[发明专利]旅游交通短时客流大数据预测方法

说明书

技术领域

本发明涉及旅游交通数据分析方法，具体涉及一种旅游交通短时客流大数据预测方法。

背景技术

目前，国内对旅游交通短时客流预测多以宏观客流预测为主，而宏观客流预测主要根据地区人口、经济等历史数据，预测未来年客流规模。由于景区客流具有随时间变化迅速、波动较大，且具有规律性等特点，宏观客流预测对景区短时客流预测时存在波动性较大、预测不准确等问题。因而亟需一种能对旅游交通短时客流进行准确预测且波动性小的微观预测方法。

发明内容

发明目的：针对以上问题，本发明提出一种旅游交通短时客流大数据预测方法，能对旅游交通短时客流进行准确预测且波动性小。

技术方案：本发明所述的一种旅游交通短时客流大数据预测方法，包括以下步骤：

(1)根据小波神经网络建立小波神经网络预测模型，小波神经网络预测

模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层，所述输入层由若干输入节点组成，每个输入节点用于接受和处理训练样本集中的输入变量；所述隐层由若干隐节点组成，用于非线性样本的线性转换，所述隐层节点采用小波函数作为传递函数；所述输出层由若干输出节点组成，每个输出节点用于输出变量预测结果；

(2)对小波神经网络预测模型中的各网络权值进行初始化，并根据小波函数计算出隐层各隐节点的函数输出值；

(3)对数据样本进行分类，将数据样本分为两部分，一部分为训练样本，用于训练小波神经网络，另一部分为测试样本，用于测试小波神经网络预测精度；

(4)根据小波神经网络预测模型中的各网络权值和隐层中各隐节点的函数输出值，计算出小波神经网络预测输出值，并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析，计算出网络预测误差；

(5)根据步骤(4)得到的网络预测误差，对小波神经网络预测模型中的各网络权值和小波函数的各参数进行修正，达到预测期望；

(6)进行参数迭代，当网络预测误差达到一个指定较小值或达到指定迭代次数时，结束迭代，得到并输出预测结果。

进一步地，在步骤(6)完成后，通过计算网络预测误差的相对误差及方差对小波神经网络预测模型的精度进行校验。

有益效果：利用本发明提出的方法能对旅游交通短时客流进行准确预测且波动性小，避免景区由于客流量激增而造成的安全隐患，从而保障游客出行安全。

附图说明

图1是本发明所述的小波神经网络预测模型的结构示意图。

图2为根据本发明的实施例得到的上海科技馆的短时客流预测结果图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1所示，所述的旅游交通短时客流大数据预测方法，包括以下步骤：

(1)先根据小波神经网络建立小波神经网络预测模型，小波神经网络预测

预测模型包括位于底层的输入层、位于中间层的隐层、以及位于顶层的输出层，输入层由若干输入节点组成，每个输入节点用于接受和处理训练样本集中的输入变量；隐层由若干隐节点组成，用于非线性样本的线性转换，隐层节点采用小波函数作为传递函数；输出层由若干输出节点组成，每个输出节点用于输出变量预测结果。

(2)对小波神经网络预测模型中的各网络权值进行初始化，并根据小波函数计算出隐层各隐节点的函数输出值；其中隐节点的输出函数为：

式中，ω_ij为隐含层的网络权值，X_i为输入变量。

(3)对数据样本进行分类，将数据样本分为两部分，一部分为训练样本，用于训练小波神经网络，另一部分为测试样本，用于测试小波神经网络预测精度。

(4)根据小波神经网络预测模型中的各网络权值和隐层中各隐节点的函数输出值，计算出小波神经网络预测输出值，并将小波神经网络预测输出值与小波神经网络期望输出值进行对比分析，计算出网络预测误差。

其中，小波神经网络预测输出函数为：

式中，ω_ik为隐含层和输出层之间权值，Y(i)为第i个隐含层节点的输出，l为隐含层节点数，m为输出层节点数。

网络预测误差输出函数为：

式中，yn(k)为期望输出值，y(k)为预测输出值。