-
公开(公告)号：CN116050673B
公开(公告)日：2023-08-01
申请号：CN202310333060.4
申请日：2023-03-31
IPC分类号： G06Q10/04 , G06Q10/067 , G06Q50/26 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/08
摘要： 本发明提出基于CNN‑BiLSTM的城市公交客流短时预测方法，属于客流预测技术领域。包括：S1.分析影响公交客流出行的原因，构建影响公交客流出行的内部特征和外部特征；S2.根据影响公交客流出行的内部特征和外部特征构建客流特征矩阵；S3.对特征矩阵的排列结构进行耦合寻优，量化客流特征矩阵的内部特征和外部特征的耦合关系，选择最优排列结构的客流特征矩阵；S4.构建CNN‑BiLSTM公交客流预测模型；S5.将目标公交线路客流特征矩阵输入至训练后的CNN‑BiLSTM公交客流预测模型，输出目标公交线路的客流量；解决缺乏充分考虑公交客流的时空关联性、影响因素分析不够全面和特征矩阵排列方式并非最优的问题。
-
公开(公告)号：CN116050673A
公开(公告)日：2023-05-02
申请号：CN202310333060.4
申请日：2023-03-31
IPC分类号： G06Q10/04 , G06Q10/067 , G06Q50/26 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06N3/08
摘要： 本发明提出基于CNN‑BiLSTM的城市公交客流短时预测方法，属于客流预测技术领域。包括：S1.分析影响公交客流出行的原因，构建影响公交客流出行的内部特征和外部特征；S2.根据影响公交客流出行的内部特征和外部特征构建客流特征矩阵；S3.对特征矩阵的排列结构进行耦合寻优，量化客流特征矩阵的内部特征和外部特征的耦合关系，选择最优排列结构的客流特征矩阵；S4.构建CNN‑BiLSTM公交客流预测模型；S5.将目标公交线路客流特征矩阵输入至训练后的CNN‑BiLSTM公交客流预测模型，输出目标公交线路的客流量；解决缺乏充分考虑公交客流的时空关联性、影响因素分析不够全面和特征矩阵排列方式并非最优的问题。
-
公开(公告)号：CN114241779A
公开(公告)日：2022-03-25
申请号：CN202210170381.2
申请日：2022-02-24
摘要： 本发明提出一种城市快速路交通流短时预测方法、计算机及存储介质，属于交通流短时预测技术领域。首先，构建历史交通流量数据库；其次，对目标路段历史交通流数据进行分析与选择，构建数据库；筛选与目标路段交通流相关性符合预设标准的历史交通流数据，组建为互信息量数据库；再次，利用CEEMDAN模型对互信息量数据库进行分解，并对分量进行筛选，重新组成新的时间序列分量；再次，利用BP‑Adaboost模型对时间序列分量进行训练预测；最后，将各个维度的分量预测后的预测值及余波进行累加求和，最终得到短时交通流预测结果。解决了预测模型抗干扰能力较差、预测精度低的技术问题，提高交通流量不稳定状态时的预测精度。
-
公开(公告)号：CN114241779B
公开(公告)日：2022-07-29
申请号：CN202210170381.2
申请日：2022-02-24
摘要： 本发明提出一种城市快速路交通流短时预测方法、计算机及存储介质，属于交通流短时预测技术领域。首先，构建历史交通流量数据库；其次，对目标路段历史交通流数据进行分析与选择，构建数据库；筛选与目标路段交通流相关性符合预设标准的历史交通流数据，组建为互信息量数据库；再次，利用CEEMDAN模型对互信息量数据库进行分解，并对分量进行筛选，重新组成新的时间序列分量；再次，利用BP‑Adaboost模型对时间序列分量进行训练预测；最后，将各个维度的分量预测后的预测值及余波进行累加求和，最终得到短时交通流预测结果。解决了预测模型抗干扰能力较差、预测精度低的技术问题，提高交通流量不稳定状态时的预测精度。
-
-
-
搜索结果
4 条记录 (耗时 0.054 秒)
