造價(jià)通
更新時(shí)間：2024.12.28
基于改進(jìn)WNN的城市軌道交通客流量預(yù)測(cè)??

格式：pdf

大?。?span class="single-tag-height">454KB

頁數(shù)： 6頁

針對(duì)城市軌道交通短時(shí)客流量預(yù)測(cè)問題,提出了一種基于自適應(yīng)t分布變異的蝙蝠算法（ATM-BA）優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)（WNN）預(yù)測(cè)模型（ATM-BA-WNN）。在基本蝙蝠算法（BA）中引入帶有線性遞減控制因子的自適應(yīng)t分布變異,使其具有變異機(jī)制,能夠跳出早熟收斂。并將ATM-BA與WNN兩者相互耦合,利用ATM-BA優(yōu)化WNN的參數(shù)配置,進(jìn)而提高WNN的預(yù)測(cè)精度。運(yùn)用ATM-BA-WNN模型對(duì)鄭州地鐵1號(hào)線短時(shí)客流量進(jìn)行預(yù)測(cè),并與傳統(tǒng)的WNN預(yù)測(cè)模型、BA優(yōu)化的WNN（BA-WNN）預(yù)測(cè)模型以及支持向量機(jī)（SVM）預(yù)測(cè)模型進(jìn)行比較。仿真結(jié)果表明,相較于其他3種模型,所建預(yù)測(cè)模型預(yù)測(cè)精度最高,擬合能力更強(qiáng),誤差最小,從而證明了該模型在短時(shí)客流量預(yù)測(cè)領(lǐng)域的可行性及優(yōu)越性。

基于SVR的軌道交通客流量預(yù)測(cè)

格式：pdf

大?。?span class="single-tag-height">261KB

頁數(shù)： 3頁

對(duì)各種城市軌道交通客流預(yù)測(cè)方法進(jìn)行分析和比較,指出進(jìn)行短期城軌客流預(yù)測(cè)的必要性。支持向量回歸方法作為以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理為理論基礎(chǔ)的學(xué)習(xí)算法,可應(yīng)用于軌道交通客流量預(yù)測(cè)。構(gòu)建了城市軌道交通客流的預(yù)測(cè)模型,與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法進(jìn)行了比照試驗(yàn)。

精華知識(shí)

如何預(yù)測(cè)客流量

最新知識(shí)

如何預(yù)測(cè)客流量
點(diǎn)擊加載更多>>

相關(guān)問答

如何預(yù)測(cè)客流量
點(diǎn)擊加載更多>>
專題概述
如何預(yù)測(cè)客流量相關(guān)專題

分類檢索：