CN109376935B - 一种基于神经网络的公交客流分时段组合预测方法 - Google Patents

一种基于神经网络的公交客流分时段组合预测方法 Download PDF

Info

Publication number
CN109376935B
CN109376935B CN201811285080.4A CN201811285080A CN109376935B CN 109376935 B CN109376935 B CN 109376935B CN 201811285080 A CN201811285080 A CN 201811285080A CN 109376935 B CN109376935 B CN 109376935B
Authority
CN
China
Prior art keywords
prediction
neural network
algorithm
passenger flow
data
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.)
Active
Application number
CN201811285080.4A
Other languages
English (en)
Other versions
CN109376935A (zh
Inventor
王炜
李东亚
郑永涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201811285080.4A priority Critical patent/CN109376935B/zh
Publication of CN109376935A publication Critical patent/CN109376935A/zh
Application granted granted Critical
Publication of CN109376935B publication Critical patent/CN109376935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的公交客流分时段组合预测方法，包含了收集基本相关信息、确定最优的输入数据、确定组合预测算法、确定预测算法性能四个步骤。该方法充分考虑了不同算法在不同情况下的适用性，分时段赋予两种神经网络算法各个时段的权重值，结合不同单一算法在不同时间段的预测优势，得到各个时段最优的预测结果，弥补了单一算法局限性较大的缺陷问题，提高了模型的预测精度、预测稳定性和泛化性，从而提高了模型整体性能，使公交客流预测更加可靠、精确。并且本发明通过单一算法对数据进行筛选，在保证输入数据信息量充足的情况下，最大程度保障组合算法的预测性能。

Description

一种基于神经网络的公交客流分时段组合预测方法
技术领域
本发明涉及公交客流分时段预测技术领域，特别是涉及一种基于神经网络的公交客流分时段组合预测方法。
背景技术
近些年来，面对日益恶化的交通状况，很多城市都采取了限购、限牌、大力发展公共交通等措施。
人们越来越重视公共交通的发展，公共交通承载量大，能大大提高城市道路利用效率，并且线路、发车频率基本固定，在公交发展到一定程度时还能实现公交专用道路、专用信号等优先权利，运行效率还将大大提高，公共交通法发展有助于缓解城市拥堵，公共交通系统正在不断的完善。比如，出现了快速公交BRT系统，BRT的出现大大改善了公交系统，为公共交通系统注入了一股新生力量。但是目前BRT仅在部分大城市有，并且由于建造成本、道路有限等原因，在城市内的覆盖率较低，不能满足需求。
公共交通以其便捷、低成本、高运载力、低碳环保等原因近些年来越来越受到公众及政府、企业的青睐。而由于传统公交缺乏对市场需求的准确预测，导致路网分配不平衡，出现有的线路人满为患，有的线路人员稀少的情况，并且对客运需求的模糊认识导致线路的重合率过高或者覆盖率过低等现象。这也就阻碍了公交的进一步发展。所以，对公交客流进行准确的预测就显得非常重要。
准确的客流预测使公交运营公司做出合理的运力安排，能提高乘客的乘车体验，有利于提高公交车辆的准点率、运行速度、稳定性。稳定性是评价公共交通的服务水平以及服务效率最重要的因素之一。公交运行的可靠性、突发事件的先知性等服务属性是决定乘客对公交服务满意度最重要的因素。
公交客流常呈现随时段和季节性的波动，其影响因素和变化趋势众多且复杂，不仅包括历史客流、日期的性质，还包括环境天气等状况。目前公交客流预测的研究大多使用时间序列、灰色预测等传统的统计学方法，但此类方法单纯地从数据统计的角度出发，很难捕获客流生成的本质规律和演化机理，因而限制了预测精度和可靠性。另一方面，尽管有少量学者利用机器学习算法进行公交客流预测，但缺乏深入分析公交客流规律及其影响因素，也没有系统地比较不同方法对数据的适应性和普适性，致使其预测精度还没有得到充分释放。近年来，随着智能公交系统的发展和普及，为公交信息采集和处理提供了有利的技术条件，也为实现多源公交信息的融合提供了支持。
研究发现，组合算法在提高模型整体性能方面具有得天独厚的优势，组合算法可以结合不同算法模型的优点，可以弥补单一算法局限性较大的缺陷。本发明考虑将机器学习中的神经网络算法应用到公交客流预测组合算法中，提出了一种基于神经网络的公交客流分时段变权组合预测方法，这将提高公交客流的预测精度和可靠性，有利于决策者和规划人员更加方便、合理有效地进行城市规划，提高公交准点率、降低线路重复率、合理匹配公交运力与客运需求，提高公交服务质量。
本发明引入泛化性更好、预测性能更加稳定的组合算法，并进行比较寻优。组合算法有效地均衡不同输入、不同算法的预测贡献率，并分时段赋予两种神经网络算法各个时段的权重值，结合不同单一算法在不同时间段的预测优势，得到各个时段最优的预测结果，从而提高了模型整体性能，使公交客流预测更加可靠、精确，能提升公交客流预测的整体效果。
发明内容
为了解决以上问题，本发明提供一种基于神经网络的公交客流分时段组合预测方法，是基于神经网络的泛化性更好、预测性能更加稳定的时序可变加权系数组合算法，结合了不同算法在不同时段的优势，弥补了单一算法局限性较大的缺陷问题，提高了客流预测的整体预测性能，为达此目的，本发明提供一种基于神经网络的公交客流分时段组合预测方法，该方法包括依次进行的收集基本相关信息步骤、确定最优的输入数据步骤、确定组合预测模型步骤、确定预测模型性能步骤。
步骤一所述收集基本相关信息步骤中，通过对样本数据分析法，发现公交客流具有时间、空间及人群三方面的分布特性，结合相关文献，收集以下信息：所述相关信息分为两大类，客观影响因素和相关历史数据，客观影响因素包括月份M，星期日变化We，日时间变化D，平峰高峰P，节假日H，最低温度T1，最高温度T2，平均温度T，风力风向Wi，降雨量R；相关历史数据包括与预测时段相邻2个时段的客流量Q11、Q12，相邻3个工作日的客流量Q21、Q22、Q23，相邻3周同一星期日且同一时段的客流量Q31、Q32、Q33，历史数据的对应变量解释如下表所示，同时，需要收集历史数据中客观影响因素和相关历史数据对应的历史公交客流量值Q，用来训练预测算法以及检验预测方法的精度；
Figure BDA0001848859310000031
步骤二所述确定最优的输入数据步骤中，是根据已有的历史数据，从客观影响因素Data1、相关历史数据Data2、客观影响因素和相关历史数据的组合Data3共三种数据中选择最优的数据作为输入；
步骤三所述确定组合预测模型步骤中，确定了两种神经网络算法组合的方法，采用变权的方式组合两种算法的预测结果，即根据不同时段客流特性，赋予两种算法的预测结果不同的权重，从而加和得到最终的输出结果，本方法预测的结果组成为：
yi＝k1iy1i+k2iy2i，i＝1，...，n
ei＝yi-y0i
其中yi为组合算法的预测结果，y1i为BP神经网络的预测结果，y2i为RBF神经网络的预测结果，y0i为第i个时间段的实际客流量值，k1i表示BP神经网络中第i个时间段的预测值所占的权重，k2i表示RBF神经网络中第i个时间段的预测值所占的权重，ei表示第i个时间段组合算法输出的预测值与实际值的残差，权重k1i和k2i的值满足如下二次数学规划：
Figure BDA0001848859310000032
Figure BDA0001848859310000033
求得权重k1i和k2i的值后便可确定组合算法，输入上个步骤中得到的Data，得到两个训练好的神经网络的预测值，然后根据不同时段两个不同算法得到的预测值对应的权重进行加和，即可得该组合预测模型的预测值。
步骤四所述确定预测模型性能的步骤中，使用MAPE、RMSE、RMSPE三个评价指标评价组合算法的预测性能，若预测性能较好，则该模型即为使用本方法得到的适合该区域的公交客流组合预测方法；若预测性能较差，则返回确定最优的输入数据步骤中，使用RBF神经网络算法筛选得到最优的输入数据Data，并继续执行至确定组合预测模型步骤，然后评价该种情况下组合算法的预测性能，从两种情况中选出性能较好的一个即为使用本方法得到的适合该区域的公交客流组合预测方法。
作为本发明进一步改进，步骤二使用组合算法中的两种神经网络算法来确定最优输入数据，组合算法由经典的BP神经网络算法和RBF神经网络算法两种神经网络算法构成，所述确定最优的输入数据步骤具体包括：
1)客观影响因素的数据处理
对搜集到的客观影响因素分别进行相关性检验、独立性检验、数据降维处理，得到修正的、互不相关的客观影响因素；
2)使用组合算法中的一种神经网络算法进行客流量预测
首先，使用BP神经网络算法，使用历史数据训练该神经网络后，依次将历史数据中的Data1、Data2、Data3作为BP神经网络的输入，使用训练好的神经网络进行公交客流预测，得到相应的预测值；
3)评价预测结果选出最优的输入数据
将预测结果与相应的历史客流量进行对比，根据算法的预测性能选择预测效果最优的一种数据作为本方法中组合预测模型的输入，其中预测性能的评价指标如下：
平均相对误差
Figure BDA0001848859310000041
均方根误差
Figure BDA0001848859310000042
均方根相对误差
Figure BDA0001848859310000043
其中n为样本数，
Figure BDA0001848859310000044
为第i个样本的预测值，yi为第i个样本客流量的真实值。根据MAPE、RMSE、RMSPE三个误差值的大小，确定预测性能最优的输入数据，最优的输入数据记为Data。
本发明与现有技术相比，具有以下优点：
本发明考虑将机器学习中的神经网络算法应用到公交客流预测中，并分时段赋予两种神经网络算法各个时段的权重值，引入泛化性更好、预测性能更加稳定的组合算法，结合了不同算法在不同时段的优势，弥补了单一模型局限性较大的缺陷问题，提高了客流预测的整体预测性能。
本发明充分考虑了不同情况下不同输入数据的优劣性，将数据分类并定义为三种：客观影响因素、相关历史数据、客观影响因素和相关历史数据相结合的数据。使用组合算法中的BP神经网络算法和RBF神经网络算法对数据进行预筛选，从而得到最适合本发明的一种数据，从算法的输入端优化了预测算法的性能，从而为提高组合预测方法的性能提供了保障，优化了公交客流预测方法。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于神经网络的公交客流分时段组合预测方法，是基于神经网络的泛化性更好、预测性能更加稳定的时序可变加权系数组合算法，结合了不同算法在不同时段的优势，弥补了单一算法局限性较大的缺陷问题，提高了客流预测的整体预测性能。
如图1所示为基于神经网络的公交客流分时段变权组合预测方法的总体流程图。下面结合图1对本发明方法作更进一步的说明。
基于神经网络的公交客流分时段变权组合预测方法，考虑将机器学习中的神经网络算法应用到公交客流预测中，并分时段赋予两种神经网络算法各个时段的权重值，引入泛化性更好、预测性能更加稳定的组合算法，结合了不同算法在不同时段的优势，弥补了单一模型局限性较大的缺陷问题，提高了客流预测的整体预测性能。该方法包括依次进行的四个步骤：步骤一，收集基本相关信息、步骤二，确定最优的输入数据、步骤三，确定组合预测时段算法、步骤四，确定预测模型性能；
下面结合具体案例说明本发明的实施方式：
步骤一为收集基本相关信息，通过对样本数据分析法，发现公交客流具有时间、空间及人群三方面的分布特性，结合相关文献，本发明具体收集以下信息：所述相关信息分为两大类，客观影响因素和相关历史数据。
客观影响因素包括月份M，星期日变化We，日时间变化D，平峰高峰P，节假日H，最低温度T1，最高温度T2，平均温度T，风力风向Wi，降雨量R；相关历史数据包括与预测时段相邻2个时段的客流量Q11、Q12，相邻3个工作日的客流量Q21、Q22、Q23，相邻3周同一星期日且同一时段的客流量Q31、Q32、Q33，历史数据的对应变量解释如下表所示。同时，需要收集历史数据中客观影响因素和相关历史数据对应的历史公交客流量值Q，用来训练预测算法以及检验预测方法的精度。
Figure BDA0001848859310000051
相关历史数据某一时段的数据样本如下表：
Figure BDA0001848859310000052
Figure BDA0001848859310000061
步骤二为确定最优的输入数据，是根据已有的历史数据，从客观影响因素Data1、相关历史数据Data2、客观影响因素和相关历史数据的组合Data3共三种数据中选择最优的数据作为输入，本方法使用组合算法中的两种神经网络算法来确定最优输入数据，组合算法由经典的BP神经网络算法和RBF神经网络算法两种神经网络算法构成。所述确定最优的输入数据步骤具体包括：
1)客观影响因素的数据处理
对搜集到的客观影响因素分别进行相关性检验、独立性检验、数据降维处理，得到修正的、互不相关的客观影响因素，处理得到后得到的客观影响因素数据样本如下表：
Figure BDA0001848859310000062
2)使用组合算法中的一种神经网络算法进行客流量预测
首先，使用BP神经网络算法，使用历史数据训练该神经网络后，依次将历史数据中的Data1、Data2、Data3作为BP神经网络的输入，使用训练好的神经网络进行公交客流预测，得到相应的预测值。其中BP神经网络或RBF神经网络使用MATLAB程序包实现。
3)评价预测结果选出最优的输入数据
将预测结果与相应的历史客流量进行对比，根据算法的预测性能选择预测效果最优的一种数据作为本方法中组合预测模型的输入。其中预测性能的评价指标如下：
平均相对误差
Figure BDA0001848859310000071
均方根误差
Figure BDA0001848859310000072
均方根相对误差
Figure BDA0001848859310000073
其中n为样本数，
Figure BDA0001848859310000074
为第i个样本的预测值，yi为第i个样本客流量的真实值。根据MAPE、RMSE、RMSPE三个误差值的大小，确定预测性能最优的输入数据，最优的输入数据记为Data。针对此案例，使用历史数据训练BP神经网络后进行客流量预测，预测结果性能评价指标如下表：
Figure BDA0001848859310000075
由上表可知，Data3为最优输入数据。
步骤三位确定组合预测模型，确定了两种神经网络算法组合的方法，采用变权的方式组合两种算法的预测结果，即根据不同时段客流特性，赋予两种算法的预测结果不同的权重，从而加和得到最终的输出结果。本方法预测的结果组成为：
yi＝k1iy1i+k2iy2i，i＝1，...，n
ei＝yi-y0i
其中yi为组合算法的预测结果，y1i为BP神经网络的预测结果，y2i为RBF神经网络的预测结果，y0i为第i个时间段的实际客流量值，k1i表示BP神经网络中第i个时间段的预测值所占的权重，k2i表示RBF神经网络中第i个时间段的预测值所占的权重，ei表示第i个时间段组合算法输出的预测值与实际值的残差。权重k1i和k2i的值满足如下二次数学规划：
Figure BDA0001848859310000076
Figure BDA0001848859310000077
求得权重k1i和k2i的值后便可确定组合算法，输入上个步骤中得到的Data，得到两个训练好的神经网络的预测值，然后根据不同时段两个不同算法得到的预测值对应的权重进行加和，即可得该组合预测模型的预测值。
步骤四为确定预测模型性能，使用MAPE、RMSE、RMSPE三个评价指标评价组合算法的预测性能，若预测性能较好，则该模型即为使用本发明得到的适合该区域的公交客流组合预测方法；若预测性能较差，则返回确定最优的输入数据步骤中，使用RBF神经网络算法筛选得到最优的输入数据Data，并继续执行至确定组合预测模型步骤，然后评价该种情况下组合算法的预测性能，从两种情况中选出性能较好的一个即为使用本发明得到的适合该区域的公交客流组合预测方法。使用此模型计算所得的预测结果如下：MAPE为3.20％，RMSE为102，RMSPE为4.89％，显然，该方法的精度已经达到较好水平，所以所得模型即为求得的该区域的公交客流组合预测方法。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (2)

1.一种基于神经网络的公交客流分时段组合预测方法，其特征在于：该方法包括依次进行的收集基本相关信息步骤、确定最优的输入数据步骤、确定组合预测模型步骤、确定预测模型性能步骤：
步骤一所述收集基本相关信息步骤中，通过对样本数据分析法，发现公交客流具有时间、空间及人群三方面的分布特性，结合相关文献，收集以下信息：所述相关信息分为两大类，客观影响因素和相关历史数据，客观影响因素包括月份M，星期日变化We，日时间变化D，平峰高峰P，节假日H，最低温度T1，最高温度T2，平均温度T，风力风向Wi，降雨量R；相关历史数据包括与预测时段相邻2个时段的客流量Q11、Q12，相邻3个工作日的客流量Q21、Q22、Q23，相邻3周同一星期日且同一时段的客流量Q31、Q32、Q33，历史数据的对应变量解释如下表所示，同时，需要收集历史数据中客观影响因素和相关历史数据对应的历史公交客流量值Q，用来训练预测算法以及检验预测方法的精度；
Figure FDA0002983383130000011
步骤二所述确定最优的输入数据步骤中，是根据已有的历史数据，从客观影响因素Data1、相关历史数据Data2、客观影响因素和相关历史数据的组合Data3共三种数据中选择最优的数据作为输入；
步骤三所述确定组合预测模型步骤中，确定了两种神经网络算法组合的方法，采用变权的方式组合两种算法的预测结果，即根据不同时段客流特性，赋予两种算法的预测结果不同的权重，从而加和得到最终的输出结果，本方法预测的结果组成为：
yi＝k1iy1i+k2iy2i，i＝1，...，n
ei＝yi-y0i
其中yi为组合算法的预测结果，y1i为BP神经网络的预测结果，yzi为RBF神经网络的预测结果，y0i为第i个时间段的实际客流量值，k1i表示BP神经网络中第i个时间段的预测值所占的权重，k2i表示RBF神经网络中第i个时间段的预测值所占的权重，ei表示第i个时间段组合算法输出的预测值与实际值的残差，权重k1i和k2i的值满足如下二次数学规划：
Figure FDA0002983383130000021
Figure FDA0002983383130000022
求得权重k1i和k2i的值后便可确定组合算法，输入上个步骤中得到的Data，得到两个训练好的神经网络的预测值，然后根据不同时段两个不同算法得到的预测值对应的权重进行加和，即可得该组合预测模型的预测值；
步骤四所述确定预测模型性能的步骤中，使用MAPE、RMSE、RMSPE三个评价指标评价组合算法的预测性能，若预测性能较好，则该模型即为使用本方法得到的适合区域的公交客流组合预测方法；若预测性能较差，则返回确定最优的输入数据步骤中，使用RBF神经网络算法筛选得到最优的输入数据Data，并继续执行至确定组合预测模型步骤，然后评价该种情况下组合算法的预测性能，从两种情况中选出性能较好的一个即为使用本方法得到的适合区域的公交客流组合预测方法。
2.根据权利要求1所述的一种基于神经网络的公交客流分时段组合预测方法，其特征在于：步骤二使用组合算法中的两种神经网络算法来确定最优输入数据，组合算法由经典的BP神经网络算法和RBF神经网络算法两种神经网络算法构成，所述确定最优的输入数据步骤具体包括：
1)客观影响因素的数据处理
对搜集到的客观影响因素分别进行相关性检验、独立性检验、数据降维处理，得到修正的、互不相关的客观影响因素；
2)使用组合算法中的一种神经网络算法进行客流量预测
首先，使用BP神经网络算法，使用历史数据训练该神经网络后，依次将历史数据中的Data1、Data2、Data3作为BP神经网络的输入，使用训练好的神经网络进行公交客流预测，得到相应的预测值；
3)评价预测结果选出最优的输入数据
将预测结果与相应的历史客流量进行对比，根据算法的预测性能选择预测效果最优的一种数据作为本方法中组合预测模型的输入，其中预测性能的评价指标如下：
平均相对误差
Figure FDA0002983383130000023
均方根误差
Figure FDA0002983383130000024
均方根相对误差
Figure FDA0002983383130000025
其中n为样本数，
Figure FDA0002983383130000026
为第i个样本的预测值，yi为第i个样本客流量的真实值，根据MAPE、RMSE、RMSPE三个误差值的大小，确定预测性能最优的输入数据，最优的输入数据记为Data。
CN201811285080.4A 2018-10-31 2018-10-31 一种基于神经网络的公交客流分时段组合预测方法 Active CN109376935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811285080.4A CN109376935B (zh) 2018-10-31 2018-10-31 一种基于神经网络的公交客流分时段组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811285080.4A CN109376935B (zh) 2018-10-31 2018-10-31 一种基于神经网络的公交客流分时段组合预测方法

Publications (2)

Publication Number Publication Date
CN109376935A CN109376935A (zh) 2019-02-22
CN109376935B true CN109376935B (zh) 2021-07-02

Family

ID=65390504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811285080.4A Active CN109376935B (zh) 2018-10-31 2018-10-31 一种基于神经网络的公交客流分时段组合预测方法

Country Status (1)

Country Link
CN (1) CN109376935B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309953B (zh) * 2019-05-28 2020-06-26 特斯联（北京）科技有限公司 采用目标流动性分布预测的城市安防监控布局系统及方法
CN110348601A (zh) * 2019-06-06 2019-10-18 华南理工大学 一种基于双向长短期记忆网络的地铁短期客流量预测方法
CN110458325A (zh) * 2019-07-03 2019-11-15 青岛海信网络科技股份有限公司 一种交通区域短时客流预测方法及装置
CN110533480A (zh) * 2019-09-04 2019-12-03 上海丙晟科技有限公司 一种基于大数据的商场客流预测方法
CN111178598A (zh) * 2019-12-16 2020-05-19 中国铁道科学研究院集团有限公司 铁路客运站客流量预测方法、系统、电子设备及存储介质
CN111210093B (zh) * 2020-03-05 2023-05-09 重庆森鑫炬科技有限公司 基于大数据的日用水量预测方法
CN111709562B (zh) * 2020-06-02 2022-12-23 广州通达汽车电气股份有限公司 一种公交车辆的排班时刻表的生成方法及装置
CN111695726A (zh) * 2020-06-02 2020-09-22 广州通达汽车电气股份有限公司 一种公交车辆的排班时间表更新方法及装置
CN112601187B (zh) * 2020-12-10 2022-03-08 江苏欣网视讯软件技术有限公司 基于手机信令的公交常乘客预测方法与系统
CN113719283B (zh) * 2021-09-07 2023-01-17 武汉理工大学 一种矿山凿岩装备作业工时预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512741A (zh) * 2014-09-26 2016-04-20 山西云智慧科技股份有限公司 一种公交客流组合预测方法
CN105512447A (zh) * 2014-09-26 2016-04-20 山西云智慧科技股份有限公司 一种基于Holt-Winters模型的公交客量预测方法
CN104298881B (zh) * 2014-10-15 2017-11-17 南通大学 一种基于贝叶斯网络模型的公交环境动态变化预报方法
CN106951976B (zh) * 2016-10-12 2021-09-21 华南理工大学 一种基于模式分类的公交客流预测方法
CN107529651B (zh) * 2017-08-18 2020-10-16 北京航空航天大学 一种基于深度学习的城市交通客流预测方法和设备
CN108415885A (zh) * 2018-02-08 2018-08-17 武汉蓝泰源信息技术有限公司 基于近邻回归的实时公交客流预测方法

Also Published As

Publication number Publication date
CN109376935A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109376935B (zh) 一种基于神经网络的公交客流分时段组合预测方法
CN108346292B (zh) 基于卡口数据的城市快速路实时交通指数计算方法
CN109559512A (zh) 一种区域交通流量预测方法及装置
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
Xie et al. Modelling the effects of road pricing on traffic using ERP traffic data
CN113496314B (zh) 一种神经网络模型预测道路交通流量的方法
CN108345987B (zh) 一种道路基础设施建设项目影响评价决策支持系统及方法
Arjona et al. Improving parking availability information using deep learning techniques
CN114048920A (zh) 充电设施建设的选址布局方法、装置、设备及存储介质
CN111612223B (zh) 基于土地和交通多源数据的人口就业分布预测方法及装置
CN113674524A (zh) 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统
CN115359659A (zh) 一种车道开闭配置方法和系统
Liu et al. Short-term forecasting of emerging on-demand ride services
CN111985731A (zh) 城市公共交通站点人数的预测方法及系统
Willumsen Urban traffic modelling with limited data
CN111428934B (zh) 一种基于实时统计数据的公交站点短时客流预测方法
Moreira-Matias et al. An online learning framework for predicting the taxi stand's profitability
Mallek et al. Enhanced K-Nearest Neighbor model for multi-steps traffic flow forecast in urban roads
Gaduh et al. Optimal Public Transportation Networks: Evidence from the World’s Largest Bus Rapid Transit System in Jakarta
CN113449780A (zh) 基于随机森林和lstm神经网络的路内泊位占有率预测方法
Koch et al. Machine learning from big gps data about the heterogeneous costs of congestion
Abbas et al. Methodology for determination of optimal traffic responsive plan selection control parameters
Li et al. Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network
Xu et al. Nonparametric method for optimizing the start time of short-term road maintenance operations using real-time traffic map data.
Afandizadeh et al. Prediction of traffic flow based on calendar data on suburban roads (case study: chalus road)

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
GR01 Patent grant
GR01 Patent grant