一种基于方差-协方差组合的出租车客流量预测方法技术

本发明专利技术公开了一种基于方差

【技术实现步骤摘要】
一种基于方差
‑
协方差组合的出租车客流量预测方法


[0001]本专利技术涉及智能交通的
，尤其涉及到一种基于方差
‑
协方差组合的出租车客流量预测方法。

技术介绍

[0002]出租车客流量预测对出租车管理和运营至关重要，但现有的采用支持向量机回归和BP神经网络进行出租车客流量预测，预测精度和稳定度均达不到出租车管理和运营的要求。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种预测精度高、稳定度高的基于方差
‑
协方差组合的出租车客流量预测方法。
[0004]为实现上述目的，本专利技术所提供的技术方案为：
[0005]一种基于方差
‑
协方差组合的出租车客流量预测方法，包括以下步骤：
[0006]S1、通过径向基函数神经网络预测方法预测未来某天的出租车需求客流量；
[0007]S2、通过小波神经网络预测方法预测未来同一天的出租车需求客流量；
[0008]S3、结合步骤S1得出的预测结果和步骤S2得出的预测结果，采用方差—协方差组合预测方法得出最后的出租车客流量预测结果。
[0009]进一步地，径向基函数神经网络为三层前馈神经网络，包括输入层、非线性隐藏层和线性输出层；
[0010]其中，输出层的实际输出由下式给出：
[0011][0012]上式(1)中，X为网络的输入向量，即收集的出租车需求客流量中某几天的历史数据，y
s
为第s个网络输出，即通过径向基函数神经网络预测方法预测未来某一天时间的出租车需求客流量，P为输入模式，w
js
为第j个隐藏神经元和第s个输出神经元之间链接的权重，C
j
为隐藏层中第j个径向基单元的中心，σ
j
为隐藏层中第j个单元的宽度；φ表示径向基函数，形式如下:
[0013][0014]上式(2)中，r为径向基函数φ的变量；
[0015]非线性隐藏层中神经元的最大数量的默认值设置为输入向量的数量，均方差目标的默认值为0.001。
[0016]进一步对，小波神经网络由三层组成：输入层、隐藏层和输出层；每一层的所有节
点都与下一层的节点相连；收集的出租车需求客流量中某几天中的历史数据X＝{x1，x2,....,x
k
}为小波神经网络输入向量，预测未来某一天中的出租车需求客流量Y＝{y1,y2,...,y
m
}为输出的向量；小波神经网络采用小波函数和训练算法实现；
[0017]隐藏层输出按下式计算:
[0018][0019]上式(3)中，h(j)为第j个隐藏节点的输出，w
ij
为输入层与隐藏值j之间连接的权值；b
j
为每个小波的平移因子，a
j
为每个小波的伸缩因子；h
j
(x)为Morlet母小波，形式如下：
[0020][0021]输出层公式如下：
[0022][0023]上式(5)中，w
ik
为隐藏层和输出层之间连接的权值；
[0024]预测的误差函数按下式计算：
[0025][0026]上式(6)，n(k)为输入层第k个结点的期望输出值，y(k)为小波网络实际输出值；
[0027]通过调整：
[0028][0029][0030][0031]其中为各个隐藏层和输出层之间连接的权值，为每个小波的平移因子学习增量，为每个小波的伸缩因子学习增量；η为学习速率，小波神经网络的整个训练完成，直到e满足给定的误差准则，否则返回再次预测输出。
[0032]进一步地，所述步骤S3的具体步骤如下：
[0033]设，
[0034]f1为径向基函数神经网络预测方法预测未来某天的出租车需求客流量，f2为小波神经网络预测方法预测未来同一天的出租车需求客流量，f3为采用方差—协方差组合预测方法预测未来同一天的出租车需求客流量；
[0035]径向基函数神经网络预测方法、小波神经网络预测方法、方差—协方差组合预测方法的预测误差分别为e1、e2、e
c
；
[0036]在ω1和ω2分别为f1和f2的相应组合系数，且ω1+ω2＝1的情况下，有：
[0037]f
c
＝ω1f1+ω2f2；
[0038]使用方差—协方差组合预测方法，则误差e
c
及方差var(e
c
)分别为：
[0039][0040]关于ω1，对var(e
c
)求极小值，可得
[0041][0042]由于径向基函数神经网络和小波神经网络两种预测方法采用相互独立的预测模型，两者的建模方法、思路以及步骤都不同；因此，令协方差cov(e1,e2)＝0，令var(e1)＝δ1，var(e2)＝δ2，可得：
[0043][0044]由此，再利用公式f
c
＝ω1f1+ω2f2即可以求出方差—协方差组合预测方法预测未来某天的出租车需求客流量。
[0045]与现有技术相比，本方案原理及优点如下：
[0046]径向基函数神经网络是一种性能良好的前向网络，具有精度高、训练简洁、学习收敛速度快以及克服局部最小值问题的性能，小波神经网络结构简单，收敛速度快，稳定性好以及学习性强等特点，但是径向基函数神经网络稳定性却不如小波神经网络，然而小波神经网络在预测精度上却不如径向基函数神经网络。以往的预测方法都是使用单个智能算法，为了避免因一种智能算法的缺陷而造成客流量预测的误差过大的后果，本方案结合径向基函数神经网络与小波神经网络两种组合预测方法，将两个方法的优势互补，避免劣势，从而大大提高出租车客流量的预测精度和稳定度。
附图说明
[0047]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]图1为本专利技术一种基于方差
‑
协方差组合的出租车客流量预测方法的原理流程图；
[0049]图2为仿真实验中方差—协方差组合预测结果对比图；
[0050]图3为仿真实验中方差—协方差组合预测的绝对偏差示意图；
[0051]图4为仿真实验中方差—协方差组合预测的相对偏差示意图。
具体实施方式
[0052]下面结合具体实施例对本专利技术作进一步说明：
[0053]如图1所示，一种基于方差
‑
协方差组合的出租车客流量预测方法，具体包括以下步骤：
[0054]S1、通过径向基函数神经网络(RBFNN)预测方法预测未来某天的出租车需求客流量；
[0055]采用的径向基函数神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于方差
‑
协方差组合的出租车客流量预测方法，其特征在于，包括以下步骤：S1、通过径向基函数神经网络预测方法预测未来某天的出租车需求客流量；S2、通过小波神经网络预测方法预测未来同一天的出租车需求客流量；S3、结合步骤S1得出的预测结果和步骤S2得出的预测结果，采用方差—协方差组合预测方法得出最后的出租车客流量预测结果。2.根据权利要求1所述的一种基于方差
‑
协方差组合的出租车客流量预测方法，径向基函数神经网络为三层前馈神经网络，包括输入层、非线性隐藏层和线性输出层；其中，输出层的实际输出由下式给出：上式(1)中，X为网络的输入向量，即收集的出租车需求客流量中某几天的历史数据，y
s
为第s个网络输出，即通过径向基函数神经网络预测方法预测未来某一天时间的出租车需求客流量，P为输入模式，w
js
为第j个隐藏神经元和第s个输出神经元之间链接的权重，C
j
为隐藏层中第j个径向基单元的中心，σ
j
为隐藏层中第j个单元的宽度；φ表示径向基函数，形式如下:上式(2)中，r为径向基函数φ的变量；非线性隐藏层中神经元的最大数量的默认值设置为输入向量的数量，均方差目标的默认值为0.001。3.根据权利要求2所述的一种基于方差
‑
协方差组合的出租车客流量预测方法，小波神经网络由三层组成：输入层、隐藏层和输出层；每一层的所有节点都与下一层的节点相连；收集的出租车需求客流量中某几天中的历史数据X＝{x1，x2,....,x
k
}为小波神经网络输入向量，预测未来某一天中的出租车需求客流量Y＝{y1,y2,...,y
m
}为输出的向量；小波神经网络采用小波函数和训练算法实现；隐藏层输出按下式计算:上式(3)中，h(j)为第j个隐藏节点的输出，w
ij
为输入层与隐藏值j之间连接的权值；b
j
为每个...

【专利技术属性】
技术研发人员：金雷，杨大鹏，王银银，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：