CN110909857A - 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 - Google Patents
基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110909857A CN110909857A CN201911172671.5A CN201911172671A CN110909857A CN 110909857 A CN110909857 A CN 110909857A CN 201911172671 A CN201911172671 A CN 201911172671A CN 110909857 A CN110909857 A CN 110909857A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- neural network
- elman neural
- flow volume
- pso
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000005457 optimization Methods 0.000 title abstract description 4
- 230000006870 function Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009430 construction management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q50/16—Real estate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于PSO和Elman神经网络的客流量预测方法、装置及存储介质,通过获取前一天的五个时间段的案场客流量数据、当天的节假日情况、当天的天气适宜情况、月份作为一个样本数据,训练预测模型;并将前一天的五个时间段的客流量数据、当天的节假日情况、当天的天气适宜情况、月份输入训练好的预测模型,得到当天的客流量数据。本发明提供的一种基于PSO和Elman神经网络的客流量预测方法、装置及存储介质,能够根据历史数据对一天中案场客流量进行预测,使得管理者可以精准的判断同一时段来访客户的数量,对置业顾问最大化分配。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于PSO和Elman神经网络的客流量预测方法、装置及存储介质。
背景技术
当前房地产销售案场有各个案场的置业顾问进行客户的接待,同时还负责楼盘销售的宣传、掌握整个楼盘的规划设计和施工管理情况、市场调查、挖掘潜在的客户等等,置业顾问在案场对客户的讲解与是否成交的关系重大,置业顾问的数量都是由管理者按照经验来进行分配,管理者在人员数量的分配上往往不好把握,例如:昨天来看房的人很多,案场接待客户的置业顾问却不够,于是第二天增加置业顾问的数量,但第二天来看房的人数减少,导致过多的分配置业顾问,造成人员的浪费,因此管理者无法精准的判断同一时刻来访客户的数量。
发明内容
本发明提供了一种基于PSO和Elman神经网络的客流量预测方法、装置及存储介质,能够根据历史数据对一天中案场客流量进行预测,使得管理者可以精准的判断同一时段来访客户的数量,对置业顾问最大化分配。
本发明采用如下技术方案:
基于PSO和Elman神经网络的客流量预测方法,包括:
获取前一天的五个时间段的案场客流量数据、当天的节假日情况、当天的天气适宜情况、月份作为一个样本数据,其中,所述五个时间段的每个时间段的时长为两个小时,所述月份为统计的前一年数据中当月的客流量总数占比,定义节假日为1、非节假日为0、天气适宜为1、天气不适宜为0;
构建Elman神经网络模型,所述Elman神经网络模型包括输入层、承接层、隐含层和输出层;
获取Elman神经网络中权值、阈值,所述权值、阈值组成的一个D维向量,初始化该向量产生N个粒子,初始化粒子的位置和速度;
获取多个样本数据,根据多个样本数据计算Elman神经网络的均方误差,将计算公式作为适应度函数,用适应度函数计算粒子的个体最优值和全局最优值,根据粒子的个体最优值和全局最优值更新粒子的位置和速度;
当达到最大迭代次数和全局最优值满足最小适应值时,得到全局最优权值,将全局最优权值代入构建的Elman神经网络模型,得到训练好的预测模型;
将前一天的五个时间段的客流量数据、当天的节假日情况、当天的天气适宜情况、月份输入训练好的预测模型,得到当天的客流量数据。
进一步地,所述获取一天中五个时间段的案场客流量数据,包括:案场布置的摄像头定时对案场进行拍照;通过图像处理技术和人脸识别技术对拍摄的案场照片进行对比和识别,清洗出客流量数据;统计一天中五个时间段的每个时间段的客流量数据。
进一步地,所述节假日包括法定节假日及周末,非假日为工作日;所述天气适宜包括晴天、阴天,天气不适宜包括下雨、下雪、狂风。
进一步地,构建Elman神经网络模型的网络计算流程包括:初始化各层权值,将样本各个数据组成向量u输入输入层;计算隐含层的输入为:net(t+1)=∑iWi(t)vi(t),其中,i=1,2,3;计算隐含层的输出为:xn(t+1)=f(net(t+1)),其中,f为S型函数;计算承接层的输入,所述承接层的输入为上一个节点的输出,为:xc(t)=f(net(t-1));计算输出层的输入为:net(t+1)=∑W3(t+1)xn(t+1);计算输出层的输出为:y(t+1)=g(net(t+1))。
进一步地,所述隐含层的个数为输入层个数的两倍加一,所述承接层的个数等于隐含层的个数,所述输出层的个数为五个。
进一步地,所述获取Elman神经网络中权值、阈值,所述权值、阈值组成的一个D维向量,初始化该向量产生N个粒子,初始化粒子的位置和速度,包括:初始化粒子的位置为Xi=(xi1,xi2,……,xiD),i=1,2,……,N;初始化粒子的速度为Vi=(vi1,vi2,……,viD),i1,2,……,N。
进一步地,所述获取多个样本数据,根据多个样本数据计算Elman神经网络的均方误差,将计算公式作为适应度函数,用适应度函数计算粒子的个体最优值和全局最优值,根据粒子的个体最优值和全局最优值更新粒子的位置和速度,包括:获取p个样本数据,根据p个样本数据计算Elman神经网络的均方误差,计算公式为:
其中,p=1,2,……,N,yp为第p个样本的预测值,y′p为第p个样本的真实值;
粒子的个体最优值为:Pbest=(pi1,pi2,……,piD),i=1,2,……,N;全局最优值为:gbest=(pg1,pg2,……,pgD),g=1,2,……,N;
粒子的位置和速度:
其中,c1,c2为学习因子,c1=c2=2,r1,r2是[0,1]内的随机数。
一种装置,其特征在于,所述装置包括处理器、存储器及通讯总线;所述通信总线用于实现处理器和存储器之间的连接通信;所述处理器用于执行存储器中存储的一个或者多个程序,以实现上述所述的基于PSO和Elman神经网络的客流量预测方法的步骤。
一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述所述的基于PSO和Elman神经网络的客流量预测方法的步骤。
本发明的有益效果为:
本发明根据历史数据对一天中各个时段的客户量和其他影响因素进行预测,其中区分工作日和节假日,使得管理者可以精准的判断同一时段来访客户的数量,对置业顾问最大化分配,也可采取不同时间段的数量分配,达到人力资源的最大化利用和转化。
附图说明
图1为本发明实施例一的基于PSO和Elman神经网络的客流量预测方法的流程示意图。
图2为本发明实施例一的Elman神经网络的结构示意图。
图3为本发明实施例一的Elman神经网络的计算流程示意图。
图4为本发明实施例一的PSO粒子群算法的流程示意图。
图5为本发明实施例二的装置结构示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
实施例一
如图1所示,本发明提供了一种基于PSO和Elman神经网络的客流量预测方法,该方法包括如下步骤:
S1、获取前一天的五个时间段的案场客流量数据、当天的节假日情况(节假日1、非节假日0)、当天的天气适宜情况(天气适宜1、天气不适宜0)、月份(统计历史数据每个月的客流量总数占比)作为一个样本数据,其中,五个时间段的每个时间段的时长为两个小时(9:00~11:00、11:00~13:00、13:00~15:00、15:00~17:00、17:00~19:00),共八个数据。
节假日包括法定节假日及周末,非假日为工作日;天气适宜包括晴天、阴天,天气不适宜包括下雨、下雪、狂风。
S11、案场布置的摄像头定时对案场进行拍照;
S12、通过图像处理技术和人脸识别技术对拍摄的案场照片进行对比和识别,清洗出客流量数据;
S13、统计一天中五个时间段的每个时间段的客流量数据。
S2、构建Elman神经网络模型,Elman神经网络模型包括输入层、承接层、隐含层和输出层。隐含层的个数为输入层个数的两倍加一,承接层的个数等于隐含层的个数,输出层的个数为五个即是第二天各个时间段(9:00~11:00、11:00~13:00、13:00~15:00、15:00~17:00、17:00~19:00)的客流量。
如图2所示,在BP网络基础上增加了一个承接层,达到记忆目的,原算法采用梯度下降法优化,会出现训练速度慢容易陷入局部极小点很难达到全局最优,针对这个问题我们使用PSO优化网络参数,PSO算法通过粒子个体的简单行为,实现对问题的求解,通过不断的更新迭代找到全局最优,操作简单、收敛速度快。如图3所示,网络计算流程包括:
S21、初始化各层权值,将样本各个数据组成向量u输入输入层;
S23、计算隐含层的输出为:xn(t+1)=f(net(t+1)),其中,f为S型函数;
S24、计算承接层的输入,承接层的输入为上一个节点的输出,为:xc(t)=f(net(t-1));
S25、计算输出层的输入为:net(t+1)=∑W3(t+1)xn(t+1);
S26、计算输出层的输出为:y(t+1)=g(net(t+1))。
S3、获取Elman神经网络中权值、阈值,权值、阈值组成的一个D维向量,初始化该向量产生N个粒子,初始化粒子的位置和速度;初始化粒子的位置为Xi=(xi1,xi2,……,xiD),i=1,2,……,N;初始化粒子的速度为Vi=(vi1,vi2,……,viD),i=1,2,……,N。
S4、获取多个样本数据,根据多个样本数据计算Elman神经网络的均方误差,将计算公式作为适应度函数,用适应度函数计算粒子的个体最优值和全局最优值,如图4所示,根据粒子的个体最优值和全局最优值更新粒子的位置和速度。
例如,以2019.11.04~2019.11.10一周的数据作为训练和测试为例,前五天数据作为训练数据,后两天作为测试数据。
用11.04的数据和11.05的影响因素为输入样本,11.05的客流量为输出,得到五组训练样本。11.09和11.10作为测试数据。统计2018一年的每天案场来访量,得到的每个月来访总量占比作为月份数据。
S41、获取p个样本数据,根据p个样本数据计算Elman神经网络的均方误差,计算公式为:
其中,p=1,2,……,N,yp为第p个样本的预测值,y′p为第p个样本的真实值;
S42、计算粒子的个体最优值为:Pbest=(pi1,pi2,……,piD),i=1,2,……,N;
全局最优值为:gbest=(pg1,pg2,……,pgD),g=1,2,……,N;
粒子的位置和速度:
其中,c1,c2为学习因子,c1=c2=2,r1,r2是[0,1]内的随机数。
S5、当达到最大迭代次数和全局最优值满足最小适应值时,得到全局最优权值,将全局最优权值代入构建的Elman神经网络模型,得到训练好的预测模型。
S6、将前一天的五个时间段的客流量数据、当天的节假日情况、当天的天气适宜情况、月份输入训练好的预测模型,得到当天的客流量数据。
实施例二
本实施例在上述实施例一的基础上,提供一种装置,如图5所示,主要用于实现上述实施例一的基于PSO和Elman神经网络的客流量预测方法的步骤,该装置主要包括处理器21、存储器22及通信总线23;通信总线23用于实现处理器21和存储器22之间的连接通信;处理器21用于执行存储器22中存储的一个或者多个程序,以实现如上述实施例一的基于PSO和Elman神经网络的客流量预测方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
另,本实施例还提供一种存储介质,该存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现上述实施例一的基于PSO和Elman神经网络的客流量预测方法的步骤。具体请参见上述实施例一中的描述,在此不再赘述。
本发明的有益效果为:
本发明根据历史数据对一天中各个时段的客户量和其他影响因素进行预测,其中区分工作日和节假日,使得管理者可以精准的判断同一时段来访客户的数量,对置业顾问最大化分配,也可采取不同时间段的数量分配,达到人力资源的最大化利用和转化。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.基于PSO和Elman神经网络的客流量预测方法,其特征在于,包括:
获取前一天的五个时间段的案场客流量数据、当天的节假日情况、当天的天气适宜情况、月份作为一个样本数据,其中,所述五个时间段的每个时间段的时长为两个小时,所述月份为统计的前一年数据中当月的客流量总数占比,定义节假日为1、非节假日为0、天气适宜为1、天气不适宜为0;
构建Elman神经网络模型,所述Elman神经网络模型包括输入层、承接层、隐含层和输出层;
获取Elman神经网络中权值、阈值,所述权值、阈值组成的一个D维向量,初始化该向量产生N个粒子,初始化粒子的位置和速度;
获取多个样本数据,根据多个样本数据计算Elman神经网络的均方误差,将计算公式作为适应度函数,用适应度函数计算粒子的个体最优值和全局最优值,根据粒子的个体最优值和全局最优值更新粒子的位置和速度;
当达到最大迭代次数和全局最优值满足最小适应值时,得到全局最优权值,将全局最优权值代入构建的Elman神经网络模型,得到训练好的预测模型;
将前一天的五个时间段的客流量数据、当天的节假日情况、当天的天气适宜情况、月份输入训练好的预测模型,得到当天的客流量数据。
2.根据权利要求1所述的基于PSO和Elman神经网络的客流量预测方法,其特征在于,所述获取一天中五个时间段的案场客流量数据,包括:
案场布置的摄像头定时对案场进行拍照;
通过图像处理技术和人脸识别技术对拍摄的案场照片进行对比和识别,清洗出客流量数据;
统计一天中五个时间段的每个时间段的客流量数据。
3.根据权利要求1所述的基于PSO和Elman神经网络的客流量预测方法,其特征在于,所述节假日包括法定节假日及周末,非假日为工作日;所述天气适宜包括晴天、阴天,天气不适宜包括下雨、下雪、狂风。
5.根据权利要求4所述的基于PSO和Elman神经网络的客流量预测方法,其特征在于,所述隐含层的个数为输入层个数的两倍加一,所述承接层的个数等于隐含层的个数,所述输出层的个数为五个。
6.根据权利要求1所述的基于PSO和Elman神经网络的客流量预测方法,其特征在于,所述获取Elman神经网络中权值、阈值,所述权值、阈值组成的一个D维向量,初始化该向量产生N个粒子,初始化粒子的位置和速度,包括:
初始化粒子的位置为Xi=(xi1,xi2,……,xiD),i=1,2,……,N;
初始化粒子的速度为Vi=(vi1,vi2,……,viD),i=1,2,……,N。
7.根据权利要求1所述的基于PSO和Elman神经网络的客流量预测方法,其特征在于,所述获取多个样本数据,根据多个样本数据计算Elman神经网络的均方误差,将计算公式作为适应度函数,用适应度函数计算粒子的个体最优值和全局最优值,根据粒子的个体最优值和全局最优值更新粒子的位置和速度,包括:
获取p个样本数据,根据p个样本数据计算Elman神经网络的均方误差,计算公式为:
其中,p=1,2,……,N,yp为第p个样本的预测值,y′p为第p个样本的真实值;
粒子的个体最优值为:Pbest=(pi1,pi2,……,piD),i=1,2,……,N;
全局最优值为:gbest=(pg1,pg2,……,pgD),g=1,2,……,N;
粒子的位置和速度:
其中,c1,c2为学习因子,c1=c2=2,r1,r2是[0,1]内的随机数。
8.一种装置,其特征在于,所述装置包括处理器、存储器及通讯总线;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行存储器中存储的一个或者多个程序,以实现权利要求1至7中任一项权利要求所述的基于PSO和Elman神经网络的客流量预测方法的步骤。
9.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-7中任一项权利要求所述的基于PSO和Elman神经网络的客流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172671.5A CN110909857A (zh) | 2019-11-26 | 2019-11-26 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172671.5A CN110909857A (zh) | 2019-11-26 | 2019-11-26 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909857A true CN110909857A (zh) | 2020-03-24 |
Family
ID=69819600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911172671.5A Pending CN110909857A (zh) | 2019-11-26 | 2019-11-26 | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909857A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822723A (zh) * | 2021-09-29 | 2021-12-21 | 平安银行股份有限公司 | 基于大数据的网点客流量分析方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022549A (zh) * | 2016-07-28 | 2016-10-12 | 兰州理工大学 | 基于神经网络和思维演化搜索的短期负荷预测方法 |
CN106934476A (zh) * | 2015-12-29 | 2017-07-07 | 山东环球软件科技有限公司 | 一种应用于医疗卫生区域就医时间优化的方法 |
CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
CN107368926A (zh) * | 2017-07-28 | 2017-11-21 | 中南大学 | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
CN110458351A (zh) * | 2019-08-06 | 2019-11-15 | 重庆仙桃前沿消费行为大数据有限公司 | 基于人流量的区域管理方法、装置、设备及可读存储介质 |
-
2019
- 2019-11-26 CN CN201911172671.5A patent/CN110909857A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934476A (zh) * | 2015-12-29 | 2017-07-07 | 山东环球软件科技有限公司 | 一种应用于医疗卫生区域就医时间优化的方法 |
CN106022549A (zh) * | 2016-07-28 | 2016-10-12 | 兰州理工大学 | 基于神经网络和思维演化搜索的短期负荷预测方法 |
CN106960250A (zh) * | 2017-03-03 | 2017-07-18 | 陕西师范大学 | 一种动态预测旅游景点客流的方法 |
CN107368926A (zh) * | 2017-07-28 | 2017-11-21 | 中南大学 | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
CN110458351A (zh) * | 2019-08-06 | 2019-11-15 | 重庆仙桃前沿消费行为大数据有限公司 | 基于人流量的区域管理方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
郑立凡: "基于动态权重融合模型的线下商家客流量预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》 * |
顾兆军 等: "基于PSO⁃Elman模型的网络流量预测", 《现代电子技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822723A (zh) * | 2021-09-29 | 2021-12-21 | 平安银行股份有限公司 | 基于大数据的网点客流量分析方法、装置、设备及介质 |
CN113822723B (zh) * | 2021-09-29 | 2024-02-09 | 平安银行股份有限公司 | 基于大数据的网点客流量分析方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Prediction for tourism flow based on LSTM neural network | |
Nie et al. | Network traffic prediction based on deep belief network in wireless mesh backbone networks | |
Kim et al. | A deep learning approach to flight delay prediction | |
CN108205889B (zh) | 基于卷积神经网络的高速公路交通流预测方法 | |
Chen et al. | Evolutionary artificial neural networks for hydrological systems forecasting | |
CN110555990B (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
Flores et al. | Evolutive design of ARMA and ANN models for time series forecasting | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
CN110389820A (zh) | 一种基于v-TGRU模型进行资源预测的私有云任务调度方法 | |
CN110390345A (zh) | 一种基于云平台的大数据集群自适应资源调度方法 | |
CN108288115A (zh) | 一种物流企业日常短期快递业务量预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN108170531B (zh) | 一种基于深度信念网络的云数据中心请求流调度方法 | |
Konjaang et al. | Meta-heuristic approaches for effective scheduling in infrastructure as a service cloud: A systematic review | |
WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
Capizzi et al. | An advanced neural network based solution to enforce dispatch continuity in smart grids | |
Nawrocki et al. | Data-driven adaptive prediction of cloud resource usage | |
CN110909857A (zh) | 基于PSO和Elman神经网络的客流量预测方法、装置及存储介质 | |
Li et al. | Domain knowledge embedding regularization neural networks for workload prediction and analysis in cloud computing | |
CN115249081A (zh) | 一种对象类型的预测方法、装置、计算机设备和存储介质 | |
Li et al. | Short-term Power Load Forecasting Based on Gate Recurrent Unit Network and Cloud Computing Platform | |
CN115333957B (zh) | 基于用户行为和企业业务特征的业务流量预测方法及系统 | |
Chau | Rainfall-runoff correlation with particle swarm optimization algorithm | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |