CN107748927A - 旅游交通短时客流大数据预测方法 - Google Patents
旅游交通短时客流大数据预测方法 Download PDFInfo
- Publication number
- CN107748927A CN107748927A CN201710933365.3A CN201710933365A CN107748927A CN 107748927 A CN107748927 A CN 107748927A CN 201710933365 A CN201710933365 A CN 201710933365A CN 107748927 A CN107748927 A CN 107748927A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction
- output
- wavelet
- wavelet neural
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明公开了一种旅游交通短时客流大数据预测方法,包括以下步骤:(1)先建立小波神经网络预测模型,包括输入层、隐层及输出层;(2)对各网络权值进行初始化,并计算出各隐节点的函数输出值;(3)对数据样本进行分类;(4)计算小波神经网络预测输出值,并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析,计算出网络预测误差;(5)对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正,达到预测期望;(6)进行参数迭代,当网络预测误差达到一个指定较小值或达到指定迭代次数时,结束迭代,得到预测结果。本发明具有能对旅游交通短时客流进行准确预测的优点。
Description
技术领域
本发明涉及旅游交通数据分析方法,具体涉及一种旅游交通短时客流大数据预测方法。
背景技术
目前,国内对旅游交通短时客流预测多以宏观客流预测为主,而宏观客流预测主要根据地区人口、经济等历史数据,预测未来年客流规模。由于景区客流具有随时间变化迅速、波动较大,且具有规律性等特点,宏观客流预测对景区短时客流预测时存在波动性较大、预测不准确等问题。因而亟需一种能对旅游交通短时客流进行准确预测且波动性小的微观预测方法。
发明内容
发明目的:针对以上问题,本发明提出一种旅游交通短时客流大数据预测方法,能对旅游交通短时客流进行准确预测且波动性小。
技术方案:本发明所述的一种旅游交通短时客流大数据预测方法,包括以下步骤:
(1)根据小波神经网络建立小波神经网络预测模型,小波神经网络预测
模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层,所述输入层由若干输入节点组成,每个输入节点用于接受和处理训练样本集中的输入变量;所述隐层由若干隐节点组成,用于非线性样本的线性转换,所述隐层节点采用小波函数作为传递函数;所述输出层由若干输出节点组成,每个输出节点用于输出变量预测结果;
(2)对小波神经网络预测模型中的各网络权值进行初始化,并根据小波函数计算出隐层各隐节点的函数输出值;
(3)对数据样本进行分类,将数据样本分为两部分,一部分为训练样本,用于训练小波神经网络,另一部分为测试样本,用于测试小波神经网络预测精度;
(4)根据小波神经网络预测模型中的各网络权值和隐层中各隐节点的函数输出值,计算出小波神经网络预测输出值,并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析,计算出网络预测误差;
(5)根据步骤(4)得到的网络预测误差,对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正,达到预测期望;
(6)进行参数迭代,当网络预测误差达到一个指定较小值或达到指定迭代次数时,结束迭代,得到并输出预测结果。
进一步地,在步骤(6)完成后,通过计算网络预测误差的相对误差及方差对小波神经网络预测模型的精度进行校验。
有益效果:利用本发明提出的方法能对旅游交通短时客流进行准确预测且波动性小,避免景区由于客流量激增而造成的安全隐患,从而保障游客出行安全。
附图说明
图1是本发明所述的小波神经网络预测模型的结构示意图。
图2为根据本发明的实施例得到的上海科技馆的短时客流预测结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,所述的旅游交通短时客流大数据预测方法,包括以下步骤:
(1)先根据小波神经网络建立小波神经网络预测模型,小波神经网络预测
预测模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层,输入层由若干输入节点组成,每个输入节点用于接受和处理训练样本集中的输入变量;隐层由若干隐节点组成,用于非线性样本的线性转换,隐层节点采用小波函数作为传递函数;输出层由若干输出节点组成,每个输出节点用于输出变量预测结果。
(2)对小波神经网络预测模型中的各网络权值进行初始化,并根据小波函数计算出隐层各隐节点的函数输出值;其中隐节点的输出函数为:
式中,ωij为隐含层的网络权值,Xi为输入变量。
(3)对数据样本进行分类,将数据样本分为两部分,一部分为训练样本,用于训练小波神经网络,另一部分为测试样本,用于测试小波神经网络预测精度。
(4)根据小波神经网络预测模型中的各网络权值和隐层中各隐节点的函数输出值,计算出小波神经网络预测输出值,并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析,计算出网络预测误差。
其中,小波神经网络预测输出函数为:
式中,ωik为隐含层和输出层之间权值,Y(i)为第i个隐含层节点的输出,l为隐含层节点数,m为输出层节点数。
网络预测误差输出函数为:
式中,yn(k)为期望输出值,y(k)为预测输出值。
(5)根据步骤(4)得到的网络预测误差,对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正,达到预测期望;
其中,
(6)进行参数迭代,当网络预测误差达到一个指定较小值或达到指定迭代次数时,结束迭代,得到并输出预测结果。
(7)通过计算网络预测误差的相对误差及方差对小波神经网络预测模型的精度进行校验,其中,
网络预测误差的相对误差公式为:
网络预测误差的方差公式为:
式中,|Yi-Yi'|表示实际值与预测值得绝对误差。
下面以上海科技馆的短时客流数据为样本,是从2016年3月1日至3月31日,每天早上8点到下午5点,每隔一个小时记录一次的游客量数据,共记录一个月平日25天的客流,前23天作为训练样本,最后两天作为测试样本,建立预测模型,原始数据如表1所示。
表1上海科技馆短时客流量(部分)
日期/时间 | 20160301 | 20160302 | 20160303 | …. | 20160331 |
8:00-9:00 | 113 | 167 | 172 | 163 | |
9:00-10:00 | 140 | 145 | 150 | 142 | |
10:00-11:00 | 116 | 116 | 127 | 103 | |
11:00-12:00 | 124 | 140 | 134 | 121 | |
12:00-13:00 | 123 | 173 | 131 | 142 | |
13:00-14:00 | 138 | 157 | 139 | 144 | |
14:00-15:00 | 150 | 151 | 165 | 148 | |
15:00-16:00 | 142 | 179 | 179 | 167 | |
16:00-17:00 | 181 | 186 | 191 | 182 |
模型构建包括网络训练与预测,网络训练数据,以连续m小时数据为输入,第m+1小时作为输出,以此建立输入矩阵和输出矩阵,经过试验,当m取3时可以获得较理想的预测结果,设训练次数为1000次,学习率0.1,训练样本如表2所示。
表2时间序列训练样本
通过对参数迭代,获得预测结果,见图2和表3,测试数据相对误差绝对值均不超过15%,预测方法可行。因此,可以将该方法运用到上海市所有景区的短时客流预测中。
表3预测结果对比
真实值 | 预测值 | 相对误差 |
111 | 123 | 0.097 |
138 | 123 | -0.122 |
148 | 147 | -0.007 |
141 | 150 | -0.060 |
136 | 138 | -0.014 |
126 | 132 | -0.045 |
137 | 134 | -0.022 |
163 | 142 | -0.148 |
142 | 160 | 0.112 |
133 | 137 | 0.029 |
121 | 122 | 0.008 |
142 | 138 | -0.029 |
144 | 147 | -0.020 |
148 | 145 | -0.021 |
167 | 146 | -0.144 |
182 | 168 | -0.083 |
Claims (5)
1.旅游交通短时客流大数据预测方法,其特征在于:包括以下步骤:
(1)建立小波神经网络预测模型,包括输入层、隐层及输出层;
(2)对各网络权值进行初始化,并根据小波函数计算出隐层各节点的函数输出值;
(3)对数据样本进行分类;
(4)计算小波神经网络预测输出值,并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析,计算出网络预测误差;
(5)对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正,达到预测期望;
(6)进行参数迭代,当网络预测误差达到一个指定较小值或达到指定迭代次数时,结束迭代,得到预测结果。
2.根据权利要求1所述的旅游交通短时客流大数据预测方法,其特征在于:所述步骤(1)中模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层,所述输入层由若干输入节点组成,每个输入节点用于接受和处理训练样本集中的输入变量;所述隐层由若干隐节点组成,用于非线性样本的线性转换,所述隐层节点采用小波函数作为传递函数;所述输出层由若干输出节点组成,每个输出节点用于输出变量预测结果。
3.根据权利要求1所述的旅游交通短时客流大数据预测方法,其特征在于:所述步骤(3)中对数据样本进行分类,将数据样本分为两部分,一部分为训练样本,用于训练小波神经网络,另一部分为测试样本,用于测试小波神经网络预测精度。
4.根据权利要求1所述的旅游交通短时客流大数据预测方法,其特征在于:所述步骤(4)中根据小波神经网络预测模型中的各网络权值和隐层中各隐节点的函数输出值,计算出小波神经网络预测输出值,并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析,计算出网络预测误差。
5.根据权利要求1所述的旅游交通短时客流大数据预测方法,其特征在于:还包括通过计算网络预测误差的相对误差及方差对小波神经网络预测模型的精度进行校验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710933365.3A CN107748927A (zh) | 2017-10-10 | 2017-10-10 | 旅游交通短时客流大数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710933365.3A CN107748927A (zh) | 2017-10-10 | 2017-10-10 | 旅游交通短时客流大数据预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107748927A true CN107748927A (zh) | 2018-03-02 |
Family
ID=61256051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710933365.3A Pending CN107748927A (zh) | 2017-10-10 | 2017-10-10 | 旅游交通短时客流大数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748927A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417040A (zh) * | 2018-05-14 | 2018-08-17 | 武汉理工大学 | 一种特色小镇交通分布预测方法 |
CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
CN109086926A (zh) * | 2018-07-25 | 2018-12-25 | 南京理工大学 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN107194491A (zh) * | 2017-04-06 | 2017-09-22 | 广东工业大学 | 一种基于公交客流和站间行程时间预测的动态调度方法 |
-
2017
- 2017-10-10 CN CN201710933365.3A patent/CN107748927A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729688A (zh) * | 2013-12-18 | 2014-04-16 | 北京交通大学 | 一种基于emd的断面客流神经网络预测方法 |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN107194491A (zh) * | 2017-04-06 | 2017-09-22 | 广东工业大学 | 一种基于公交客流和站间行程时间预测的动态调度方法 |
Non-Patent Citations (2)
Title |
---|
徐世鹏: "城市轨道交通站点客流不确定性机理及预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
滕明鑫: "基于神经网络的城市轨道交通短期客流预测研究", 《电脑知识与技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417040A (zh) * | 2018-05-14 | 2018-08-17 | 武汉理工大学 | 一种特色小镇交通分布预测方法 |
CN108417040B (zh) * | 2018-05-14 | 2020-09-08 | 武汉理工大学 | 一种特色小镇交通分布预测方法 |
CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
CN109086926A (zh) * | 2018-07-25 | 2018-12-25 | 南京理工大学 | 一种基于组合神经网络结构的短时轨道交通客流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN103761138B (zh) | 一种交通仿真软件的参数校正方法 | |
CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN108108808B (zh) | 一种基于深度信念网络的位置预测方法及装置 | |
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 | |
CN106326984A (zh) | 用户意图识别方法和装置、自动应答系统 | |
CN106504535B (zh) | 一种结合重力模型与Fratar模型的交通分布预测方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN103489039B (zh) | 具有在线自整定优化能力的高速公路交通流量融合预测方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN107748927A (zh) | 旅游交通短时客流大数据预测方法 | |
CN105679102A (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
CN101480143A (zh) | 一种预测灌区作物单产量的方法 | |
CN107563540A (zh) | 一种基于随机森林的短时公交上车客流量的预测方法 | |
CN107085941A (zh) | 一种交通流预测方法、装置及系统 | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
Shiri | Evaluation of a neuro‐fuzzy technique in estimating pan evaporation values in low‐altitude locations | |
CN104200282A (zh) | 一种设施农业环境因子快速预测方法 | |
CN109840639A (zh) | 一种高速铁路列车运行晚点时间预测方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 |
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 |
Application publication date: 20180302 |
|
RJ01 | Rejection of invention patent application after publication |