一种基于Elman神经网络的客流量预测方法、系统和存储介质技术方案

本发明专利技术公开了一种基于Elman神经网络的客流量预测方法、系统和存储介质，所述客流量预测方法，包括如下步骤：S1、获取一段时间内每天路口的客流量数据，然后对客流量数据进行聚类分析，接着对聚类分析后的数据进行均一化处理，得到样本数据；S2、构建Elman神经网络，以天气情况和当天是否为节假日作为Elman神经网络的输入，以步骤S1中得到的样本数据作为Elman神经网络的训练数据，进行Elman神经网络的训练，得到交通客流量预测模型；S3、根据步骤S2中得到的交通客流量预测模型的结果对交通客流量进行预测。本发明专利技术整个预测方法简单、结果可靠，预测精度高，有望进行大规模的推广与应用。有望进行大规模的推广与应用。有望进行大规模的推广与应用。

A passenger flow prediction method, system and storage medium based on Elman neural network

【技术实现步骤摘要】
一种基于Elman神经网络的客流量预测方法、系统和存储介质


[0001]本专利技术属于数据统计
，具体涉及一种基于Elman神经网络的客流量预测方法、系统和存储介质。

技术介绍

[0002]城市交通是城市社会经济生活的大动脉，各种资源必须通过它才能运送到目的地。因此，它也是衡量每个城市先进性和现代化的标准之一。我国交通运输业的高速发展，虽然能有效的组织生产，大幅度提高城市客货流的运转速度，促进城市的经济发展，然而诸多不良影响也相继而至。随着我国经济的快速发展和城市化进程的加速，随之而来必将引来城市人口和机动车数量的大幅度增长，由此直接导致的严重交通问题是交通堵塞，交通堵塞会严重降低车辆的行驶速度，这不仅浪费了人们的宝贵时间，还污染了环境。在城市道路中，交通事故的发生率往往会加剧道路拥塞状况，交通拥挤则容易使交通秩序难以控制而造成混乱，久而久之形成恶性循环。显而易见，道路交通事故和交通拥挤都影响着人们出行的便捷度和人身安全，因此，缓解城市道路交通问题已经迫在眉睫。
[0003]由于客流预测算法直接影响着交通的运行效率，相关研究人员在此领域进行了大量的研究，并采用不同的算法建立了相应的模型对交通客流量进行预测。传统方法主要运用管理学手段，对市民的生活水平、出行特点以及交通发展现状等因素进行了分析，从而对交通客流进行预测，从宏观角度考虑了客流的分布。由于交通客流组成比较复杂，以上模型在预测算法以及精度方面并未达到较高的可信度。
[0004]有鉴于此，有必要提供一种基于Elman神经网络的客流量预测方法来解决上述技术问题。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于Elman神经网络的客流量预测方法、系统和存储介质。解决现有的由于交通客流组成比较复杂，不同的算法模型在预测算法以及精度方面并未达到较高的可信度等问题。
[0006]本专利技术的一个目的在于提供一种基于Elman神经网络的客流量预测方法。
[0007]一种基于Elman神经网络的客流量预测方法，包括如下步骤：
[0008]S1、获取一段时间内每天路口的客流量数据，然后对客流量数据进行聚类分析，接着对聚类分析后的数据进行均一化处理，得到样本数据；
[0009]S2、构建Elman神经网络，以天气情况和当天是否为节假日作为Elman神经网络的输入，以步骤S1中得到的样本数据作为Elman神经网络的训练数据，进行Elman神经网络的训练，得到交通客流量预测模型；
[0010]S3、根据步骤S2中得到的交通客流量预测模型的结果对交通客流量进行预测。
[0011]进一步地，步骤S1中，所述聚类分析具体方法如下：以天气情况是否适宜为标准，对客流量数据进行分类，得到第一分类数据；以当天是否为节假日为标准，对客流量数据进
行分类，得到第二分类数据。
[0012]更进一步地，所述天气适宜包括晴天和阴天，天气不适宜包括下雨、下雪和狂风；所述节假日包括法定节假日和周末，非假日为工作日。
[0013]进一步地，步骤S1中，所述均一化处理的方法按照如下公式进行：
[0014]X＝(x
‑
x
min
)/(x
max
‑
x
min
)
[0015]其中，x
min
和x
max
分别为客流量数据的最大值和最小值，X表示归一化值，x为变量的原始值；
[0016]归一化处理后的数据落在[0，1]区间范围内。
[0017]进一步地，步骤S2中，所述Elman神经网络是基于遗传算法进行了优化，具体步骤如下：
[0018]S21、采用实数对Elman神经网络结构和连接权进行编码，种群的每个个体编码都由一组与神经网络权值、阈值、隐节点个数分别对应的实数组成；
[0019]S22、在编码空间中，随机生成一个具有M个个体的初始样本；
[0020]S23、群体和训练样本结合输入网络，计算每个遗传个体的适应度
[0021][0022]其中，为拟合的绝对误差平均值；
[0023]S24、根据适应度，对群体进行遗传操作；
[0024]S25、重复S23和S24操作步骤，每进行一次，群体进化一代，每代保留适应度最大的个体，直到最大进化代数N；
[0025]S26、由最后一代适应度最大的个体所对应的一组实数，得到优化后的初始权值、阈值、隐节点个数。
[0026]进一步地，步骤S24中，所述遗传操作具体方法如下：采用赌轮方法，交叉、变异操作分别按照P
c
、P
m
进行操作，得到新的群体。
[0027]本专利技术的另一个目的在于提供一种基于Elman神经网络的客流量预测系统。
[0028]一种基于Elman神经网络的客流量预测系统，所述预测系统包括：
[0029]客流量数据获取与处理模块：获取一段时间内每天路口的客流量数据，然后对客流量数据进行聚类分析，接着对聚类分析后的数据进行均一化处理，得到样本数据；
[0030]Elman神经网络训练模块：构建Elman神经网络，以天气情况和当天是否为节假日作为Elman神经网络的输入，以所述样本数据作为Elman神经网络的训练数据，进行Elman神经网络的训练，得到交通客流量预测模型；
[0031]客流量预测结果模块：根据所述交通客流量预测模型的结果对交通客流量进行预测。
[0032]本专利技术的最后还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序被处理器加载以执行上述任一项所述的检测方法。
[0033]与现有技术相比，本专利技术具有如下优点：
[0034]本专利技术首先对客流量数据进行聚类分析，接着对聚类分析后的数据进行均一化处理，得到样本数据，然后基于遗传算法对Elman神经网络进行优化，最后用优化的Elman神经网络对样本数据进行训练，得到交通客流量预测模型，从而对交通客流量进行预测，整个预
测方法简单、结果可靠，预测精度高，有望进行大规模的推广与应用。
附图说明
[0035]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，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。
[0036]图1为本专利技术基于Elman神经网络的客流量预测方法流程图；
[0037]图2位本专利技术基于Elman神经网络的客流量预测系统框架图。
具体实施方式
[0038]下面将结合本专利技术实施例中的附图对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Elman神经网络的客流量预测方法，其特征在于，包括如下步骤：S1、获取一段时间内每天路口的客流量数据，然后对客流量数据进行聚类分析，接着对聚类分析后的数据进行均一化处理，得到样本数据；S2、构建Elman神经网络，以天气情况和当天是否为节假日作为Elman神经网络的输入，以步骤S1中得到的样本数据作为Elman神经网络的训练数据，进行Elman神经网络的训练，得到交通客流量预测模型；S3、根据步骤S2中得到的交通客流量预测模型的结果对交通客流量进行预测。2.根据权利要求1所述的基于Elman神经网络的客流量预测方法，其特征在于，步骤S1中，所述聚类分析具体方法如下：以天气情况是否适宜为标准，对客流量数据进行分类，得到第一分类数据；以当天是否为节假日为标准，对客流量数据进行分类，得到第二分类数据。3.根据权利要求2所述的基于Elman神经网络的客流量预测方法，其特征在于，所述天气适宜包括晴天和阴天，天气不适宜包括下雨、下雪和狂风；所述节假日包括法定节假日和周末，非假日为工作日。4.根据权利要求1所述的基于Elman神经网络的客流量预测方法，其特征在于，步骤S1中，所述均一化处理的方法按照如下公式进行：X＝(x
‑
x
min
)/(x
max
‑
x
min
)其中，x
min
和x
max
分别为客流量数据的最大值和最小值，X表示归一化值，x为变量的原始值；归一化处理后的数据落在[0，1]区间范围内。5.根据权利要求1所述的基于Elman神经网络的客流量预测方法，其特征在于，步骤S2中，所述El...

【专利技术属性】
技术研发人员：万俊，易龙春，武桢，
申请(专利权)人：武汉氢客科技有限公司，
类型：发明
国别省市：