10.16652/j.issn.1004-373x.2021.24.019
基于改进卷积神经网络的地铁客流量预测算法设计
为了提升地铁客流量预测的精度,并实现精细化运营,文中基于深度学习理论中的卷积神经网络(CNN)算法提出了一种客流量预测方案.文中分析CNN网络的结构与参数,并对网络中卷积层、池化层的参数传递过程进行解析.通过引入Fisher准则解决了当前CNN网络中存在的因训练误差传递易陷入局部最优,而产生的网络过拟和问题.对原有误差函数进行改进,扩大类间距离且缩小类内距离,同时提升网络的泛化能力,并避免迭代过程中的不收敛.以成都地铁7号线部分站点的实际运营数据为样本进行仿真实验,其不但优化了地铁运营数据的格式,还提升了数据输入输出的效率.仿真结果表明,改进后的CNN网络在进行预测时的平均误差可达到4.38%,相较于传统的CNN网络降低了9.53%.
地铁;客流量预测;CNN;结构分析;函数改进;仿真验证
44
TN926-34;TP311
四川省科学技术厅"软件代码安全检测服务平台示范项目"2019GFW177
2021-12-29(万方平台首次上网日期,不代表论文的发表时间)
共5页
87-91