进行预测，无需对数据的时间序列做平稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建立准确的数据预测模型。
Description
技术领域
本发明属于共享单车领域，尤其是一种虚拟桩。
背景技术
共享单车的大面积普及，给人们出行带来了极大地便利，也出现了单 车乱停乱放影响交通秩序的现象，增加了政府部门的管理压力。究其原因， 有以下两点：一，共享单车数量猛增，原有停车位容量扩充跟不上共享单 车数量的增长；二，原有的单车所有者和使用者是统一的，用户对自有单 车的使用相对规范。而随着共享单车的大面积普及，替代作用日益明显。 单车拥有者和使用者分离，部分用户在使用单车时，并没有遵守交通规则，车辆乱停乱放，也增加管理压力。
发明内容
本发明为解决上述技术问题而采用的技术方案是提供一种虚拟桩，其 中，具体技术方案为：
数据预测流程：
数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量 数据；
清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；
双重BP神经网络组合预测模型：对清洗数据进行建模、预测；
应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判 断虚拟站点的位置；
非线性组合模型预测模型：
数学表达式为：y＝f(x1,x2,...,xi,...,xn)；
Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是 预测人流大的区域；
x i：表示第i项预测模型的预测值；
f(...)：表示神经网络非线性映射函数；
双重BP神经网络组合预测模型：
第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬 虫数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输 入；
第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而 充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测 精度。
所述的虚拟桩，取200组爬虫数据训练样本，进行双重BP神经网络 组合预测模型的学习训练，该组合预测模型的输入个数为2，即回归神经 网络和延时神经网络的预测输出，隐层数目根据测试取10，输出个数为1， 即最终预测值，学习误差控制在0.00001以内；然后选取某一连续运行时 段内的60组实际爬虫数据进行校核分析，分别应用回归神经网络模型、 延时神经网络模型和双重BP神经网络组合预测模型对该人流量的变化趋 势进行预测，校核样本数据的预测趋势。
本发明相对于现有技术具有如下有益效果：
1)利用神经网络对爬虫数据进行预测，无需对数据的时间序列做平 稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建立 准确的数据预测模型。
2)双重BP神经网络组合预测模型在提高预测精度的同时不需对模型 结构作限制，可以综合回归和延时神经网络预测方法提供的时间序列信息 和空间映射信息，从而获得最佳的预测效果。以爬虫数据为例进行了预测 模型的应用，计算结果表明双重BP神经网络组合预测模型比单独应用回 归和延时神经网络具有更高的预测精度。
3)神经网络的拓扑结构对预测模型的精度有影响，适当增加输入历 史数据样本，可以使网络得到更多的序列本身的信息，从而使神经网络的 预测更加精确。进行数据预测时，训练样本数和检验样本数宜分别控制在 100～200和100左右。
附图说明
图1为数据预测流程图。
图2为非线性组合模型预测模型。
图3为双重BP神经网络组合预测模型。
图4为校核样本数示意图。
具体实施方式
图1：
数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量 数据；
清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；
双重BP神经网络组合预测模型：对清洗数据进行建模、预测；
应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判 断虚拟站点的位置；
图2：
数学表达式为：y＝f(x1,x2,...,xi,...,xn)；
Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是 预测人流大的区域；
x i：表示第i项预测模型的预测值；
f(...)：表示神经网络非线性映射函数；
图3：
第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬 虫数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输 入；
第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而 充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测 精度；
取200组爬虫数据训练样本，进行双重BP神经网络组合预测模型的 学习训练，该组合预测模型的输入个数为2，即回归神经网络和延时神经 网络的预测输出，隐层数目根据测试取10，输出个数为1，即最终预测值， 学习误差控制在0.00001以内。然后选取某一连续运行时段内的60组实 际爬虫数据进行校核分析，分别应用回归神经网络模型、延时神经网络模 型和双重BP神经网络组合预测模型对该人流量的变化趋势进行预测，校 核样本数据的预测趋势如图4所示。
从图中可知，除回归神经网络模型在19～22样本数据点处预测值和 测量值的相对偏差较大外，延时神经网络模型、双重BP神经网络组合预 测模型的预测结果和人群流量测量值的变化趋势大致相同，双重BP神经 网络组合预测模型的预测结果曲线和实际测量值曲线吻合得很好。校核样 本采用双重BP神经网络组合预测模型的计算平均相对误差为1.5％，而单 独采用回归神经网络和延时神经网络的预测结果的平均相对误差分别为2.7％和1.9％。回归神经网络模型是从数据的时序性来预测数据的变化趋 势，延时神经网络模型是从空间上根据相关运行参数的映射规律来预测数 据，双重BP神经网络组合预测模型则综合了前2种模型各自的优点，充 分利用了各组合模型所包含的信息，具有更高的预测精度。
总结
(1)利用神经网络对爬虫数据进行预测，无需对数据的时间序列做 平稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建 立准确的数据预测模型。
(2)双重BP神经网络组合预测模型在提高预测精度的同时不需对模 型结构作限制，可以综合回归和延时神经网络预测方法提供的时间序列信 息和空间映射信息，从而获得最佳的预测效果。以爬虫数据为例进行了预 测模型的应用，计算结果表明双重BP神经网络组合预测模型比单独应用 回归和延时神经网络具有更高的预测精度。
(3)神经网络的拓扑结构对预测模型的精度有影响，适当增加输入 历史数据样本，可以使网络得到更多的序列本身的信息，从而使神经网络 的预测更加精确。进行数据预测时，训练样本数和检验样本数宜分别控制 在100～200和100左右。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任 何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改 和完善，因此本发明的保护范围当以权利要求书所界定的为准。
Claims (2)
1.一种虚拟桩，其特征在于：
数据预测流程：
数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量数据；
清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；
双重BP神经网络组合预测模型：对清洗数据进行建模、预测；
应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判断虚拟站点的位置；
非线性组合模型预测模型：
数学表达式为：y＝f(x1,x2,...,xi,...,xn)；
Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是预测人流大的区域；
xi：表示第i项预测模型的预测值；
f(...)：表示神经网络非线性映射函数；
双重BP神经网络组合预测模型：
第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬虫数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输入；
第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测精度。
2.如权利要求1所述的虚拟桩，其特征在于：取200组爬虫数据训练样本，进行双重BP神经网络组合预测模型的学习训练，该组合预测模型的输入个数为2，即回归神经网络和延时神经网络的预测输出，隐层数目根据测试取10，输出个数为1，即最终预测值，学习误差控制在0.00001以内；然后选取某一连续运行时段内的60组实际爬虫数据进行校核分析，分别应用回归神经网络模型、延时神经网络模型和双重BP神经网络组合预测模型对该人流量的变化趋势进行预测，校核样本数据的预测趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710797571.6A CN107609698A (zh) | 2017-09-06 | 2017-09-06 | 虚拟桩 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710797571.6A CN107609698A (zh) | 2017-09-06 | 2017-09-06 | 虚拟桩 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107609698A true CN107609698A (zh) | 2018-01-19 |
Family
ID=61062417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710797571.6A Pending CN107609698A (zh) | 2017-09-06 | 2017-09-06 | 虚拟桩 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107609698A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318757A (zh) * | 2014-11-03 | 2015-01-28 | 大连海事大学 | 一种公交专用道上的公交车车路段运行时间预测方法 |
| CN106503869A (zh) * | 2016-11-14 | 2017-03-15 | 东南大学 | 一种基于站点短时需求预测的公共自行车动态调度方法 |
| CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
-
2017
- 2017-09-06 CN CN201710797571.6A patent/CN107609698A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318757A (zh) * | 2014-11-03 | 2015-01-28 | 大连海事大学 | 一种公交专用道上的公交车车路段运行时间预测方法 |
| CN106503869A (zh) * | 2016-11-14 | 2017-03-15 | 东南大学 | 一种基于站点短时需求预测的公共自行车动态调度方法 |
| CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李蔚等: "双重BP神经网络组合模型在实时数据预测中的应用", 《中国电机工程学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Digital twin and its application in transportation infrastructure | |
| CN106981198B (zh) | 用于旅行时间预测的深度学习网络模型及其建立方法 | |
| Anselin | Under the hood issues in the specification and interpretation of spatial regression models | |
| CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及系统 | |
| CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
| Lam et al. | Decision support system for contractor pre‐qualification—artificial neural network model | |
| CN104408913B (zh) | 一种考虑时空相关性的交通流三参数实时预测方法 | |
| CN106127329A (zh) | 订单预测方法与装置 | |
| CN105512767A (zh) | 一种多预见期的洪水预报方法 | |
| CN104217002B (zh) | 一种基于高质量数据获取的路况信息填补方法 | |
| CN103208033B (zh) | 一种成网条件下城市轨道交通新线接入客流预测方法 | |
| CN102521989B (zh) | 一种动态数据驱动的高速公路出口流量预测方法 | |
| CN106997669A (zh) | 一种基于特征重要性的判断交通拥堵成因的方法 | |
| CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
| CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
| CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
| CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
| CN110009257A (zh) | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 | |
| CN108010378A (zh) | 停车场泊位占用率预测方法、装置、设备及存储介质 | |
| CN101739822B (zh) | 区域交通状态获取的传感器网络配置方法 | |
| Mucsi et al. | An Adaptive Neuro-Fuzzy Inference System for estimating the number of vehicles for queue management at signalized intersections | |
| Liu et al. | A risk assessment method based on RBF artificial neural network-cloud model for urban water hazard | |
| CN107153888A (zh) | 一种基于极限学习机的最优化连锁店选址方法 | |
| CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
| CN103679775B (zh) | 一种直线和曲线相结合的农田作业区域边界建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |