公交客流是公交集團進行公交調(diào)度運營和規(guī)劃的重要依據(jù),短時公交客流預(yù)測能夠幫助公交管理者和規(guī)劃者及時準(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)度運營與規(guī)劃,提高公交公司的效益并且滿足乘客的公交出行需求。目前短時公交客流預(yù)測研究方面已經(jīng)有了很大的進展,但仍存在很多的不足,比如預(yù)測模型的復(fù)雜化問題、準(zhǔn)確率不高問題以及單機環(huán)境下預(yù)測模型的低效問題等。本文以某市智能交通大數(shù)據(jù)平臺為研究背景,對基于大數(shù)據(jù)的短時公交客流預(yù)測模型進行了深入研究,主要包括以下幾方面:(1)在對短時公交客流預(yù)測領(lǐng)域的研究現(xiàn)狀以及各種預(yù)測模型進行分析總結(jié)后,構(gòu)建了 Spearman-LMBP(SLMBP)短時公交客流預(yù)測模型來進行短時公交客流預(yù)測。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,將客流量影響因素數(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、收斂速度慢的問題,并且利用深度學(xué)習(xí)的dropout技術(shù)對模型進行優(yōu)化,解決了模型的過擬合問題,提高了模型的泛化能力,實驗結(jié)果表明優(yōu)化后的...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：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??雖然說標(biāo)準(zhǔn)ＢＰ神經(jīng)網(wǎng)絡(luò)模型很適合用來做客流預(yù)測，但其自身也存在一些缺點，??如收斂速度慢、易陷入局部解等

?基于大數(shù)據(jù)的短時公交客流預(yù)測模型研究???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是一個開發(fā)和運行處理大規(guī)模數(shù)據(jù)的軟件平臺，其主要應(yīng)用在許多計算機??組成的集群中對海量數(shù)據(jù)的分布式計算。Ｈａｄｏｏｐ的核心設(shè)計是ＭａｐＲｅｄｕｃｅ［４７＾Ｄ?ＨＤＦＳ１４８１，??整個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)的短時公交客流預(yù)測模型研究???前活齡頭??ｗ?ｒ??祕??牙ＶＧＰＲＳ平臺??后門開關(guān)門信號?前門開關(guān)門信號?＿??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：3903213