CN110322075A - 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 - Google Patents
一种基于混合优化rbf神经网络的景区客流量预测方法及系统 Download PDFInfo
- Publication number
- CN110322075A CN110322075A CN201910617478.1A CN201910617478A CN110322075A CN 110322075 A CN110322075 A CN 110322075A CN 201910617478 A CN201910617478 A CN 201910617478A CN 110322075 A CN110322075 A CN 110322075A
- Authority
- CN
- China
- Prior art keywords
- scenic spot
- passenger flow
- hybrid optimization
- rbf neural
- forecast method
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 230000001537 neural effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于混合优化RBF神经网络的景区客流量预测方法及系统,用于景区管理领域,其预测过程采用径向基神经网络和混合优化算法,步骤为:数据收集,数据预处理,建立模型,确定中心和方差,全局优化,局部优化,客流预测;其采用RBF神经网络比传统BP神经网络具有更强的泛化能力和更高的逼近精度,更适用于本领域,提高预测的时效性;混合优化是通过鱼群算法全局搜索能力和粒子群算法的局部收敛的优点,提高预测的准确率;本发明可更准确的预测未来几天某地各景区游客数量,为景区管理者决策提供帮助。
Description
技术领域
本发明涉及旅游管理系统,尤其涉及一种基于混合优化RBF神经网络的景区客流量预测方法及系统。
背景技术
近年来随着人们生活水平的提高,旅游行业的得到了蓬勃的发展。但是,随着旅游人数的增加,特别是旅游高峰期时,景点接待能力与涌入的游客量不匹配,导致国内景区在节假日期间管理难度加大,超出景区可控范围,影响游客的旅游体验,严重时可能危及游客的人身财产安全。因此,急需一种能够对景区未来旅游旺季客流量预测方法,景区管理者根据未来游客量和景区实际接待能力提前采取有效的防范措施,确保景区的服务质量和景区安全。目前主流预测模型是BP神经网络,是一种按照误差逆向传播算法训练的多层前馈神经网络,但是,随之大数据时代的来临,目前的景区客流量预测主要面临着两个问题。第一,由于历史数据不断的增加,模型训练时间也在不断增加,难以保证预测的时效性;第二,预测的准确率与特征和预测模型相关,由于特征和训练模型的导致准确率不理想。当前有许多关于景区客流量预测的方法,为景区管理者决策提供了一定的帮助,但是预测模型的时效性和准确率难不理想。
发明内容
本发明要解决的主要技术问题是,提供一种基于混合优化RBF神经网络的景区客流量预测方法及系统,可提高景区客流预测的准确率。
为解决上述技术问题,本发明提供一种基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,采用径向基神经网络和混合优化算法;包括以下步骤:
数据收集:收集景区历史的客流量和特征变量;
数据预处理:采用所述数据收集步骤所收集的数据集,对数据进行预处理;
建立模型:建立一个三层RBF径向基神经网络模型;
确定中心和方差:通过K-means算法确定中心和方差;
全局优化:通过人工鱼群算法确定全局最优域;
局部优化:通过粒子群算法确定局部最优解;
客流预测:收集的当前特征数据,然后通过上一步优化好的模型,预测当前的客流量。
混合优化RBF径向基神经网络,可有效的提高预测模型的准确率,并保证预测的时效性。首先,RBF径向基神经网络比BP神经网络具有更强的泛化能力和更高的逼近精度,提高预测的时效性;其次,混合优化是通过鱼群算法全局搜索能力和粒子群算法的局部收敛的优点,提高预测的准确率。
实施时,所述数据收集步骤中,特征变量主要包括:天气、节假日、季节、经济指数四个影响因素。
实施时,所述数据预处理步骤中,由于收集数据集中有离散型定性特征,首先通过高维映射对离散型定性特征进行量化,然后对输入数据进行归一化。
实施时,所述建立一个三层RBF径向基神经网络模型,具体为由输入层、隐藏层、输出层构成;输入层节点的个数由游客预测的影响因素个数决定,该层仅起到输入数据的作用,输入层与隐藏层之间的连接权重为1;隐藏层节点个数一般大于输入层,将低维非线性可分的输入映射到高维线性可分的空间,隐藏层节点的激活函数为高斯函数;输出层是隐藏层输出的线性加权和。
实施时,所述确定中心和方差步骤,具体为:通过K-means聚类算法确定RBF径向基神经网络的中心和方差。
实施时,所述全局优化步骤,具体为:通过鱼群算法的全局搜索能力,搜索到全局最优解域。
实施时,所述局部优化步骤,具体为:通过粒子群的局部寻优特性,在全局最优解域精确定位最优解。
实施时,所述人工鱼群算法的步骤如下:
初始化各人工鱼状态以及算法的各参数;
然后根据处理问题建立的目标函数,计算各人工鱼适度值,创建公告板;
通过目标函数计算人工鱼适度值,根据适度值的大小选择执行聚群行为或追尾行为;
选择最优的适度值对公告板进行更新;如果迭代次数或适度值满足最小误差,结束优化过程,否则继续迭代。
实施时,所述粒子群算法具体步骤如下:
初始化种群中各粒子的初始位置向量和速度向量,初始化粒子群算法的各相关参数;
计算各粒子的适度值,设定初始个体极值和群体极值,接着开始例子的迭代寻优操作,调整例子位置向量和速度向量;
根据目标函数重新计算种群的适度值;
对于每个粒子,需要进行两次比对更新;首先,将当前适度值与个体极值比较更新;其次,是将当前适度值与种群中最优的极值进行比较更新;
如果迭代次数或适度值满足最小误差,结束优化过程,否则继续迭代。
本发明还提供一种基于混合优化RBF神经网络的景区客流量预测系统,其采用如前所述的一种基于混合优化RBF神经网络的景区客流量预测方法。
本发明的有益效果是:一种基于混合优化RBF神经网络的景区客流量预测方法及系统,其采用径向基神经网络和混合优化算法,步骤为:数据收集,数据预处理,建立模型,确定中心和方差,全局优化,局部优化,客流预测;其采用RBF神经网络比传统BP神经网络具有更强的泛化能力和更高的逼近精度,更适用于本领域,提高预测的时效性;混合优化是通过鱼群算法全局搜索能力和粒子群算法的局部收敛的优点,提高预测的准确率;本发明可更准确的预测未来几天某地各景区游客数量,为景区管理者决策提供帮助。
附图说明
图1为本发明一种实施例的混合优化RBF神经网络的景区客流量预测流程图;
图2为本发明一种实施例的径向基神经网络结构图;
图3为本发明一种实施例的人工鱼群算法流程图;
图4为本发明一种实施例的粒子群算法流程图;
图5为本发明一种实施例的某地景区客流分析系统图;
图6为本发明一种实施例的某地景区客流预测图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。
本发明针对景区客流预测方法存在的问题,如何克服景区客流预测的准确率不高,时效性差,景区的服务质量和景区安全,是本发明的出发点。
参照图1所示一种基于混合优化RBF径向基神经网络的景区客流量预测方法一种实施例的流程图。其特征是以RBF神经网络为基础模型,采用混合优化算法,对预测模型进行训练。包括以下步骤:
a.数据收集:收集景区历史的客流量和特征变量;
b.数据预处理:采用景区收集的历史数据(步骤a的数据),对于离散型的特征,先通过高维映射量化离散型特征,然后在将数据进行归一化处理;
c.建立模型:建立一个三层RBF径向基神经网络模型;
d.确定中心和方差:通过K-means聚类算法确定RBF径向基神经网络的中心和方差;
e.全局优化:通过鱼群算法的全局搜索能力,搜索到全局最优解域;
f.局部优化:通过粒子群的局部寻优特性,在全局最优解域精确定位最优解。
g.客流预测:收集的当前特征数据,然后通过上一步优化好的模型,预测当前的客流量。
本发明的核心是采用RBF径向基神经网络和粒子群优化算法的结合。RBF径向基神经网络与BP神经网络相比,泛化能力更强,逼近精度也更高,同时由于RBF学习速率不固定,收敛速度更快,训练时间也更短。在优化过程中,首先,为了避免局部最优问题,通过鱼群算法的全局搜索能力,搜索到全局最优解域;然后,通过粒子群的局部寻优特性,在全局最优解域精确定位最优解。
实施时,所述的步骤a中,一种实施例中,其收集的特征变量数据主要包括:天气、节假日、季节、经济指数四个维度。
实施时具体的,天气主要是指气温和降雨对游客量的影响;节假日包括周末,宗教性假日,国家法定假日,不同的节假日对景区游客量的影响权重不一样;很多景区对季节的变化影响比较敏感,不同的季节,游客量也不同;经济指数指当地的消费水平,国民经济走势等因素。
实施时,所述的步骤b中,其在数据预处理过程中,由于收集数据集中有离散型定性特征,首先通过高维映射对离散型定性特征进行量化,然后对输入数据进行归一化,归一化公式如(1)所示,其中E(x)表示均值,Var(x)表示方差:
实施时,所述的步骤c中,其建立一个三层的径向基神经网络,由输入层,隐藏层,输出层构成。如图2所示一种实施例,输入层节点的个数由客流量预测的影响因素个数决定,该层仅起到输入数据的作用,输入层与隐藏层之间的连接权重为1;隐藏层节点个数一般大于输入层,将低维非线性可分的输入映射到高维线性可分的空间,隐藏层节点的激活函数对输入局部响应,激活函数为高斯函数,如公式2所示,其中ui和σ分别表示第i个节点的中心和方差,x表示第i个节点的输入值,当输入靠近基函数中央范围时,隐藏层节点将产生较大的输出,远离中心点时,输出将呈指数衰减;输出层是隐藏层输出的线性加权和,如公式3所示,其中wi表示输出节点与第i个隐藏层节点的连接权重,M表示隐藏层节点个数,y表示输出值。
实施时,所述步骤d中,通过K-means聚类算法确定RBF径向基神经网络的中心和方差,选择M个不同的向量作为初始聚簇中心,计算输入各样本与聚簇中心的欧式距离,设定阈值根据距离对样本进行归类,从而将全部样本划分为M个子集,每个子集构成一个以聚簇中心为代表的簇。对各簇中样本取均值,或者采用竞争学习规则调整聚簇中心,直到聚簇中心的调整小于阈值为止。
实施时,所述步骤e中,一种实施例中,其通过鱼群算法的全局搜索能力,搜索到全局最优解域,目标函数如公式(4)所示,其中,N表示样本个数,xi和yi分别表示第i各样本数据的影响因素和客流量。λ表示正则化因子,D为线性微分算子,Ψ神经网络的输出结果。
实施时,参照如图3所示一种实施例的流程图,人工鱼群算法的步骤如下:
(1)初始化各人工鱼状态以及算法的各参数。
(2)然后根据处理问题建立的目标函数,计算各人工鱼适度值,创建公告板。
(3)通过目标函数计算人工鱼适度值,根据适度值的大小选择执行聚群行为或追尾行为。
(4)选择最优的适度值对公告板进行更新;如果迭代次数或适度值满足最小误差,结束优化过程,否则继续迭代。
实施时,如图4所示一种实施例的流程图,所述步骤f中,通过粒子群的局部寻优特性,在全局最优解域精确定位最优解,粒子群算法具体步骤如下:
(1)初始化种群中各粒子的初始位置向量和速度向量,初始化粒子群算法的各相关参数。
(2)计算各粒子的适度值,设定初始个体极值和群体极值,接着开始例子的迭代寻优操作,调整例子位置向量和速度向量。
(3)根据目标函数重新计算种群的适度值。
(4)对于每个粒子,需要进行两次比对更新。首先,将当前适度值与个体极值比较更新;其次,是将当前适度值与种群中最优的极值进行比较更新。
(5)如果迭代次数或适度值满足最小误差,结束优化过程,否则继续迭代。
实施时,所述步骤g中:收集的当前特征数据,然后通过上一步优化好的模型,公式如5.2所示,通过该公式计算,预测当前的客流量。
本发明提高景区客流预测的准确率高,具有时效性,为景区管理者决策提供了极大帮助,保证了景区的服务质量和景区安全。
如图5和图6所示具体应用实例,在某地景区客流分析系统中成功的应用了该算法,具体步骤如下:
1、收集某地各景区历史的客流量和特征变量,特征变量主要包括,天气、节假日、季节、经济指数历史数据。
2、建立一个三层的径向基神经网络模型,先通过k-means算法确定隐藏层中心和方差,然后通过人工鱼群和粒子群算法优化模型。
3、将未来几天预测数据,输入优化好的模型中,预测未来几天某地各景区游客数量,为景区管理者决策提供帮助。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,采用径向基神经网络和混合优化算法;包括以下步骤:
数据收集:收集景区历史的客流量和特征变量;
数据预处理:采用所述数据收集步骤所收集的数据集,对数据进行预处理;
建立模型:建立一个三层RBF径向基神经网络模型;
确定中心和方差:通过K-means算法确定中心和方差;
全局优化:通过人工鱼群算法确定全局最优域;
局部优化:通过粒子群算法确定局部最优解;
客流预测:收集的当前特征数据,然后通过上一步优化好的模型,预测当前的客流量。
2.如权利1所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述数据收集步骤中,特征变量主要包括:天气、节假日、季节、经济指数四个影响因素。
3.如权利1所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述数据预处理步骤中,由于收集数据集中有离散型定性特征,首先通过高维映射对离散型定性特征进行量化,然后对输入数据进行归一化。
4.如权利1所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述建立一个三层RBF径向基神经网络模型,具体为由输入层、隐藏层、输出层构成;输入层节点的个数由游客预测的影响因素个数决定,该层仅起到输入数据的作用,输入层与隐藏层之间的连接权重为1;隐藏层节点个数一般大于输入层,将低维非线性可分的输入映射到高维线性可分的空间,隐藏层节点的激活函数为高斯函数;输出层是隐藏层输出的线性加权和。
5.如权利1所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述确定中心和方差步骤,具体为:通过K-means聚类算法确定RBF径向基神经网络的中心和方差。
6.如权利1所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述全局优化步骤,具体为:通过鱼群算法的全局搜索能力,搜索到全局最优解域。
7.如权利1所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述局部优化步骤,具体为:通过粒子群的局部寻优特性,在全局最优解域精确定位最优解。
8.如权利6所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述人工鱼群算法的步骤如下:
初始化各人工鱼状态以及算法的各参数;
然后根据处理问题建立的目标函数,计算各人工鱼适度值,创建公告板;
通过目标函数计算人工鱼适度值,根据适度值的大小选择执行聚群行为或追尾行为;
选择最优的适度值对公告板进行更新;如果迭代次数或适度值满足最小误差,结束优化过程,否则继续迭代。
9.如权利7所述的基于混合优化RBF神经网络的景区客流量预测方法,其特征在于,所述粒子群算法具体步骤如下:
初始化种群中各粒子的初始位置向量和速度向量,初始化粒子群算法的各相关参数;
计算各粒子的适度值,设定初始个体极值和群体极值,接着开始例子的迭代寻优操作,调整例子位置向量和速度向量;
根据目标函数重新计算种群的适度值;
对于每个粒子,需要进行两次比对更新;首先,将当前适度值与个体极值比较更新;其次,是将当前适度值与种群中最优的极值进行比较更新;
如果迭代次数或适度值满足最小误差,结束优化过程,否则继续迭代。
10.一种基于混合优化RBF神经网络的景区客流量预测系统,其采用如权利要求1至9任一项所述的一种基于混合优化RBF神经网络的景区客流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617478.1A CN110322075A (zh) | 2019-07-10 | 2019-07-10 | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910617478.1A CN110322075A (zh) | 2019-07-10 | 2019-07-10 | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322075A true CN110322075A (zh) | 2019-10-11 |
Family
ID=68123192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910617478.1A Pending CN110322075A (zh) | 2019-07-10 | 2019-07-10 | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322075A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178633A (zh) * | 2019-12-31 | 2020-05-19 | 上饶市中科院云计算中心大数据研究院 | 基于随机森林算法预测景区客流量的方法和装置 |
CN111191764A (zh) * | 2019-12-30 | 2020-05-22 | 内蒙古工业大学 | 基于spgapso-svm算法的公交客流量试验方法及系统 |
CN111597761A (zh) * | 2020-05-21 | 2020-08-28 | 中国人民解放军海军航空大学 | 基于适配区域划分的国际地磁参考场建模方法 |
CN111806443A (zh) * | 2020-05-22 | 2020-10-23 | 博雷顿科技有限公司 | 一种纯电动重卡无人驾驶能耗优化方法 |
CN114358667A (zh) * | 2022-03-21 | 2022-04-15 | 创意信息技术股份有限公司 | 一种基于rbf网络学习的景区风险预测模型构建方法 |
CN114463978A (zh) * | 2022-02-10 | 2022-05-10 | 深圳明弘电子科技有限公司 | 一种基于轨道交通信息处理终端的数据监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886396A (zh) * | 2014-04-10 | 2014-06-25 | 河海大学 | 一种人工鱼群与粒子群混合优化的确定方法 |
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 |
CN108133258A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 一种混合全局优化方法 |
CN109784579A (zh) * | 2019-01-30 | 2019-05-21 | 合肥工业大学 | 基于粒子群算法和bp网络的景区客流量的预测方法及系统 |
-
2019
- 2019-07-10 CN CN201910617478.1A patent/CN110322075A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886396A (zh) * | 2014-04-10 | 2014-06-25 | 河海大学 | 一种人工鱼群与粒子群混合优化的确定方法 |
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 |
CN108133258A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 一种混合全局优化方法 |
CN109784579A (zh) * | 2019-01-30 | 2019-05-21 | 合肥工业大学 | 基于粒子群算法和bp网络的景区客流量的预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
李晓俊等: "基于径向基神经网络的铁路短期客流预测", 《铁道运输与经济》 * |
罗德相等: "粒子群和人工鱼群混合优化算法", 《计算机与应用化学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191764A (zh) * | 2019-12-30 | 2020-05-22 | 内蒙古工业大学 | 基于spgapso-svm算法的公交客流量试验方法及系统 |
CN111178633A (zh) * | 2019-12-31 | 2020-05-19 | 上饶市中科院云计算中心大数据研究院 | 基于随机森林算法预测景区客流量的方法和装置 |
CN111597761A (zh) * | 2020-05-21 | 2020-08-28 | 中国人民解放军海军航空大学 | 基于适配区域划分的国际地磁参考场建模方法 |
CN111806443A (zh) * | 2020-05-22 | 2020-10-23 | 博雷顿科技有限公司 | 一种纯电动重卡无人驾驶能耗优化方法 |
CN114463978A (zh) * | 2022-02-10 | 2022-05-10 | 深圳明弘电子科技有限公司 | 一种基于轨道交通信息处理终端的数据监测方法 |
CN114463978B (zh) * | 2022-02-10 | 2024-03-29 | 深圳明弘电子科技有限公司 | 一种基于轨道交通信息处理终端的数据监测方法 |
CN114358667A (zh) * | 2022-03-21 | 2022-04-15 | 创意信息技术股份有限公司 | 一种基于rbf网络学习的景区风险预测模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322075A (zh) | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN108510741B (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN106251625B (zh) | 大数据环境下立体城市交通路网全局状态预测方法 | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN109243172A (zh) | 基于遗传算法优化lstm神经网络的交通流预测方法 | |
CN108986470A (zh) | 粒子群算法优化lstm神经网络的行程时间预测方法 | |
CN109359786A (zh) | 一种电力台区短期负荷预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
CN110414788A (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN110555989A (zh) | 一种基于Xgboost算法的交通量预测方法 | |
CN110348608A (zh) | 一种基于模糊聚类算法改进lstm的预测方法 | |
CN110245783A (zh) | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 | |
CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN110458337A (zh) | 一种基于c-gru的网约车供需预测方法 | |
CN109271427A (zh) | 一种基于近邻密度和流形距离的聚类方法 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN105913078A (zh) | 改进自适应仿射传播聚类的多模型软测量方法 |
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: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |