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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。