-
公开(公告)号：CN109308543B
公开(公告)日：2021-10-22
申请号：CN201810945933.6
申请日：2018-08-20
Applicant: 华南理工大学
IPC: G06Q10/04
Abstract: 本发明公开了基于LS‑SVM和实时大数据的地铁短期客流预测方法，包括步骤：步骤一、获取获得乘客进出站点、进出站时间，得到乘客历史出行站点OD系数；步骤二、对涉及环形线路路径选择的乘客，采用Logit模型计算其路径选择概率；步骤三、采用历史OD系数训练LS‑SVM模型得到进站乘客预测分布站点和线路上下行比例系数；采用进出站客流数据训练LS‑SVM模型得到乘客进出站预测量；步骤四、采用OD系数、Logit模型计算换乘站点的换乘比例，通过实时视频识别技术进行修正；步骤五、获得乘客在路网的分布并更新路网。本发明通过筛选系统获得有用的实时数据，并对预测结果进行修正，从而获得准确性和实时性更高的预测结果。
-
公开(公告)号：CN109308543A
公开(公告)日：2019-02-05
申请号：CN201810945933.6
申请日：2018-08-20
Applicant: 华南理工大学
IPC: G06Q10/04
Abstract: 本发明公开了基于LS-SVM和实时大数据的地铁短期客流预测方法，包括步骤：步骤一、获取获得乘客进出站点、进出站时间，得到乘客历史出行站点OD系数；步骤二、对涉及环形线路路径选择的乘客，采用Logit模型计算其路径选择概率；步骤三、采用历史OD系数训练LS-SVM模型得到进站乘客预测分布站点和线路上下行比例系数；采用进出站客流数据训练LS-SVM模型得到乘客进出站预测量；步骤四、采用OD系数、Logit模型计算换乘站点的换乘比例，通过实时视频识别技术进行修正；步骤五、获得乘客在路网的分布并更新路网。本发明通过筛选系统获得有用的实时数据，并对预测结果进行修正，从而获得准确性和实时性更高的预测结果。
-
公开(公告)号：CN108986470B
公开(公告)日：2022-03-29
申请号：CN201810946075.7
申请日：2018-08-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种粒子群算法优化LSTM神经网络的行程时间预测方法，包括如下步骤：步骤S1：采集行程时间数据，进行数据归一化，按比例划分为训练集和测试集；步骤S2：采用粒子群算法优化LSTM神经网络预测模型的各个参数；步骤S3：输入粒子群算法优化好的参数、训练集，进行LSTM神经网络预测模型的迭代优化；步骤S4：利用已训练好的LSTM神经网络模型对测试集进行预测，并评估模型误差。本发明的方法寻优速度快，同传统预测算法中的随机森林、SVM、KNN相比较，本发明方法对数据预测均方误差和均方根误差最小，模型减少了计算量，表现出更好的预测性能。
-
公开(公告)号：CN110555989A
公开(公告)日：2019-12-10
申请号：CN201910756049.2
申请日：2019-08-16
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于Xgboost算法的交通量预测方法，包括如下步骤：步骤S1：采集交通量数据，进行数据归一化，划分为训练数据和测试数据；步骤S2：基于Xgboost算法，对训练数据进行模型训练，确定模型参数；步骤S3：输入Xgboost模型参数、测试数据，进行交通流的预测；步骤S4：对Xgboost模型预测结果进行误差评估，还原预测数据进行输出。本发明的Xgboost模型在预测精度提升的同时，预测时间大幅减少，在高速公路交通量的预测中具有更好的预测性能和泛化能力。
-
公开(公告)号：CN109243172A
公开(公告)日：2019-01-18
申请号：CN201810825636.8
申请日：2018-07-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于遗传算法优化LSTM神经网络的交通流预测方法，包括如下步骤：步骤S1、交通流数据采集，并进行数据归一化预处理，分为训练数据集和测试数据集；步骤S2、采用遗传算法优化LSTM神经网络预测模型的各个参数；步骤S3、输入遗传算法优化好的参数、训练数据集，进行LSTM神经网络预测模型的迭代优化；步骤S4、利用已训练好的LSTM神经网络模型对测试数据集进行预测，并评估模型误差。本发明利用了遗传算法和LSTM神经网络对参数组合快速寻优的特性，可以得到更高的预测精度，且对不同间隔数据样本有良好的适用性，模型减少了计算量，表现出更好的预测性能。
-
Patent Agency Ranking
公开(公告)号：CN110555989B
公开(公告)日：2021-10-26
申请号：CN201910756049.2
申请日：2019-08-16
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于Xgboost算法的交通量预测方法，包括如下步骤：步骤S1：采集交通量数据，进行数据归一化，划分为训练数据和测试数据；步骤S2：基于Xgboost算法，对训练数据进行模型训练，确定模型参数；步骤S3：输入Xgboost模型参数、测试数据，进行交通流的预测；步骤S4：对Xgboost模型预测结果进行误差评估，还原预测数据进行输出。本发明的Xgboost模型在预测精度提升的同时，预测时间大幅减少，在高速公路交通量的预测中具有更好的预测性能和泛化能力。
-
公开(公告)号：CN110782658A
公开(公告)日：2020-02-11
申请号：CN201910756054.3
申请日：2019-08-16
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于LightGBM算法的交通量预测方法，包括如下步骤：步骤S1：采集交通量数据，进行数据归一化，划分为训练数据和测试数据；步骤S2：基于LightGBM算法，对训练数据进行模型训练，确定模型参数；步骤S3：输入LightGBM模型参数、测试数据，进行交通流的预测；步骤S4：对LightGBM模型预测结果进行误差评估，还原预测数据进行输出。本发明的LightGBM模型在预测精度提升的同时，预测时间大幅减少，在高速公路交通量的预测中具有更好的预测性能和泛化能力。
-
公开(公告)号：CN110782658B
公开(公告)日：2022-03-29
申请号：CN201910756054.3
申请日：2019-08-16
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于LightGBM算法的交通量预测方法，包括如下步骤：步骤S1：采集交通量数据，进行数据归一化，划分为训练数据和测试数据；步骤S2：基于LightGBM算法，对训练数据进行模型训练，确定模型参数；步骤S3：输入LightGBM模型参数、测试数据，进行交通流的预测；步骤S4：对LightGBM模型预测结果进行误差评估，还原预测数据进行输出。本发明的LightGBM模型在预测精度提升的同时，预测时间大幅减少，在高速公路交通量的预测中具有更好的预测性能和泛化能力。
-
公开(公告)号：CN109243172B
公开(公告)日：2021-06-08
申请号：CN201810825636.8
申请日：2018-07-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于遗传算法优化LSTM神经网络的交通流预测方法，包括如下步骤：步骤S1、交通流数据采集，并进行数据归一化预处理，分为训练数据集和测试数据集；步骤S2、采用遗传算法优化LSTM神经网络预测模型的各个参数；步骤S3、输入遗传算法优化好的参数、训练数据集，进行LSTM神经网络预测模型的迭代优化；步骤S4、利用已训练好的LSTM神经网络模型对测试数据集进行预测，并评估模型误差。本发明利用了遗传算法和LSTM神经网络对参数组合快速寻优的特性，可以得到更高的预测精度，且对不同间隔数据样本有良好的适用性，模型减少了计算量，表现出更好的预测性能。
-
公开(公告)号：CN108986470A
公开(公告)日：2018-12-11
申请号：CN201810946075.7
申请日：2018-08-20
Applicant: 华南理工大学
Abstract: 本发明公开了一种粒子群算法优化LSTM神经网络的行程时间预测方法，包括如下步骤：步骤S1：采集行程时间数据，进行数据归一化，按比例划分为训练集和测试集；步骤S2：采用粒子群算法优化LSTM神经网络预测模型的各个参数；步骤S3：输入粒子群算法优化好的参数、训练集，进行LSTM神经网络预测模型的迭代优化；步骤S4：利用已训练好的LSTM神经网络模型对测试集进行预测，并评估模型误差。本发明的方法寻优速度快，同传统预测算法中的随机森林、SVM、KNN相比较，本发明方法对数据预测均方误差和均方根误差最小，模型减少了计算量，表现出更好的预测性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.016 seconds)
