[發明專利]旅游交通短時客流大數據預測方法

在審

• 申請號: 201710933365.3
• 申請日: 2017-10-10
• 公開（公告）號: CN107748927A
• 公開（公告）日: 2018-03-02
• 發明（設計）人: 張永;項譯
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/02
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 柏尚春

技術領域

本發明涉及旅游交通數據分析方法，具體涉及一種旅游交通短時客流大數據預測方法。

背景技術

目前，國內對旅游交通短時客流預測多以宏觀客流預測為主，而宏觀客流預測主要根據地區人口、經濟等歷史數據，預測未來年客流規模。由于景區客流具有隨時間變化迅速、波動較大，且具有規律性等特點，宏觀客流預測對景區短時客流預測時存在波動性較大、預測不準確等問題。因而亟需一種能對旅游交通短時客流進行準確預測且波動性小的微觀預測方法。

發明內容

發明目的：針對以上問題，本發明提出一種旅游交通短時客流大數據預測方法，能對旅游交通短時客流進行準確預測且波動性小。

技術方案：本發明所述的一種旅游交通短時客流大數據預測方法，包括以下步驟：

(1)根據小波神經網絡建立小波神經網絡預測模型，小波神經網絡預測

模型包括位于底層的輸入層、位于中間層的隱層、以及位于頂層的輸出層，所述輸入層由若干輸入節點組成，每個輸入節點用于接受和處理訓練樣本集中的輸入變量；所述隱層由若干隱節點組成，用于非線性樣本的線性轉換，所述隱層節點采用小波函數作為傳遞函數；所述輸出層由若干輸出節點組成，每個輸出節點用于輸出變量預測結果；

(2)對小波神經網絡預測模型中的各網絡權值進行初始化，并根據小波函數計算出隱層各隱節點的函數輸出值；

(3)對數據樣本進行分類，將數據樣本分為兩部分，一部分為訓練樣本，用于訓練小波神經網絡，另一部分為測試樣本，用于測試小波神經網絡預測精度；

(4)根據小波神經網絡預測模型中的各網絡權值和隱層中各隱節點的函數輸出值，計算出小波神經網絡預測輸出值，并將小波神經網絡預測輸出值與小波神經網絡期望輸出值進行對比分析，計算出網絡預測誤差；

(5)根據步驟(4)得到的網絡預測誤差，對小波神經網絡預測模型中的各網絡權值和小波函數的各參數進行修正，達到預測期望；

(6)進行參數迭代，當網絡預測誤差達到一個指定較小值或達到指定迭代次數時，結束迭代，得到并輸出預測結果。

進一步地，在步驟(6)完成后，通過計算網絡預測誤差的相對誤差及方差對小波神經網絡預測模型的精度進行校驗。

有益效果：利用本發明提出的方法能對旅游交通短時客流進行準確預測且波動性小，避免景區由于客流量激增而造成的安全隱患，從而保障游客出行安全。

附圖說明

圖1是本發明所述的小波神經網絡預測模型的結構示意圖。

圖2為根據本發明的實施例得到的上海科技館的短時客流預測結果圖。

具體實施方式

下面結合附圖對本發明的技術方案作進一步說明。

如圖1所示，所述的旅游交通短時客流大數據預測方法，包括以下步驟：

(1)先根據小波神經網絡建立小波神經網絡預測模型，小波神經網絡預測

預測模型包括位于底層的輸入層、位于中間層的隱層、以及位于頂層的輸出層，輸入層由若干輸入節點組成，每個輸入節點用于接受和處理訓練樣本集中的輸入變量；隱層由若干隱節點組成，用于非線性樣本的線性轉換，隱層節點采用小波函數作為傳遞函數；輸出層由若干輸出節點組成，每個輸出節點用于輸出變量預測結果。

(2)對小波神經網絡預測模型中的各網絡權值進行初始化，并根據小波函數計算出隱層各隱節點的函數輸出值；其中隱節點的輸出函數為：

式中，ω_ij為隱含層的網絡權值，X_i為輸入變量。

(3)對數據樣本進行分類，將數據樣本分為兩部分，一部分為訓練樣本，用于訓練小波神經網絡，另一部分為測試樣本，用于測試小波神經網絡預測精度。

(4)根據小波神經網絡預測模型中的各網絡權值和隱層中各隱節點的函數輸出值，計算出小波神經網絡預測輸出值，并將小波神經網絡預測輸出值與小波神經網絡期望輸出值進行對比分析，計算出網絡預測誤差。

其中，小波神經網絡預測輸出函數為：

式中，ω_ik為隱含層和輸出層之間權值，Y(i)為第i個隱含層節點的輸出，l為隱含層節點數，m為輸出層節點數。

網絡預測誤差輸出函數為：

式中，yn(k)為期望輸出值，y(k)為預測輸出值。