公交客流是公交集團(tuán)進(jìn)行公交調(diào)度運(yùn)營(yíng)和規(guī)劃的重要依據(jù),短時(shí)公交客流預(yù)測(cè)能夠幫助公交管理者和規(guī)劃者及時(shí)準(zhǔn)確地掌握公交客流的變化情況,從而做出科學(xué)合理的公交調(diào)度運(yùn)營(yíng)與規(guī)劃,提高公交公司的效益并且滿足乘客的公交出行需求。目前短時(shí)公交客流預(yù)測(cè)研究方面已經(jīng)有了很大的進(jìn)展,但仍存在很多的不足,比如預(yù)測(cè)模型的復(fù)雜化問(wèn)題、準(zhǔn)確率不高問(wèn)題以及單機(jī)環(huán)境下預(yù)測(cè)模型的低效問(wèn)題等。本文以某市智能交通大數(shù)據(jù)平臺(tái)為研究背景,對(duì)基于大數(shù)據(jù)的短時(shí)公交客流預(yù)測(cè)模型進(jìn)行了深入研究,主要包括以下幾方面:(1)在對(duì)短時(shí)公交客流預(yù)測(cè)領(lǐng)域的研究現(xiàn)狀以及各種預(yù)測(cè)模型進(jìn)行分析總結(jié)后,構(gòu)建了 Spearman-LMBP(SLMBP)短時(shí)公交客流預(yù)測(cè)模型來(lái)進(jìn)行短時(shí)公交客流預(yù)測(cè)。該模型首先利用Spearman秩相關(guān)系數(shù)法分析公交客流量的影響因素,將客流量影響因素?cái)?shù)據(jù)與歷史客流數(shù)據(jù)共同作為模型的輸入數(shù)據(jù),然后采用Levenberg-Marquardt算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),解決了 BP神經(jīng)網(wǎng)絡(luò)極易陷于局部最優(yōu)解、收斂速度慢的問(wèn)題,并且利用深度學(xué)習(xí)的dropout技術(shù)對(duì)模型進(jìn)行優(yōu)化,解決了模型的過(guò)擬合問(wèn)題,提高了模型的泛化能力,實(shí)驗(yàn)結(jié)果表明優(yōu)化后的...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．?１神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．１?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??雖然說(shuō)標(biāo)準(zhǔn)ＢＰ神經(jīng)網(wǎng)絡(luò)模型很適合用來(lái)做客流預(yù)測(cè)，但其自身也存在一些缺點(diǎn)，??如收斂速度慢、易陷入局部解等

?基于大數(shù)據(jù)的短時(shí)公交客流預(yù)測(cè)模型研究???輸入層?隱含層?輸出層??、＼??ｚ－?＇?Ｗｘｌｏｌ，＾－＾＼Ｎ＾ｌ（Ａ?＇?Ｖ?＼?＾＾Ａ＾／Ｏｌｙｌ??＾?????、、－＼?／??、。ｄ’’??圖２．?１神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．１?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕ....

圖２．?３?ＲＢＦ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．３?ＲＢＦ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??

?大連海事大學(xué)碩士學(xué)位論文???Ｒ?（ｘｐ－〇ｉ）?＝ｅｘｐ（－?｜?｜ｘｐ－ｏ，－１１２）?（２．?１８）??其中ｘｐ徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可得到網(wǎng)絡(luò)的輸出為：??ｙｊ?＝?Ｓｆ＝?１?ｅｘｐ（－１１＾－０，－１１２）?７?＝?１，２，．．．（２．?１９）??采用最小二乘的損失函....

圖２．?４?ＭａｐＲｅｄｕｃｅ的執(zhí)行流程圖??Ｆｉｇ．?２．４?ＭａｐＲｅｄｕｃｅ?ｅｘｅｃｕｔｉｏｎ?ｆｌｏｗ??－１６?－??

（２．２２）??２．?５?Ｈａｄｏｏｐ分布式并行處理技術(shù)框架??Ｈａｄ〇〇ｐ［４６１是一個(gè)開(kāi)發(fā)和運(yùn)行處理大規(guī)模數(shù)據(jù)的軟件平臺(tái)，其主要應(yīng)用在許多計(jì)算機(jī)??組成的集群中對(duì)海量數(shù)據(jù)的分布式計(jì)算。Ｈａｄｏｏｐ的核心設(shè)計(jì)是ＭａｐＲｅｄｕｃｅ［４７＾Ｄ?ＨＤＦＳ１４８１，??整個(gè)Ｈａｄｏｏｐ....

圖３．１公交客流量數(shù)據(jù)的采集與傳輸??Ｆｉｇ．?３．１?Ｃｏｌｌｅｃｔｉｏｎ?ａｎｄ?ｔｒａｎｓｍｉｓｓｉｏｎ?ｏｆ?ｂｕｓ?ｐａｓｓｅｎｇｅｒ?ｆｌｏｗ?ｄａｔａ??

?基于大數(shù)據(jù)的短時(shí)公交客流預(yù)測(cè)模型研究???前活齡頭??ｗ?ｒ??祕(mì)??牙ＶＧＰＲＳ平臺(tái)??后門(mén)開(kāi)關(guān)門(mén)信號(hào)?前門(mén)開(kāi)關(guān)門(mén)信號(hào)?＿??圖３．１公交客流量數(shù)據(jù)的采集與傳輸??Ｆｉｇ．?３．１?Ｃｏｌｌｅｃｔｉｏｎ?ａｎｄ?ｔｒａｎｓｍｉｓｓｉｏｎ?ｏｆ?ｂｕｓ?ｐａｓｓｅｎｇｅｒ?ｆｌ....

本文編號(hào)：3903213