基于数据挖掘技术的旅游景点客流量预测

为了提高旅游景点客流量预测准确性,提出了基于数据挖掘的旅游景点客流量预测模型.首先采集旅游景点客流量历史数据,然后通过引入混沌算法构建了旅游景点客流量预测的学习样本,最后引入数据挖掘技术对旅游景点客流量预测进行建模,并引入粒子群算法对旅游景点客流量预测模型参数进行优化.与粒子群算法优化BP神经网络的、支持向量机的旅游景点客流量预测模型的仿真对比测试结果表明,本文模型可以更加准确描述旅游景点客流量变化特点,旅游景点客流量预测误差远小于对比模型,获得了理想的旅游景点客流量预测预测结果.     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型。它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性。文中研究成果对所有航管部门具有一定的指导意义。     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型.它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性.文中研究成果对所有航管部门具有一定的指导意义.     

组合模型在电梯客流量预测中的仿真研究

研究电梯客流量准确预测问题,以保证电梯运行安全.电梯客流量受到周末、上下班及假期影响,流量具有周期性、随机性和非线性变化特点.传统预测模型难以准确描述动态特点,导致电梯客流量的预测准确率低.为了提高电梯客流量的预测准确率,提出一种ARMA和RBF神经网络相结合的电梯客流量组合预测模型.组合模型首先利用ARIMA对电梯客流量线性变化部分进行预测,然后采用RBF神经网络对非线性部分进行预测,最后将两者结果相加,利用组合模型进行电梯客流量预测.仿真结果表明,组合模型用ARMA和RBF神经网络的优点,提高了电梯客流量的预测准确率,为电梯调度及优化控制提供了一种新的分析方法.     

电梯客流量预测算法的仿真研究

研究电梯客流量准确预测问题,电梯客流量受到节假日、上下班等影响,具有非线性、随性时等复杂特点,单一预测方法不能准确描述复杂变化规律,导致电梯客流量预测精度低.为了提高电梯客流量预测精度,提出一种灰色预测型和最小二乘支持向量机相结合的电梯客流量预测模型.首先分别采用灰色模型和最小二乘支持向量机对客流量线性和线性变化规律进行预测,然后采用线性回归确定两种预测结果的权重,最后根据权重得到电梯客流量预测结果.仿真结果表明,相对单一预测模型,模型克服了传统模型缺陷,提高了电梯客流量预测精度.     

灰色变异粒子群算法在公交客流量预测中的应用

由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。     

灰色预测方法在铁路春运客流预测中的应用

文章通过对车站客流数据的分析，认为火车站作为一个系统，是本征性灰色的，故选择使用灰色预测方法，对春运客流量做出预测，并根据实际预测结果对基本模型进行了优化：选择优化参数a,采用残差预测模型，新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明，预测结果是可信的。     

基于改进WNN的城市轨道交通客流量预测

针对城市轨道交通短时客流量预测问题,提出了一种基于自适应[t]分布变异的蝙蝠算法（ATM-BA）优化的小波神经网络（WNN）预测模型（ATM-BA-WNN）。在基本蝙蝠算法（BA）中引入带有线性递减控制因子的自适应[t]分布变异,使其具有变异机制,能够跳出早熟收敛。并将ATM-BA与WNN两者相互耦合,利用ATM-BA优化WNN的参数配置,进而提高WNN的预测精度。运用ATM-BA-WNN模型对郑州地铁1号线短时客流量进行预测,并与传统的WNN预测模型、BA优化的WNN（BA-WNN）预测模型以及支持向量机（SVM）预测模型进行比较。仿真结果表明,相较于其他3种模型,所建预测模型预测精度最高,拟合能力更强,误差最小,从而证明了该模型在短时客流量预测领域的可行性及优越性。     

改进粒子群优化BP神经网络的旅游客流量预测

旅游客流量受多种因素影响,传统的时间序列预测模型无法描述预测对象的规律,人工智能方法如BP神经网络,其结构的选择过多依赖经验,基于此提出了利用改进的粒子群算法优化BP神经网络,通过惯性因子的非线性递减来改善粒子群的寻优性能。将该预测模型应用于自贡灯会的客流量进行实际预测分析,通过对150组训练样本和50组测试样本的实验仿真,可知改进后的方法提高了预测结果的准确度,并且涉及参数少、简单有效。     

基于注意力机制和残差网络的地铁客流量预测方法研究

研究基于注意力机制和残差网络的地铁客流量预测方法,达到提高客流量预测精度的目标,为城市交通智能管理提供数据保证。在地铁客流量预测问题描述的基础上,构建基于注意力机制和残差网络的客流量预测模型,将历史客流量数据划分成近邻、日周期、周周期模式时间序列数据,将其与客流量外部影响因素数据作为模型输入,分别利用结合ResNet34残差模块和分割注意力机制模块的ST-SANet网络,以及LSTM网络捕捉其更深层次多尺度信息特征,利用全连接层完成各部分输出特征的融合拼接,经过激活函数处理后,输出地铁客流量预测结果。实验结果表明：该方法可实现地铁客流量预测,学习率参数为1×10^-4时,地铁客流量预测损失最低;预测周期设定为15 min时,预测曲线与实际客流曲线贴合度最高。     

面向短时地铁客流量预测的混合深度学习模型

城市交通客流量精准预测是智能交通系统的重要环节,是有效管控交通、规划最佳出行线路的关键。目前城市交通客流量短时预测研究主要集中在利用深度学习模型进行时空特征的提取,忽略了对模型优化的研究。针对短时地铁客流量预测存在的问题,提出一种混合深度学习模型ResGRU_Metro,将卷积神经网络、残差单元和门控循环单元相结合,捕获流量数据的时空特征。针对深度学习模型常用的损失函数难以对交通客流量峰值进行精准预测的问题,引入面向短时交通流量预测的加权平方误差,根据交通客流量的大小为预测误差赋予不同权重,并加大对交通客流量峰值处误差的惩罚,使神经网络在反向传播时更加关注峰值处的预测和误差,从而提升交通客流量峰值的预测精度。此外,通过耦合天气、空气质量等外部因子,改善模型的整体预测性能,增强模型的稳定性。实验结果表明,相比LR、PSVR、CNN等典型的预测模型,ResGRU_Metro模型有更高的预测精度,能够准确预测交通客流量的峰值。     

基于马尔科夫模型的就餐人数预测

准确预测就餐人数能够降低学校食堂的运行成本,提高学生对食堂的满意度. 根据校园一卡通的消费情况,提出一种基于马尔科夫模型的就餐人数预测研究方法. 首先,通过计算早餐就餐行为得到初始概率;其次,分别通过计算早、午餐和午、晚餐就餐行为得到早餐午餐概率转移矩阵和午餐晚餐概率转移矩阵;最后,根据初始概率和概率转移矩阵构建的模型预测三餐的就餐人数. 该方法的就餐人数预测的平均预测误差率为1.31%,具有良好的预测效果. 实验结果表明,该方法能够反映学生的就餐行为,从而可以为学校后勤部门提供一些参考意见,有助于学校的建设和管理也有助于满足学生的需要.     

考虑先验知识的ICA在轨道交通客流预测中应用

针对轨道交通客流量的不确定性,采用考虑先验知识的独立成分分析法对轨道交通客流量进行预测。首先将采集部分时段同一线路上各个站点客流量数据作为先验样本,获得相应的概率密度;其次通过独立成分分析得各个站点客流量独立源数据,利用独立源数据构建基于相关向量机预测模型;最后通过增加扰动量来对模型进行评价。结果表明：未考虑先验知识的预测模型对相对较小的扰动量不敏感,且对较大扰动量响应的稳定性差;而考虑先验知识的预测模型有很好的敏感度和稳定性。     

基于随机灰色蚁群神经网络的近期公交客流预测

为了科学准确地预测近期公交客流量,根据近期公交客流量预测受到多因素影响以及非线性的特点,利用随机灰色变量描述预测系统的不确定性,建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型,在此基础上,提出了一种基于随机灰色蚁群神经网络的近期公交客流量预测方法。最后以铜陵市为例,对模型的预测精度和有效性进行了分析。结果表明,基于蚁群算法的递归神经网络模型的预测精度不但高于其他单一预测模型,而且明显优于其他传统组合预测模型,能很好地反映事物发展的规律,能够指导公交经营管理者近期的决策行为,有效地改善了预测精度。     

基于时间序列的机场短时段值机客流量预测

在机场向数字化运营的转型过程中,为了实现航站楼内高效的运作以及资源的合理分配,从而对短时段的值机客流量的预测提出了更高的要求。通过对机场历史数据的统计和分析,结合航班的DOW特性,分析值机客流量的相关影响因素,以每小时的值机客流量为研究对象,构建基于时间序列的动态回归ARIMAX模型。实验结果表明,上述模型相对于传统的预测模型,预测精度更高,拟合效果更精确,有效地预测了航站楼内短时段的值机旅客人数,为航站楼内资源的动态分配和优化提供了不可或缺的决策支持。     

灰色模型在春运客流量预测应用中的优化

将火车站视为本征性灰色系统，选用灰色预测方法对春运客流量作出预测，并根据实际预测结果对基本模型进行优化。采用残差预测模型和新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明预测结果是可信的。     

基于支持向量机回归算法的旅游短时客流量数据预测模型

传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。实验结果表明：该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。     

支持向量机在商场客流预测中的应用

支持向量机是数据挖掘中的一个新兴技术,它对非线性的决策边界间的建模能力是高度准确的.本文通过分析支持向量机的原理和算法,并给出基于支持向量机的客流量预测模型,最后通过试验结果说明了支持向量机在预测中的有效性.     

基于时空特征的公交站点短时客流量预测

针对以往公交客流量预测只考虑时序特征而忽略空间维度特征的缺点,提出一种结合注意力机制的图卷积长短期记忆单元预测模型(AGLSTM)来预测公交站点的客流量.该模型运用图卷积网络(GCN)对每个时刻的公交站点客流量进行空间维度的特征提取,使用长短期记忆网络(LSTM)对公交站点客流量进行时间特征的提取.为了更关注公交站点客...     

基于LS-SVM的石油期货价格预测研究

建立了基于最小二乘支持向量机的石油期货价格预测模型。应用该模型对纽约商品交易市场的两种石油期货价格数据进行了预测,并将预测结果与RBF神经网络的预测结果进行了比较。研究结果表明最小二乘支持向量机预测模型具有较高的拟合和预测精度,明显优于RBF神经网络预测模型。