CN110046764A - 预测客流量的方法及装置 - Google Patents
预测客流量的方法及装置 Download PDFInfo
- Publication number
- CN110046764A CN110046764A CN201910298432.8A CN201910298432A CN110046764A CN 110046764 A CN110046764 A CN 110046764A CN 201910298432 A CN201910298432 A CN 201910298432A CN 110046764 A CN110046764 A CN 110046764A
- Authority
- CN
- China
- Prior art keywords
- flow
- passengers
- sequence
- volume
- forecast amount
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本公开提出一种预测客流量的方法及装置,涉及数据预测技术领域。所述方法包括:获取历史客流量序列,所述历史客流量序列包括多个按时序排列的历史客流量,基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列,其中,所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。本公开能够提高预测客流量的准确性和效率。
Description
技术领域
本公开涉及数据预测技术领域,具体而言,涉及一种预测客流量的方法及装置。
背景技术
对于景区和交通枢纽等公共场所,由于来往的人员众多,如果不能准确预估针对该场所的客流量,可能会导致实际客流量超出该场所的承载能力,甚至带来更为严重的后果。因此,亟需一种预测客流量的方法。
现有技术中,通常是根据工作人员的经验,按照往年同一时刻的客流量,预测当前的客流量。但由于社会生活水平发展迅速,按照往年同一时刻的客流量的参考价值非常有限,往往难以准确预测当前的客流量。
发明内容
本公开的目的在于提供一种预测客流量的方法及装置,以提高预测客流量的准确性和效率。
为了实现上述目的,本公开采用的技术方案如下:
第一方面,本公开提出一种预测客流量的方法,所述方法包括:
获取历史客流量序列,所述历史客流量序列包括多个按时序排列的历史客流量;
基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列,其中,所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。
第二方面,本公开还提出一种预测客流量的装置,所述装置包括:
获取模块,用于获取历史客流量序列,所述历史客流量序列包括多个按时序排列的历史客流量;
预测模块,用于基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列,其中,所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。
第三方面,本公开还提出一种电子设备,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现上述第一方面所述的方法。
第四方面,本公开还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器读取并运行时,实现上述第一方面所述的方法。
相对现有技术,本公开具有以下有益效果:
在本公开实施例中,能够获取历史客流量序列,并基于递归径向基循环神经网络模型,通过该历史客流量序列,预测得到预测客流量序列。由于递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理,因此,通过递归径向基循环神经网络模型进行客流量预测,能够充分考虑客流量在时序上的连续性,也能够利用径向基函数的非线性映射记忆特性,充分考虑递归径向基循环神经网络模型各层之间复杂的映射关系,从而提高了预测客流量的准确性和效率。
本公开的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本公开了解。本公开的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本公开的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开所提供的一种预测客流量的方法的流程示意图;
图2示出了本公开所提供的另一种预测客流量的方法的流程示意图;
图3示出了本公开所提供的另一种预测客流量的方法的流程示意图;
图4示出了本公开所提供的一种预测客流量的装置的功能模块示意图;
图5示出了本公开所提供的另一种预测客流量的装置的功能模块示意图;
图6示出了本公开所提供的另一种预测客流量的装置的功能模块示意图;
图7示出了本公开所提供的另一种预测客流量的装置的功能模块示意图;
图8示出了本公开所提供的另一种预测客流量的装置的功能模块示意图;
图9示出了本公开所提供的一种电子设备的功能模块示意图。
具体实施方式
下面将结合本公开中附图,对本公开中的技术方案进行清楚、完整地描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
请参照图1,为本公开所提供的一种预测客流量的方法的流程示意图。需要说明的是,本公开所述的预测客流量的方法并不以图1以及以下所述的具体顺序为限制,应当理解,在其它实施例中,本公开所述的预测客流量的方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。下面将对图1所示的流程进行详细阐述。
步骤101,获取历史客流量序列,该历史客流量序列包括多个按时序排列的历史客流量。
为了对未来一段时间的客流量进行预测,需要获取预测数据,且由于客流量的变化与时间的变化是有所关联的,比如对于某景区在旺季和淡季之间有明显的下降和回升,并能够在旺季到达顶峰、在淡季达到低谷,或者对于更短的时间范围内,比如春节假期和国庆节假期,客流量会在临近假期逐渐上升,并在假期的最后时间达到顶峰,之后逐渐下降,因此,可以为了便于根据当前时刻前的客流量变化,预测未来一段时间的客流量,预测数据可以包括历史客流量序列。
预测数据为用于对客流量进行预测的数据。
历史客流量为在当前时刻之前特定时间段内的客流量。
其中,该特定时间段可以包括每年、每季、每月、每旬、每天、每小时等,当然,在实际应用中,该特定时间段还以包括更长或更短的时间段。
历史客流量序列中包括的多个历史客流量,可以按照该多个历史客流量分别所对应的特定时间段的时序排列。比如历史客流量序列包括当日之前最近10日内每日的客流量,则可以按照该10日的客流量所对应的日期,将该10日的客流量进行排序得到历史客流量序列。
需要说明的是,在实际应用中,由于还有其它因素也可能会对客流量造成影响,比如所预测客流量的场所位置和性质、气候变化等信息,因此,根据实际的预测需求,预测数据还可以包括其它可能会影响客流量的数据。
步骤102,基于递归径向基循环神经网络模型,通过该历史客流量序列,预测得到预测客流量序列,其中,该递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。
由于RNN(Recurrent Neural Network,递归基循环神经网络)能够将当前时刻的隐藏状态层的状态作为下一时刻隐藏状态层的输入,从而能够将前一时刻和下一时刻之间的预测值紧密联系,充分考虑数据之间的连贯性,在通过RNN进行客流量预测时,即能够充分考虑客流量在时序上的连续性,从而能够准确地根据在当前时刻之前的客流量,对未来时间的客流量进行准确预测。且由于RBF(Radial basis function,径向基函数),具有非线性映射记忆特性,因此,为了充分考虑RNN各层之间复杂的映射关系,提高预测客流量的效率,可以将RBF和RNN相结合,即通过递归径向基循环神经网络模型快速准确地对客流量进行预测。
RNN是一种节点定向连接成环的人工神经网络,该网络的内部状态可以展示动态时序行为,在处理单元之间既有内部的反馈连接又有前馈连接。其中,RNN可以包括输入层、隐藏状态层和输出层,且输入层与隐藏状态层通过连接权重矩阵U连接,隐藏状态层与输出层之间通过连接权重矩阵V连接,相邻时刻的隐藏状态层之间通过连接权重矩阵W连接。
RBF是一个取值仅仅依赖于离原点距离的实值函数。其中,RBF可以包括下述中的任一个函数。
立方近似函数:
薄板样条函数:
高斯函数:
多二次函数:
逆多二次函数:
递归径向基循环神经网络模型在前述RNN的基础上,将RNN其中的隐藏状态层通过RBF处理,经RBF处理后的隐藏状态层与输出层之间通过连接权重矩阵V连接。
预测客流量为预测未来特定时间段内的客流量。
预测客流量序列包括多个按时序排列的预测客流量。
可以将历史客流量序列输入递归径向基循环神经网络模型,从而通过该递归径向基循环神经网络模型预测得到在未来特定时间段的预测客流量序列。
具体地,输入层为xt,包括n维的取值为第t时刻预设大小(n)滑动窗口,每次基于该预设大小的滑动窗口,从历史客流量序列截取n个历史客流量,下一次滑动窗口从该历史客流量序列中当前窗口所包括最后一个历史客流量之后的第一个历史客流量开始,截取n个历史客流量。通过U对输入层的xt进行处理,并通过W对前一时刻的隐藏状态层st-1进行处理,从而得到当前时刻的隐藏状态层st,其中,st可以包括m维的取值。将隐藏状态层st通过RBF进行处理,得到处理后的隐藏状态层再通过连接权重矩阵V对进行处理,得到输出层οt,其中,οt可以包括r维的取值,也即是r个预测客流量按时序组成的预测客流量序列。
需要说明的是,可以获取训练样本,对通过递归径向基循环神经网络模型预测客流量进行训练。当然,也可以获取事先训练好的递归径向基循环神经网络模型。
在本公开实施例中,能够获取历史客流量序列,并基于递归径向基循环神经网络模型,通过该历史客流量序列,预测得到预测客流量序列。由于递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理,因此,通过递归径向基循环神经网络模型进行客流量预测,能够充分考虑客流量在时序上的连续性,也能够利用径向基函数的非线性映射记忆特性,充分考虑递归径向基循环神经网络模型各层之间复杂的映射关系,从而提高了预测客流量的准确性和效率。
请参照图2,为本公开所提供的一种预测客流量的方法的流程示意图。需要说明的是,本公开所述的预测客流量的方法并不以图2以及以下所述的具体顺序为限制,应当理解,在其它实施例中,本公开所述的预测客流量的方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。下面将对图2所示的流程进行详细阐述。
步骤201,获取训练样本,对递归径向基循环神经网络模型进行训练。
为了确保递归径向基循环神经网络模型对客流量的预测过程能够更加符合客流量的变化特点,从而提高预测客流量的准确性,可以对递归径向基循环神经网络模型进行训练。
可以获取至少一个景区等场所的历史客流量序列作为样本集,并按照预设比例将该样本集划分为训练样本和测试样本。
其中,预测比例可以通过事先确定得到,比如,该预设比例可以包括4:1,即将样本集中80%的历史客流量序列作为训练样本,将剩余20%的历史客流量序列作为测试样本。
可选地,可以对样本集中包括的历史客流量序列进行预处理。
由于历史客流量序列中可能会包括错误的或失真的历史客流量(比如由地震等不可抗力导致波动的历史客流量),这些历史客流量可能会对预测过程造成干扰,因此,为了提高通过递归径向基循环神经网络模型对客流量进行预测的准确性,可以对样本集中包括的历史客流量序列进行预处理。
其中,可以判断历史客流量序列中是否存在异常历史客流量,若存在该异常历史客流量,基于该异常历史客流量相邻的多个历史客流量,对该异常历史客流量进行修正。
具体地,对历史客流量序列中的任一历史客流量,可以获取与该历史客流量相邻的多个历史客流量(比如在该历史客流量之后的三个历史客流量)的均值,若该历史客流量与该均值之间的差值大于差值阈值,则确定该历史客流量为异常历史客流量,并将该历史客流量替换为该均值。
需要说明的是,差值阈值可以根据实际情况进行预设,比如该差值阈值可以为6000,在此不作限定。
当获取得到训练样本时,可以基于所获取的训练样本,对通过递归径向基循环神经网络模型预测客流量进行训练。
其中,对通过递归径向基循环神经网络模型预测客流量进行训练,可以包括确定输入层与隐藏状态层的连接权重矩阵U、连接经过预设径向基函数处理的隐藏状态层与输出层的连接权重矩阵V和连接隐藏状态层与隐藏状态层前一时刻的隐藏状态层的连接权重矩阵W。
需要说明的是,可以在创建递归径向基循环神经网络模型时,初始化U、V和W,在训练时,基于递归径向基循环神经网络模型的预测结果与训练样本中真实的历史客流量之间的差异进行评价,从而基于该差异的大小对U、V和W中的权重和阈值进行迭代更新。
可选地,可以采用MSE(Mean Square Error,均方误差)RMSE(Root Mean Squared Error,均方根误差)MAE(MeanAbsolute Error,平均绝对误差)和MAPE(Mean AbsolutePercentage Error,平均绝对百分比误差)中的至少一个作为评价标准。
其中,当上述评价标准的结果越小,则说明预测的精度越高。
需要说明的是,由于上述多个评价标准能够通过不同侧面评价预测结果与训练样本中真实的历史客流量之间的差异,因此,为了对预测结果进行全面评价,从而提高递归径向基循环神经网络模型的准确性,在训练递归径向基循环神经网络模型时,针对不同的滑动窗口,可以随机从上述多个评价标准中选择一个评价标准。
例如,可以生成针对上述4种评价标准,随机生成1-4的整数,当生成1时可以计算MSE指标,当生成2时可以计算RMSE指标,当生成3时可以计算MAE指标,当生成4时可以计算MAPE指标。
可选地,可以通过反向传播算法对U、V和W中的权重和阈值进行更新。
其中,通过反向传播算法可以使径向基循环递归神经网络的能量函数最小化,οt为训练样本中真实的历史客流量,ο′t为与οt对应的预测客流量。
针对任一连接权重矩阵中权重的学习规则为:
式中,W1=(W1Wm1),W2=(W2Wm2),W3=(W3Wm3),E1为MSE指标,E2为RMSE指标,E3为MAE指标,E4为MAPE指标。
可选地,递归径向基循环神经网络模型包括多个径向基函数,且该递归径向基循环神经网络模型中的隐藏状态层分别经过多个径向基函数处理,相应的,可以基于预设的评价标准分别对基于多个径向基函数预测得到的预测客流量序列进行评价,得到分别与各径向基函数对应的评价数据,将评价数据最高的径向基函数确定为预设径向基函数。
由前述可知,径向基函数可以包括一种以上,因此为了确保通过递归径向基循环神经网络模型进行客流量预测时,能够基于最适用于当前应用场景的径向基函数得到预测结果,从而提高预测客流量的准确性,可以从多个径向基函数中选择一个作为预设径向基函数。
预设的评价标准可以包括MSE、RMSE、MAE和MAPE中的至少一个,且当预设的评价标准包括多个时,可以随机选择一个评价标准。
评价数据可以包括分数。
可以先将多个径向基函数对应的评价数据均设置为0,对于每个滑动窗口,遍历各个径向基函数,从而得到分别对应各径向基函数的预测结果,然后采用同一种评价标准,分别针对各径向基函数的预测结果进行评价,对于评价指标最高的径向基函数,将该径向基函数对应的评价数据增加1。接下来,可以选择评价数据最高的径向基函数作为预设径向基函数。
当训练结束时,可以采用测试样本,对训练的递归径向基循环神经网络模型进行测试。
步骤202,获取预测数据,该预测数据包括历史客流量序列,该历史客流量序列包括多个按时序排列的历史客流量。
可选地,预测数据还包括客流量影响因子,客流量影响因子包括天气因子、经济因子和时间因子中的至少一种。
由于气候、居民收入和时间等因素也会对用户出行造成影响,进而影响实际的客流量,因此,为了进一步提高预测客流量的准确性,预测数据还可以包括天气因子、经济因子和时间因子等至少一种的客流量影响因子。
天气因子、经济因子和时间因子可以由相关技术人员根据预测的场所所在地区的天气情况、经济情况(比如国民生产总值或者地方财务报告)以及预测的时间段分别确定。
步骤203,对预测数据进行预处理。
其中,对预测数据进行预处理的方式,可以与样本集中包括的历史客流量序列进行预处理的方式相同,此处不在一一赘述。
可选地,可以判断历史客流量序列中是否存在异常历史客流量,若存在该异常历史客流量,基于该异常历史客流量相邻的多个历史客流量,对该异常历史客流量进行修正。
步骤204,基于递归径向基循环神经网络模型,通过该历史客流量序列,预测得到预测客流量序列,其中,该递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。
其中,该预测客流量序列包括多个按时序排列的预测客流量。
需要说明的是,基于递归径向基循环神经网络模型,通过该历史客流量序列,预测得到预测客流量序列的方式,可以参见前述步骤102中的相关描述,此处不在一一赘述。
步骤205,对预测客流量进行修正。
由于实际的客流量可能会受到客流量影响因子的影响以及其它因素的干扰,而通过递归径向基循环神经网络模型在进行客流量预测时,可能并未考虑到上述因素,因此为了进一步提高对客流量进行预测的准确性,可以对预测客流量进行修正。
可选地,基于至少一种客流量影响因子对预测客流量序列进行修正处理。
其中,对于递归径向基循环神经网络模型预测得到的预测客流量ο′t,通过进行修正,ο″t为经过修正的预测客流量,为与经济因子对应的放缩因子,A为经济因子,为与时间因子对应的放缩因子,B为时间因子,为与天气因子对应的放缩因子,C为天气因子。
可选地,对预测客流量序列进行曲线趋势拟合处理。
其中,对于预测客流量序列可以按照滑动窗口进行多次(比如3次)的曲线趋势拟合处理。
具体的,假设滑动窗口内的客流量序列数目为m,则对于预测客流量序列ο′t=(ο′1,ο′2,…,ο′m),曲修正后的预测客流量 …,ο″m-1=ο′m-1,ο″m=ο′m。
在本公开实施例中,首先,能够获取历史客流量序列,并基于递归径向基循环神经网络模型,通过该历史客流量序列,预测得到预测客流量序列。由于递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理,因此,通过递归径向基循环神经网络模型进行客流量预测,能够充分考虑客流量在时序上的连续性,也能够利用径向基函数的非线性映射记忆特性,充分考虑递归径向基循环神经网络模型各层之间复杂的映射关系,从而提高了预测客流量的准确性和效率。
其次,能够基于天气因子、经济因子和时间因子等至少一种的客流量影响因子,对经递归径向基循环神经网络模型预测的客流量进行修正,从而充分考虑天气、经济和时间等实际因素对客流量的影响,进一步提高了预测客流量的准确性。
请参照图3,为本公开提供的一种预测客流量的方法的流程示意图。
步骤301,数据准备。
其中,数据准备包括如下两个子步骤:
子步骤3011,获取景区的历史客流量以及客流量影响因子。
其中,客流量影响因子包括时间因子、当地经济因子以及天气因子。
子步骤3012,数据预处理。
其中,可以通过前述方式,判断是否包括异常历史客流量,并为异常历史客流量进行修正。
步骤302,客流量预测。
其中,客流量预测可以包括如下8个子步骤。
子步骤3021,初步建立递归径向基循环神经网络模型。
子步骤3022,计算评价指标。
其中,评价指标可以包括前述中的MSE、RMSE、MAE和MAPE中的至少一个。
基于子步骤3022的计算结果,执行子步骤3023和3024。
子步骤3023,反向迭代更新权重。
其中,反向迭代更新权重的方式,可以参见前述中的相关描述,从此不再一一赘述。
子步骤3024,对径向基函数进行投票。
子步骤3025,选择投票最多个的径向基函数。
子步骤3026,训练得到最终的递归径向基循环神经网络模型。
子步骤3027,基于递归径向基循环神经网络模型得到预测客流量。
子步骤3028,对预测客流量进行曲线趋势拟合修正。
请参照图4,为本公开所提供的一种预测客流量的装置400的功能模块示意图。需要说明的是,本实施例所提供的预测客流量的装置400,其基本原理及产生的技术效果与前述对应的方法实施例相同,为简要描述,本实施例中未提及部分,可参考方法实施例中的相应内容。该预测客流量的装置400包括:
获取模块401,用于获取历史客流量序列,该历史客流量序列包括多个按时序排列的历史客流量;
预测模块402,用于基于递归径向基循环神经网络模型,通过该历史客流量序列,预测得到预测客流量序列,其中,该递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。
可选地,请参照图5,该装置还包括:
训练模块403,用于获取训练样本,对该递归径向基循环神经网络模型进行训练,确定输入层与该隐藏状态层的连接权重矩阵U、连接经过该预设径向基函数处理的隐藏状态层与输出层的连接权重矩阵V和连接该隐藏状态层与该隐藏状态层前一时刻的隐藏状态层的连接权重矩阵W。
可选地,该递归径向基循环神经网络模型包括多个径向基函数,且该递归径向基循环神经网络模型中的隐藏状态层分别经过多个该径向基函数处理,该训练模块还用于:
基于预设的评价标准分别对基于多个该径向基函数预测得到的预测客流量序列进行评价,得到分别与各该径向基函数对应的评价数据;
将评价数据最高的径向基函数确定为该预设径向基函数。
可选地,请参照图6,该装置还包括:
判断模块404,用于判断该历史客流量序列中是否存在异常历史客流量;
第一修正模块405,用于若存在该异常历史客流量,基于该异常历史客流量相邻的多个历史客流量,对该异常历史客流量进行修正。
可选地,请参照图7,该装置还包括:
第二修正模块406,用于基于至少一种客流量影响因子对该预测客流量序列进行修正处理,其中,该客流量影响因子包括天气因子、经济因子或时间因子。
可选地,请参照图8,该装置还包括:
第三修正模块407,用于对该预测客流量序列进行曲线趋势拟合处理。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
请参照图9,为本公开所提供的一种电子设备的功能模块示意图。该电子设备可以包括存储有计算机程序的计算机可读存储介质901和处理器902,处理器902可以调用计算机可读存储介质901存储的计算机程序。当该计算机程序被处理器902读取并运行,可以实现上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本公开还提供一计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器读取并运行时,可以实现上述方法实施例。
在本公开所提供的几个实施例中,应该理解到,以上所描述的装置实施例仅仅是示意性的,所揭露的装置和方法,可以通过其它的方式实现。例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行,例如各单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (12)
1.一种预测客流量的方法,其特征在于,所述方法包括:
获取历史客流量序列,所述历史客流量序列包括多个按时序排列的历史客流量;
基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列,其中,所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。
2.如权利要求1所述的预测客流量的方法,其特征在于,在所述基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列之前,所述方法还包括:
获取训练样本,对所述递归径向基循环神经网络模型进行训练,确定输入层与所述隐藏状态层的连接权重矩阵U、连接经过所述预设径向基函数处理的隐藏状态层与输出层的连接权重矩阵V和连接所述隐藏状态层与所述隐藏状态层前一时刻的隐藏状态层的连接权重矩阵W。
3.如权利要求2所述的预测客流量的方法,其特征在于,所述递归径向基循环神经网络模型包括多个径向基函数,且所述递归径向基循环神经网络模型中的隐藏状态层分别经过多个所述径向基函数处理,所述获取训练样本,对所述递归径向基循环神经网络模型进行训练,包括:
基于预设的评价标准分别对基于多个所述径向基函数预测得到的预测客流量序列进行评价,得到分别与各所述径向基函数对应的评价数据;
将评价数据最高的径向基函数确定为所述预设径向基函数。
4.如权利要求1所述的预测客流量的方法,其特征在于,在所述获取历史客流量序列之后,所述方法还包括:
判断所述历史客流量序列中是否存在异常历史客流量;
若存在所述异常历史客流量,基于所述异常历史客流量相邻的多个历史客流量,对所述异常历史客流量进行修正。
5.如权利要求1所述的预测客流量的方法,其特征在于,在所述基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列之后,所述方法还包括:
基于至少一种客流量影响因子对所述预测客流量序列进行修正处理,其中,所述客流量影响因子包括天气因子、经济因子或时间因子。
6.如权利要求1或5所述的预测客流量的方法,其特征在于,在所述基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列之后,所述方法还包括:
对所述预测客流量序列进行曲线趋势拟合处理。
7.一种预测客流量的装置,其特征在于,所述装置包括:
获取模块,用于获取历史客流量序列,所述历史客流量序列包括多个按时序排列的历史客流量;
预测模块,用于基于递归径向基循环神经网络模型,通过所述历史客流量序列,预测得到预测客流量序列,其中,所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。
8.如权利要求7所述的预测客流量的装置,其特征在于,所述装置还包括:
训练模块,用于获取训练样本,对所述递归径向基循环神经网络模型进行训练,确定输入层与所述隐藏状态层的连接权重矩阵U、连接经过所述预设径向基函数处理的隐藏状态层与输出层的连接权重矩阵V和连接所述隐藏状态层与所述隐藏状态层前一时刻的隐藏状态层的连接权重矩阵W。
9.如权利要求8所述的预测客流量的装置,其特征在于,所述递归径向基循环神经网络模型包括多个径向基函数,且所述递归径向基循环神经网络模型中的隐藏状态层分别经过多个所述径向基函数处理,所述训练模块还用于:
基于预设的评价标准分别对基于多个所述径向基函数预测得到的预测客流量序列进行评价,得到分别与各所述径向基函数对应的评价数据;
将评价数据最高的径向基函数确定为所述预设径向基函数。
10.如权利要求7所述的预测客流量的装置,其特征在于,所述装置还包括:
判断模块,用于判断所述历史客流量序列中是否存在异常历史客流量;
第一修正模块,用于若存在所述异常历史客流量,基于所述异常历史客流量相邻的多个历史客流量,对所述异常历史客流量进行修正。
11.如权利要求7所述的预测客流量的装置,其特征在于,所述装置还包括:
第二修正模块,用于基于至少一种所述客流量影响因子对所述预测客流量序列进行修正处理,其中,所述客流量影响因子包括天气因子、经济因子或时间因子。
12.如权利要求7或11所述的预测客流量的装置,其特征在于,所述装置还包括:
第三修正模块,用于对所述预测客流量序列进行曲线趋势拟合处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298432.8A CN110046764A (zh) | 2019-04-12 | 2019-04-12 | 预测客流量的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910298432.8A CN110046764A (zh) | 2019-04-12 | 2019-04-12 | 预测客流量的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046764A true CN110046764A (zh) | 2019-07-23 |
Family
ID=67277207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910298432.8A Pending CN110046764A (zh) | 2019-04-12 | 2019-04-12 | 预测客流量的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046764A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443657A (zh) * | 2019-08-19 | 2019-11-12 | 泰康保险集团股份有限公司 | 客户流量数据处理方法、装置、电子设备及可读介质 |
CN110570656A (zh) * | 2019-09-20 | 2019-12-13 | 深圳市综合交通运行指挥中心 | 定制公共交通线路方法及装置 |
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 |
CN111582919A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班客座率预测方法和系统 |
CN112039711A (zh) * | 2020-09-08 | 2020-12-04 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN113256865A (zh) * | 2020-11-06 | 2021-08-13 | 上海兴容信息技术有限公司 | 一种智能门禁的控制方法和系统 |
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110160927A1 (en) * | 2009-12-30 | 2011-06-30 | Wilson Kevin W | Method for Prediction for Nonlinear Seasonal Time Series |
CN104850653A (zh) * | 2015-06-03 | 2015-08-19 | 江苏马上游科技股份有限公司 | 一种基于流式数据挖掘的游客流量短时及趋势预测系统 |
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 |
CN108446759A (zh) * | 2018-02-11 | 2018-08-24 | 陕西师范大学 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
-
2019
- 2019-04-12 CN CN201910298432.8A patent/CN110046764A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110160927A1 (en) * | 2009-12-30 | 2011-06-30 | Wilson Kevin W | Method for Prediction for Nonlinear Seasonal Time Series |
CN104850653A (zh) * | 2015-06-03 | 2015-08-19 | 江苏马上游科技股份有限公司 | 一种基于流式数据挖掘的游客流量短时及趋势预测系统 |
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 |
CN108446759A (zh) * | 2018-02-11 | 2018-08-24 | 陕西师范大学 | 基于季节性长短期记忆网络模型的旅游客流量预测方法 |
Non-Patent Citations (4)
Title |
---|
乔俊飞 等: "基于ROLS算法的递归RBF神经网络结构设计", 《化工学报》 * |
赵洪 等: "理论术语抽取的深度学习模型及自训练算法研究", 《情报学报》 * |
郑清杰: "城市轨道交通新线接入客流预测及网络客流分布研究", 《中国优秀硕士学位论文全文数据库(工程科技II辑)》 * |
马钰锡 等: "面向智能监控的行为识别", 《中国图象图形学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443657A (zh) * | 2019-08-19 | 2019-11-12 | 泰康保险集团股份有限公司 | 客户流量数据处理方法、装置、电子设备及可读介质 |
CN110443657B (zh) * | 2019-08-19 | 2022-03-18 | 泰康保险集团股份有限公司 | 客户流量数据处理方法、装置、电子设备及可读介质 |
CN110570656A (zh) * | 2019-09-20 | 2019-12-13 | 深圳市综合交通运行指挥中心 | 定制公共交通线路方法及装置 |
CN110570656B (zh) * | 2019-09-20 | 2022-03-25 | 深圳市综合交通运行指挥中心 | 定制公共交通线路方法及装置 |
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 |
CN111582919A (zh) * | 2020-04-24 | 2020-08-25 | 海南太美航空股份有限公司 | 一种航班客座率预测方法和系统 |
CN111582919B (zh) * | 2020-04-24 | 2023-09-19 | 海南太美航空股份有限公司 | 一种航班客座率预测方法和系统 |
CN112039711A (zh) * | 2020-09-08 | 2020-12-04 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN112039711B (zh) * | 2020-09-08 | 2023-03-24 | 中国联合网络通信集团有限公司 | 流量预测方法及设备 |
CN113256865A (zh) * | 2020-11-06 | 2021-08-13 | 上海兴容信息技术有限公司 | 一种智能门禁的控制方法和系统 |
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046764A (zh) | 预测客流量的方法及装置 | |
Rafi et al. | A short-term load forecasting method using integrated CNN and LSTM network | |
Wang et al. | Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction | |
Aly | An intelligent hybrid model of neuro Wavelet, time series and Recurrent Kalman Filter for wind speed forecasting | |
Wu et al. | Prediction of solar radiation with genetic approach combing multi-model framework | |
Lin et al. | Electricity consumption prediction based on LSTM with attention mechanism | |
CN113283588B (zh) | 一种基于深度学习的近岸单点海浪浪高预报方法 | |
Kumaran et al. | Long-term sector-wise electrical energy forecasting using artificial neural network and biogeography-based optimization | |
Al-Matarneh et al. | Development of temperature-based weather forecasting models using neural networks and fuzzy logic | |
Adam et al. | Forecasting of peak electricity demand in Mauritius using the non-homogeneous Gompertz diffusion process | |
CN113659565B (zh) | 一种新能源电力系统频率态势的在线预测方法 | |
Semero et al. | An accurate very short-term electric load forecasting model with binary genetic algorithm based feature selection for microgrid applications | |
Rao et al. | Dropout and pruned neural networks for fault classification in photovoltaic arrays | |
Wasko et al. | Representing low‐frequency variability in continuous rainfall simulations: A hierarchical random B artlett L ewis continuous rainfall generation model | |
CN110059867A (zh) | 一种swlstm结合gpr的风速预测方法 | |
Whitsed et al. | A hybrid genetic algorithm with local optimiser improves calibration of a vegetation change cellular automata model | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
Köhnen et al. | The potential of deep learning to reduce complexity in energy system modeling | |
Assareh et al. | The integration of artificial neural networks and particle swarm optimization to forecast world green energy consumption | |
CN113469266B (zh) | 一种基于改进深度卷积神经网络的窃电行为检测方法 | |
CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及系统 | |
Goyal et al. | Precipitation simulation based on k-nearest neighbor approach using gamma kernel | |
Baran et al. | A two‐step machine‐learning approach to statistical post‐processing of weather forecasts for power generation | |
Li et al. | A Proposed Multi‐Objective, Multi‐Stage Stochastic Programming With Recourse Model for Reservoir Management and Operation | |
Ayodele et al. | Comparative assessment of wind speed predictive capability of first-and second-order Markov chain at different time horizons for wind power application |
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: 20190723 |
|
RJ01 | Rejection of invention patent application after publication |