CN107894970A - 航站楼出港人数的预测方法和*** - Google Patents
航站楼出港人数的预测方法和*** Download PDFInfo
- Publication number
- CN107894970A CN107894970A CN201711273214.6A CN201711273214A CN107894970A CN 107894970 A CN107894970 A CN 107894970A CN 201711273214 A CN201711273214 A CN 201711273214A CN 107894970 A CN107894970 A CN 107894970A
- Authority
- CN
- China
- Prior art keywords
- port
- leaves
- output
- traffic data
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000012417 linear regression Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 26
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
Abstract
本发明涉及数据分析领域,特别涉及一种航站楼出港人数的预测方法,包括:获取上一时段的交通数据x;根据交通数据x使用一元线性回归法预测上一时段的出港人数N01;对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02;获取上一时段的实际出港人数N0;根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。本发明还提出一种航站楼出港人数的预测***。本发明通过使用一元线性回归法和BP神经网络等不同方式的算法来进行航站楼出港人数的预测,并根据预测结果和实际值来自动选择与实际值误差较小的算法作为最优算法进行预测,大大提升预测的准确率。
Description
技术领域
本发明涉及数据分析领域,特别涉及一种航站楼出港人数的预测方法和***。
背景技术
随着民航需求的日益增长,机场数据的吞吐量呈上升趋势,而航班信息、旅客信息和机场信息等分别由各个部门负责,数据比较分散。
A-CDM(Airport-Collaborative Decision Making,机场协同决策)***以构建以提升地面运行效率为核心的机场保障管理体系为指导,以提高航空公司、机场、空管等部门之间信息及时有效共享为目标,通过优化资源利用和改善时间节点可预测性,保证各单位间信息畅通,进一步充分调动保障资源,提升资源利用效率和机场整体运行效率。A-CDM***能够对机场各个部门的数据进行融合,并通过平台将各类信息展示出来。
当前机场利用可视化方式,把各个单位包括空管、机场、航空公司和驻场单位所拥有的数据信息进行融合,并将数据以图表的方式展示出来。但这些展示的数据都是原始数据,并没有对这些数据进行计算分析。以航站楼出港人数预测为例,***只能够获得的高速公路收费处车辆通过数量和时间,却无法基于这些数据预测航站楼出港人数。
发明内容
本发明的实施方式旨在至少解决现有技术中存在的技术问题之一。为此,本发明的实施方式需要提供一种航站楼出港人数的预测方法和***。
本发明实施方式的航站楼出港人数的预测方法,包括:
步骤1,获取上一时段的交通数据x;
步骤2,根据交通数据x使用一元线性回归法预测上一时段的出港人数N01;
步骤3,对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02;
步骤4,获取上一时段的实际出港人数N0;
步骤5,根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。
一种实施方式中,步骤1包括:
获取上一时段的原始交通数据x0;
剔除x0中的离群值;
获得剔除x0中的离群值后的交通数据x。
一种实施方式中,步骤2包括:
将确定为回归模型,然后根据最小二乘法,计算获得最佳回归系数;再将最佳回归系数和交通数据x据代入回归模型,计算获得出港人数N01;其中a和b表示回归系数,表示所预测的值。
一种实施方式中,步骤3包括:
步骤31,预设包括输入层、隐含层和输出层的BP神经网络;
步骤32,将预设区间的随机值作为网络的权值和阈值进行网络初始化,并设定训练可接受精度ε和网络的最多学习次数;
步骤33,计算隐含层的输出和输出层的输出;
步骤34,根据隐含层的输出和输出层的输出计算每层的输出误差d;
步骤35,判断输出误差d是否小于可接受精度ε并且训练次数是否大于最大训练次数,若判断为否,则修正网络的权值和阈值返回步骤32重新计算,直至判断结果为输出误差d小于可接受精度ε并且训练次数大于最大训练次数;
步骤36,根据交通数据x,使用输出误差d小于可接受精度ε的BP神经网络获得出港人数N02。
一种实施方式中,步骤5包括:
计算N01和N0之间相减的绝对值a;
计算N02和N0之间相减的绝对值b;
若a<b,则使用一元线性回归法来预测当前时段的出港人数N1;否则,使用BP神经网络来预测当前时段的出港人数N1。
本发明实施方式还提出一种航站楼出港人数的预测***,包括:
数据获取模块,用于获取上一时段的交通数据x;
线性回归预测模块,用于根据交通数据x使用一元线性回归法预测上一时段的出港人数N01;
神经网络预测模块,用于对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02;
数据获取模块,还用于获取上一时段的实际出港人数N0;
预测选择模块,用于根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。
一种实施方式中,数据获取模块具体用于获取上一时段的原始交通数据x0,然后剔除x0中的离群值,获得剔除x0中的离群值后的交通数据x。
一种实施方式中,线性回归预测模块具体用于将y ̂=a+bx 确定为回归模型,然后根据最小二乘法,计算获得最佳回归系数;再将最佳回归系数和交通数据x据代入回归模型,计算获得出港人数N01;其中a和b表示回归系数,y ̂表示所预测的值。
一种实施方式中,神经网络预测模块具体用于预设包括输入层、隐含层和输出层的BP神经网络;
首先将预设区间的随机值作为网络的权值和阈值进行网络初始化,并设定训练可接受精度ε和网络的最多学习次数;
其次计算隐含层的输出和输出层的输出;再次根据隐含层的输出和输出层的输出计算每层的输出误差d;
然后判断输出误差d是否小于可接受精度ε并且训练次数是否大于最大训练次数,若判断为否,则修正网络的权值和阈值返回步骤32重新计算,直至判断结果为输出误差d小于可接受精度ε并且训练次数大于最大训练次数;
最终根据交通数据x,使用输出误差d小于可接受精度ε的BP神经网络获得出港人数N02。
一种实施方式中,预测选择模块具体用于计算N01和N0之间相减的绝对值a以及N02和N0之间相减的绝对值b;若a<b,则预测选择模块使用一元线性回归法来预测当前时段的出港人数N1;否则,预测选择模块使用BP神经网络来预测当前时段的出港人数N1。
本发明实施方式的航站楼出港人数的预测方法和***,通过使用一元线性回归法和BP神经网络等不同方式的算法来进行航站楼出港人数的预测,并根据预测结果和实际值来自动选择与实际值误差较小的算法作为最优算法进行预测,大大提升预测的准确率。
本发明的附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的实施方式的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是本发明实施方式的航站楼出港人数的预测方法的流程示意图;
图2是本发明实施方式的航站楼出港人数的预测***的组成示意图;
图3是本发明实施方式的航站楼出港人数的预测方法中使用BP神经网络预测的流程示意图。
具体实施方式
下面详细描述本发明的实施方式,实施方式的示例在附图中示出,其中相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅可用于解释本发明的实施方式,而不能理解为对本发明的实施方式的限制。
请参阅图1,图1是本发明实施方式的航站楼出港人数的预测方法的流程示意图。在该实施方式中,以航站楼出港人数的预测***作为步骤的执行对象为例。
本发明实施方式的航站楼出港人数的预测方法,包括:
步骤1,获取上一时段的交通数据x;
步骤2,根据交通数据x使用一元线性回归法预测上一时段的出港人数N01;
步骤3,对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02;
步骤4,获取上一时段的实际出港人数N0;
步骤5,根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。
请参阅图2,本发明实施方式还提供一种航站楼出港人数的预测***,包括数据获取模块、线性回归预测模块、神经网络预测模块和预测选择模块。
数据获取模块,用于获取上一时段的交通数据x;
线性回归预测模块,用于根据交通数据x使用一元线性回归法预测上一时段的出港人数N01;
神经网络预测模块,用于对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02;
数据获取模块,还用于获取上一时段的实际出港人数N0;
预测选择模块,用于根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。
本发明实施方式的航站楼出港人数的预测方法可以由航站楼出港人数的预测***中的数据获取模块、线性回归预测模块、神经网络预测模块和预测选择模块来实现,并用于航站楼出港人数的预测***。具体地,步骤1由数据获取模块实现,步骤2由线性回归预测模块实现,步骤3由神经网络预测模块实现,步骤4由数据获取模块实现,步骤5由预测选择模块实现。
步骤1中,数据获取模块获取上一时段的交通数据x,这里的交通数据包括高速公路收费处车辆通过数量和时间,在本实施方式中,用字母x来表示。
进一步地,步骤1包括:获取上一时段的原始交通数据x0;剔除x0中的离群值;获得剔除x0中的离群值后的交通数据x。即数据获取模块获取上一时段的原始交通数据x0,然后进行数据清洗,剔除原始交通数据x0中的离群值;剩下的交通数据更为有效,可以进一步保证后续预测的处理。
步骤2中,线性回归预测模块根据交通数据x使用一元线性回归法预测上一时段的出港人数N01。因为随着高速公路收费处车辆通过数量和时间的变化,旅客出港数据也会跟着变化,当交通数据为0时,可看似旅客吞吐量也为0,所以他们二者存在着线性关系,可以应用一元线性回归模型来进行预测。用N01表示上一时段的出港人数,则步骤2包括:线性回归预测模块将y ̂=a+bx 确定为回归模型,然后根据最小二乘法,计算获得最佳回归系数;再将最佳回归系数和交通数据x据代入回归模型,计算获得出港人数N01;其中a和b表示回归系数,y ̂表示所预测的值。
线性回归预测模块使用一元线性回归法预测上一时段的出港人数N01的过程如下:
用一条直线方程来近似表示,此直线为y对x的经验公式,y ̂=a+bx,其中a,b称为回归系数,y ̂表示所预测的值,并且此值与实际数据存在一定误差。
采用最小二乘法对方程的a和b进行估值,寻找最佳回归系数。可知采用ŷ=a+bx(i=1,2,3,…,n)所预测出来值与实际值存在一定的误差,此随机误差为。故采用最小二乘法计算为:
根据最小二乘法的规则,当随机误差平方和最小时即最小时能得到最佳回归系数a和b的值,而是a和b的二元函数,根据微积分的极值求法,对求偏导,得到:
通过整理后得a,b的线性方程组
设函数z=f(x,y)在点处具有偏导数且点处拥有极值,所以它在该点的偏导数必定为零。故得到a与b的估值为
其中,由此求得a,b的估值。
对求出的最佳回归系数a与b的估值代入原一次线性回归方程中即可把方程确定下来,即a与b的估值为与,得方程。代入实际的交通数据x即可计算出大致的出港人数。
步骤3中,神经网络预测模块对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02。神经网络是统计归纳然后再演绎仿真的人工智能理论,归一化的目的是把事件的统计分布概率统一归纳在0至1上。如果不归一化,则神经元输入值可能不合适(过大或过小),而一般来说,神经元的输出函数在0至1(-1至1)之间最为灵敏,为了提高训练的效率,在本实施方式中进行归一化。
神经网络预测模块对交通数据x进行归一化处理后,如图3所示,使用BP神经网络预测上一时段的出港人数N02的过程如下:
步骤31,神经网络预测模块预设包括输入层、隐含层和输出层的BP神经网络。神经网络预测模块将交通数据和出港人数分别记作X和Y,故拥有序列(X,Y)。由此序列确认神经网络的输入层、隐含层和输出层的节点数分别记作n,l,m。
步骤32,神经网络预测模块将预设区间的随机值作为网络的权值和阈值进行网络初始化,并设定训练可接受精度ε和网络的最多学习次数。本实施方式可以将(-1,1)作为预设区间,该预设区间的随机值作为网络的权值和阈值进行网络初始化。
步骤33,神经网络预测模块计算隐含层的输出和输出层的输出。对于第k层第i个神经元的输出有:
其中,表示第k层第i个神经元的输入,权值,。
步骤34,神经网络预测模块根据隐含层的输出和输出层的输出计算每层的输出误差d。各层的学习误差表示为,则输出误差计算如下:
对于输出层k=m有
对于其他层来说有
步骤35,神经网络预测模块判断输出误差d是否小于可接受精度ε并且训练次数是否大于最大训练次数,若判断为否,则修正网络的权值和阈值返回步骤32重新计算,直至判断结果为输出误差d小于可接受精度ε并且训练次数大于最大训练次数。
步骤36,神经网络预测模块根据交通数据x,使用输出误差d小于可接受精度ε的BP神经网络获得出港人数N02。
步骤4,数据获取模块获取上一时段的实际出港人数N0。数据获取模块得到实际出港人数N0,这样由步骤2中线性回归预测模块根据交通数据x使用一元线性回归法预测上一时段的出港人数N01、步骤3中神经网络预测模块使用BP神经网络预测上一时段的出港人数N02、以及步骤4获取上一时段的实际出港人数N0总共同一个时段的3种数据收集起,便于用于后续处理。
步骤5,预测选择模块根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。
具体地,以t为当前时段,t-1为上一时段。对上一时段t-1来说,线性回归预测模块曾经使用一元线性回归法进行预测得到预测值N01,神经网络预测模块曾经使用BP神经网络来预测得到预测值N02。当来到当前时段t时,上一时段已经有了实际值N0,则预测选择模块计算N01和N0之间相减的绝对值a以及N02和N0之间相减的绝对值b。
若a<b,则预测选择模块使用一元线性回归法来预测当前时段的出港人数N1。a的值比b的值要小,则可以认为在上一阶段使用一元线性回归法所得出的预测值与实际值误差较少则一元线性回归较为准确,故当前时段的预测值应采用一元线性回归算法预测。否则,预测选择模块使用BP神经网络来预测当前时段的出港人数N1。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种航站楼出港人数的预测方法,其特征在于,包括:
步骤1,获取上一时段的交通数据x;
步骤2,根据交通数据x使用一元线性回归法预测上一时段的出港人数N01;
步骤3,对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02;
步骤4,获取上一时段的实际出港人数N0;
步骤5,根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。
2.如权利要求1所述航站楼出港人数的预测方法,其特征在于,步骤1包括:获取上一时段的原始交通数据x0;
剔除x0中的离群值;
获得剔除x0中的离群值后的交通数据x。
3.如权利要求2所述航站楼出港人数的预测方法,其特征在于,步骤2包括:
将确定为回归模型,然后根据最小二乘法,计算获得最佳回归系数;再将最佳回归系数和交通数据x据代入回归模型,计算获得出港人数N01;其中a和b表示回归系数,表示所预测的值。
4.如权利要求2所述航站楼出港人数的预测方法,其特征在于,步骤3包括:
步骤31,预设包括输入层、隐含层和输出层的BP神经网络;
步骤32,将预设区间的随机值作为网络的权值和阈值进行网络初始化,并设定训练可接受精度ε和网络的最多学习次数;
步骤33,计算隐含层的输出和输出层的输出;
步骤34,根据隐含层的输出和输出层的输出计算每层的输出误差d;
步骤35,判断输出误差d是否小于可接受精度ε并且训练次数是否大于最大训练次数,若判断为否,则修正网络的权值和阈值返回步骤32重新计算,直至判断结果为输出误差d小于可接受精度ε并且训练次数大于最大训练次数;
步骤36,根据交通数据x,使用输出误差d小于可接受精度ε的BP神经网络获得出港人数N02。
5.如权利要求3或4所述航站楼出港人数的预测方法,其特征在于,步骤5包括:
计算N01和N0之间相减的绝对值a;
计算N02和N0之间相减的绝对值b;
若a<b,则使用一元线性回归法来预测当前时段的出港人数N1;否则,使用BP神经网络来预测当前时段的出港人数N1。
6.一种航站楼出港人数的预测***,其特征在于,包括:
数据获取模块,用于获取上一时段的交通数据x;
线性回归预测模块,用于根据交通数据x使用一元线性回归法预测上一时段的出港人数N01;
神经网络预测模块,用于对交通数据x进行归一化处理,使用BP神经网络预测上一时段的出港人数N02;
数据获取模块,还用于获取上一时段的实际出港人数N0;
预测选择模块,用于根据N01、N02和N0,判断使用一元线性回归法还是BP神经网络来预测当前时段的出港人数N1。
7.如权利要求6所述航站楼出港人数的预测***,其特征在于,数据获取模块具体用于获取上一时段的原始交通数据x0,然后剔除x0中的离群值,获得剔除x0中的离群值后的交通数据x。
8.如权利要求7所述航站楼出港人数的预测***,其特征在于,线性回归预测模块具体用于将y ̂=a+bx 确定为回归模型,然后根据最小二乘法,计算获得最佳回归系数;再将最佳回归系数和交通数据x据代入回归模型,计算获得出港人数N01;其中a和b表示回归系数,y ̂表示所预测的值。
9.如权利要求7所述航站楼出港人数的预测***,其特征在于,神经网络预测模块具体用于预设包括输入层、隐含层和输出层的BP神经网络;
首先将预设区间的随机值作为网络的权值和阈值进行网络初始化,并设定训练可接受精度ε和网络的最多学习次数;
其次计算隐含层的输出和输出层的输出;再次根据隐含层的输出和输出层的输出计算每层的输出误差d;
然后判断输出误差d是否小于可接受精度ε并且训练次数是否大于最大训练次数,若判断为否,则修正网络的权值和阈值返回步骤32重新计算,直至判断结果为输出误差d小于可接受精度ε并且训练次数大于最大训练次数;
最终根据交通数据x,使用输出误差d小于可接受精度ε的BP神经网络获得出港人数N02。
10.如权利要求8或9所述航站楼出港人数的预测***,其特征在于,预测选择模块具体用于计算N01和N0之间相减的绝对值a以及N02和N0之间相减的绝对值b;若a<b,则预测选择模块使用一元线性回归法来预测当前时段的出港人数N1;否则,预测选择模块使用BP神经网络来预测当前时段的出港人数N1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711273214.6A CN107894970A (zh) | 2017-12-06 | 2017-12-06 | 航站楼出港人数的预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711273214.6A CN107894970A (zh) | 2017-12-06 | 2017-12-06 | 航站楼出港人数的预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107894970A true CN107894970A (zh) | 2018-04-10 |
Family
ID=61807108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711273214.6A Pending CN107894970A (zh) | 2017-12-06 | 2017-12-06 | 航站楼出港人数的预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107894970A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919064A (zh) * | 2019-02-27 | 2019-06-21 | 湖南信达通信息技术有限公司 | 一种轨道交通车厢内实时人数统计方法和装置 |
CN115796404A (zh) * | 2022-11-10 | 2023-03-14 | 国网江苏省电力有限公司营销服务中心 | 一种面向代理购电用户的用电预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7668946B1 (en) * | 2001-08-31 | 2010-02-23 | Aol Advertising Inc. | Traffic estimation |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106355289A (zh) * | 2016-09-20 | 2017-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于位置服务的景区客流量预测方法 |
-
2017
- 2017-12-06 CN CN201711273214.6A patent/CN107894970A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7668946B1 (en) * | 2001-08-31 | 2010-02-23 | Aol Advertising Inc. | Traffic estimation |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
CN106355289A (zh) * | 2016-09-20 | 2017-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于位置服务的景区客流量预测方法 |
Non-Patent Citations (2)
Title |
---|
肖海波 等: "基于BP神经网络的机场旅客吞吐量预测", 《山西科技》 * |
黄邦菊 等: "基于多元线性回归分析的民用运输机场旅客吞吐量预测", 《数学的实践与认识》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919064A (zh) * | 2019-02-27 | 2019-06-21 | 湖南信达通信息技术有限公司 | 一种轨道交通车厢内实时人数统计方法和装置 |
CN115796404A (zh) * | 2022-11-10 | 2023-03-14 | 国网江苏省电力有限公司营销服务中心 | 一种面向代理购电用户的用电预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McKenney et al. | Distributed and adaptive traffic signal control within a realistic traffic simulation | |
CN106326585B (zh) | 基于贝叶斯网络推理的预测分析方法以及装置 | |
Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
CN107330464A (zh) | 数据处理方法和装置 | |
CN108122048A (zh) | 一种运输路径调度方法及其*** | |
CN108564136A (zh) | 一种基于模糊推理的空域运行态势评估分类方法 | |
CN109255469A (zh) | 融合栈式自编码器和支持向量回归的洪水预测方法 | |
CN109919532A (zh) | 一种物流节点确定方法及装置 | |
Cheng et al. | Analysis and forecasting of the day-to-day travel demand variations for large-scale transportation networks: a deep learning approach | |
CN109035777A (zh) | 交通运行态势分析方法及*** | |
CN108364490A (zh) | 城市公路交通***车辆运行调控方法 | |
Kumar et al. | Intelligent traffic controller | |
CN107894970A (zh) | 航站楼出港人数的预测方法和*** | |
CN110459050B (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
Rabbani et al. | Solving uncapacitated multiple allocation p-hub center problem by Dijkstra’s algorithm-based genetic algorithm and simulated annealing | |
Kavita et al. | A multi-criteria interval-valued intuitionistic fuzzy group decision making for supplier selection with TOPSIS method | |
CN108334079A (zh) | 无人驾驶汽车路况信息实时获取方法 | |
CN109784586A (zh) | 车险的出险情况的预测方法及*** | |
WO2009082042A1 (en) | Nonlinear time series prediction method for weighted average defuzzification based on newfm | |
Fan et al. | A bi-level metaheuristic approach to designing optimal bus transit route network | |
Ruta et al. | Diversified gradient boosting ensembles for prediction of the cost of forwarding contracts | |
Wang et al. | Dynamic traffic prediction based on traffic flow mining | |
Gupta et al. | Mixed solution strategy for MCGDM problems using entropy/cross entropy in interval-valued intuitionistic fuzzy environment | |
CN110135511A (zh) | 电力***时间断面的确定方法、装置以及电子设备 | |
Thomsen et al. | Urban Traffic Incident Detection for Organic Traffic Control: A Density-based Clustering Approach. |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180410 |
|
WD01 | Invention patent application deemed withdrawn after publication |