旅游交通短时客流大数据预测方法技术

本发明专利技术公开了一种旅游交通短时客流大数据预测方法，包括以下步骤：(1)先建立小波神经网络预测模型，包括输入层、隐层及输出层；(2)对各网络权值进行初始化，并计算出各隐节点的函数输出值；(3)对数据样本进行分类；(4)计算小波神经网络预测输出值，并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析，计算出网络预测误差；(5)对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正，达到预测期望；(6)进行参数迭代，当网络预测误差达到一个指定较小值或达到指定迭代次数时，结束迭代，得到预测结果。本发明专利技术具有能对旅游交通短时客流进行准确预测的优点。

Large data prediction method for short time passenger flow in tourist traffic

The invention discloses a prediction method for traffic flow short-time travel data, which comprises the following steps: (1) to establish the wavelet neural network forecasting model, including input layer, hidden layer and output layer; (2) to initialize the network weights, and calculate the number of hidden nodes and the function output value; (3) to classify the data sample; (4) the predicted output value calculation of wavelet neural network, and the predicted output values were compared with the expected output value of wavelet neural network wavelet neural network, calculate the network prediction error; (5) to predict the parameters of network weights and wavelet function in the model of wavelet neural network correction to predict expectations; (6) the parameters of iterative prediction error when the network reaches a specified value or less reaches a specified number of iterations, the end of the iteration, the prediction results obtained. The present invention has the advantage of accurate prediction of short time passenger flow in tourist traffic.

【技术实现步骤摘要】
旅游交通短时客流大数据预测方法
本专利技术涉及旅游交通数据分析方法，具体涉及一种旅游交通短时客流大数据预测方法。
技术介绍
目前，国内对旅游交通短时客流预测多以宏观客流预测为主，而宏观客流预测主要根据地区人口、经济等历史数据，预测未来年客流规模。由于景区客流具有随时间变化迅速、波动较大，且具有规律性等特点，宏观客流预测对景区短时客流预测时存在波动性较大、预测不准确等问题。因而亟需一种能对旅游交通短时客流进行准确预测且波动性小的微观预测方法。
技术实现思路
专利技术目的：针对以上问题，本专利技术提出一种旅游交通短时客流大数据预测方法，能对旅游交通短时客流进行准确预测且波动性小。技术方案：本专利技术所述的一种旅游交通短时客流大数据预测方法，包括以下步骤：(1)根据小波神经网络建立小波神经网络预测模型，小波神经网络预测模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层，所述输入层由若干输入节点组成，每个输入节点用于接受和处理训练样本集中的输入变量；所述隐层由若干隐节点组成，用于非线性样本的线性转换，所述隐层节点采用小波函数作为传递函数；所述输出层由若干输出节点组成，每个输出节点用于输出变量预测结果；(2)对小波神经网络预测模型中的各网络权值进行初始化，并根据小波函数计算出隐层各隐节点的函数输出值；(3)对数据样本进行分类，将数据样本分为两部分，一部分为训练样本，用于训练小波神经网络，另一部分为测试样本，用于测试小波神经网络预测精度；(4)根据小波神经网络预测模型中的各网络权值和隐层中各隐节点的函数输出值，计算出小波神经网络预测输出值，并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析，计算出网络预测误差；(5)根据步骤(4)得到的网络预测误差，对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正，达到预测期望；(6)进行参数迭代，当网络预测误差达到一个指定较小值或达到指定迭代次数时，结束迭代，得到并输出预测结果。进一步地，在步骤(6)完成后，通过计算网络预测误差的相对误差及方差对小波神经网络预测模型的精度进行校验。有益效果：利用本专利技术提出的方法能对旅游交通短时客流进行准确预测且波动性小，避免景区由于客流量激增而造成的安全隐患，从而保障游客出行安全。附图说明图1是本专利技术所述的小波神经网络预测模型的结构示意图。图2为根据本专利技术的实施例得到的上海科技馆的短时客流预测结果图。具体实施方式下面结合附图对本专利技术的技术方案作进一步说明。如图1所示，所述的旅游交通短时客流大数据预测方法，包括以下步骤：(1)先根据小波神经网络建立小波神经网络预测模型，小波神经网络预测预测模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层，输入层由若干输入节点组成，每个输入节点用于接受和处理训练样本集中的输入变量；隐层由若干隐节点组成，用于非线性样本的线性转换，隐层节点采用小波函数作为传递函数；输出层由若干输出节点组成，每个输出节点用于输出变量预测结果。(2)对小波神经网络预测模型中的各网络权值进行初始化，并根据小波函数计算出隐层各隐节点的函数输出值；其中隐节点的输出函数为：式中，ωij为隐含层的网络权值，Xi为输入变量。(3)对数据样本进行分类，将数据样本分为两部分，一部分为训练样本，用于训练小波神经网络，另一部分为测试样本，用于测试小波神经网络预测精度。(4)根据小波神经网络预测模型中的各网络权值和隐层中各隐节点的函数输出值，计算出小波神经网络预测输出值，并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析，计算出网络预测误差。其中，小波神经网络预测输出函数为：式中，ωik为隐含层和输出层之间权值，Y(i)为第i个隐含层节点的输出，l为隐含层节点数，m为输出层节点数。网络预测误差输出函数为：式中，yn(k)为期望输出值，y(k)为预测输出值。(5)根据步骤(4)得到的网络预测误差，对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正，达到预测期望；其中，(6)进行参数迭代，当网络预测误差达到一个指定较小值或达到指定迭代次数时，结束迭代，得到并输出预测结果。(7)通过计算网络预测误差的相对误差及方差对小波神经网络预测模型的精度进行校验，其中，网络预测误差的相对误差公式为：网络预测误差的方差公式为：式中，|Yi-Yi'|表示实际值与预测值得绝对误差。下面以上海科技馆的短时客流数据为样本，是从2016年3月1日至3月31日，每天早上8点到下午5点，每隔一个小时记录一次的游客量数据，共记录一个月平日25天的客流，前23天作为训练样本，最后两天作为测试样本，建立预测模型，原始数据如表1所示。表1上海科技馆短时客流量(部分)日期/时间201603012016030220160303….201603318:00-9:001131671721639:00-10:0014014515014210:00-11:0011611612710311:00-12:0012414013412112:00-13:0012317313114213:00-14:0013815713914414:00-15:0015015116514815:00-16:0014217917916716:00-17:00181186191182模型构建包括网络训练与预测，网络训练数据，以连续m小时数据为输入，第m+1小时作为输出，以此建立输入矩阵和输出矩阵，经过试验，当m取3时可以获得较理想的预测结果，设训练次数为1000次，学习率0.1，训练样本如表2所示。表2时间序列训练样本通过对参数迭代，获得预测结果，见图2和表3，测试数据相对误差绝对值均不超过15％，预测方法可行。因此，可以将该方法运用到上海市所有景区的短时客流预测中。表3预测结果对比真实值预测值相对误差1111230.097138123-0.122148147-0.007141150-0.060136138-0.014126132-0.045137134-0.022163142-0.1481421600.1121331370.0291211220.008142138-0.029144147-0.020148145-0.021167146-0.144182168-0.083本文档来自技高网...

【技术保护点】
旅游交通短时客流大数据预测方法，其特征在于：包括以下步骤：(1)建立小波神经网络预测模型，包括输入层、隐层及输出层；(2)对各网络权值进行初始化，并根据小波函数计算出隐层各节点的函数输出值；(3)对数据样本进行分类；(4)计算小波神经网络预测输出值，并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析，计算出网络预测误差；(5)对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正，达到预测期望；(6)进行参数迭代，当网络预测误差达到一个指定较小值或达到指定迭代次数时，结束迭代，得到预测结果。

【技术特征摘要】
1.旅游交通短时客流大数据预测方法，其特征在于：包括以下步骤：(1)建立小波神经网络预测模型，包括输入层、隐层及输出层；(2)对各网络权值进行初始化，并根据小波函数计算出隐层各节点的函数输出值；(3)对数据样本进行分类；(4)计算小波神经网络预测输出值，并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析，计算出网络预测误差；(5)对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正，达到预测期望；(6)进行参数迭代，当网络预测误差达到一个指定较小值或达到指定迭代次数时，结束迭代，得到预测结果。2.根据权利要求1所述的旅游交通短时客流大数据预测方法，其特征在于：所述步骤(1)中模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层，所述输入层由若干输入节点组成，每个输入节点用于接受和处理训练样本集中的输入变量；所述隐层由若干隐...

【专利技术属性】
技术研发人员：张永，项译，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32