虚拟桩制造技术

本发明专利技术公开了一种虚拟桩，取200组爬虫数据训练样本，进行双重BP神经网络组合预测模型的学习训练，该组合预测模型的输入个数为2，即回归神经网络和延时神经网络的预测输出，隐层数目根据测试取10，输出个数为1，即最终预测值，学习误差控制在0.00001以内；然后选取某一连续运行时段内的60组实际爬虫数据进行校核分析；本发明专利技术提供的虚拟桩，利用神经网络对爬虫数据进行预测，无需对数据的时间序列做平稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建立准确的数据预测模型。

Virtual pile

The invention discloses a virtual pile, 200 group data crawler training samples, the training model of double BP neural network combined, the combination forecasting model for a number of input 2, output prediction regression neural network and time delay neural network, hidden layer number according to the test in 10, the number of output for 1, the final prediction value, learning error control in less than 0.00001; and then select 60 groups of actual data of a crawler continuous operation period are checked and analyzed; the virtual pile provided by the invention, to predict the crawler data using neural network, time series of data without the stationarity assumption, only rely on the sample data the training for the mapping relationship between the data, so as to establish accurate data prediction model.

【技术实现步骤摘要】
虚拟桩
本专利技术属于共享单车领域，尤其是一种虚拟桩。
技术介绍
共享单车的大面积普及，给人们出行带来了极大地便利，也出现了单车乱停乱放影响交通秩序的现象，增加了政府部门的管理压力。究其原因，有以下两点：一，共享单车数量猛增，原有停车位容量扩充跟不上共享单车数量的增长；二，原有的单车所有者和使用者是统一的，用户对自有单车的使用相对规范。而随着共享单车的大面积普及，替代作用日益明显。单车拥有者和使用者分离，部分用户在使用单车时，并没有遵守交通规则，车辆乱停乱放，也增加管理压力。
技术实现思路
本专利技术为解决上述技术问题而采用的技术方案是提供一种虚拟桩，其中，具体技术方案为：数据预测流程：数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量数据；清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；双重BP神经网络组合预测模型：对清洗数据进行建模、预测；应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判断虚拟站点的位置；非线性组合模型预测模型：数学表达式为：y＝f(x1,x2,...,xi,...,xn)；Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是预测人流大的区域；xi：表示第i项预测模型的预测值；f(...)：表示神经网络非线性映射函数；双重BP神经网络组合预测模型：第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬虫数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输入；第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测精度。所述的虚拟桩，取200组爬虫数据训练样本，进行双重BP神经网络组合预测模型的学习训练，该组合预测模型的输入个数为2，即回归神经网络和延时神经网络的预测输出，隐层数目根据测试取10，输出个数为1，即最终预测值，学习误差控制在0.00001以内；然后选取某一连续运行时段内的60组实际爬虫数据进行校核分析，分别应用回归神经网络模型、延时神经网络模型和双重BP神经网络组合预测模型对该人流量的变化趋势进行预测，校核样本数据的预测趋势。本专利技术相对于现有技术具有如下有益效果：1)利用神经网络对爬虫数据进行预测，无需对数据的时间序列做平稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建立准确的数据预测模型。2)双重BP神经网络组合预测模型在提高预测精度的同时不需对模型结构作限制，可以综合回归和延时神经网络预测方法提供的时间序列信息和空间映射信息，从而获得最佳的预测效果。以爬虫数据为例进行了预测模型的应用，计算结果表明双重BP神经网络组合预测模型比单独应用回归和延时神经网络具有更高的预测精度。3)神经网络的拓扑结构对预测模型的精度有影响，适当增加输入历史数据样本，可以使网络得到更多的序列本身的信息，从而使神经网络的预测更加精确。进行数据预测时，训练样本数和检验样本数宜分别控制在100～200和100左右。附图说明图1为数据预测流程图。图2为非线性组合模型预测模型。图3为双重BP神经网络组合预测模型。图4为校核样本数示意图。具体实施方式图1：数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量数据；清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；双重BP神经网络组合预测模型：对清洗数据进行建模、预测；应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判断虚拟站点的位置；图2：数学表达式为：y＝f(x1,x2,...,xi,...,xn)；Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是预测人流大的区域；xi：表示第i项预测模型的预测值；f(...)：表示神经网络非线性映射函数；图3：第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬虫数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输入；第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测精度；取200组爬虫数据训练样本，进行双重BP神经网络组合预测模型的学习训练，该组合预测模型的输入个数为2，即回归神经网络和延时神经网络的预测输出，隐层数目根据测试取10，输出个数为1，即最终预测值，学习误差控制在0.00001以内。然后选取某一连续运行时段内的60组实际爬虫数据进行校核分析，分别应用回归神经网络模型、延时神经网络模型和双重BP神经网络组合预测模型对该人流量的变化趋势进行预测，校核样本数据的预测趋势如图4所示。从图中可知，除回归神经网络模型在19～22样本数据点处预测值和测量值的相对偏差较大外，延时神经网络模型、双重BP神经网络组合预测模型的预测结果和人群流量测量值的变化趋势大致相同，双重BP神经网络组合预测模型的预测结果曲线和实际测量值曲线吻合得很好。校核样本采用双重BP神经网络组合预测模型的计算平均相对误差为1.5％，而单独采用回归神经网络和延时神经网络的预测结果的平均相对误差分别为2.7％和1.9％。回归神经网络模型是从数据的时序性来预测数据的变化趋势，延时神经网络模型是从空间上根据相关运行参数的映射规律来预测数据，双重BP神经网络组合预测模型则综合了前2种模型各自的优点，充分利用了各组合模型所包含的信息，具有更高的预测精度。总结(1)利用神经网络对爬虫数据进行预测，无需对数据的时间序列做平稳性假设，仅依靠样本数据的训练来寻求数据之间的映射关系，从而建立准确的数据预测模型。(2)双重BP神经网络组合预测模型在提高预测精度的同时不需对模型结构作限制，可以综合回归和延时神经网络预测方法提供的时间序列信息和空间映射信息，从而获得最佳的预测效果。以爬虫数据为例进行了预测模型的应用，计算结果表明双重BP神经网络组合预测模型比单独应用回归和延时神经网络具有更高的预测精度。(3)神经网络的拓扑结构对预测模型的精度有影响，适当增加输入历史数据样本，可以使网络得到更多的序列本身的信息，从而使神经网络的预测更加精确。进行数据预测时，训练样本数和检验样本数宜分别控制在100～200和100左右。虽然本专利技术已以较佳实施例揭示如上，然其并非用以限定本专利技术，任何本领域技术人员，在不脱离本专利技术的精神和范围内，当可作些许的修改和完善，因此本专利技术的保护范围当以权利要求书所界定的为准。本文档来自技高网...

【技术保护点】
一种虚拟桩，其特征在于：数据预测流程：数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量数据；清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；双重BP神经网络组合预测模型：对清洗数据进行建模、预测；应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判断虚拟站点的位置；非线性组合模型预测模型：数学表达式为：y＝f(x1,x2,...,xi,...,xn)；Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是预测人流大的区域；xi：表示第i项预测模型的预测值；f(...)：表示神经网络非线性映射函数；双重BP神经网络组合预测模型：第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬虫数据作为输入，延时神经网络模型则用与预测参数相关运行参数作为输入；第2重是神经网络组合器，将前两者的预测结果进行优化组合，从而充分利用测点数据的历史变化趋势和相关参数的映射规律信息，提高预测精度。

【技术特征摘要】
1.一种虚拟桩，其特征在于：数据预测流程：数据爬虫系统：爬取的是地跌站的人行流量数据和公交车的人行流量数据；清洗数据：对数据进行清洗、过滤、转化，提取出符合自己的数据；双重BP神经网络组合预测模型：对清洗数据进行建模、预测；应用程序：预测人流量大的地铁或公交车的站点，交给应用程序去判断虚拟站点的位置；非线性组合模型预测模型：数学表达式为：y＝f(x1,x2,...,xi,...,xn)；Y：表示神经网络组合器的输出，即组合预测模型的预测值，也就是预测人流大的区域；xi：表示第i项预测模型的预测值；f(...)：表示神经网络非线性映射函数；双重BP神经网络组合预测模型：第1重由回归神经网络和延时神经网络组成，回归神经网络模型用爬虫数据作为...

【专利技术属性】
技术研发人员：刘纯阳，鲍士要，张国涛，
申请(专利权)人：上海享骑电动车服务有限公司，
类型：发明
国别省市：上海,31