[发明专利]客运枢纽客流与交通接驳方式客流之间关系确定方法和装置

说明书

本发明公开了客运枢纽客流与交通接驳方式客流之间关系确定方法和装置，包括：步骤10，数据预处理；步骤20，设置网络参数；步骤30，计算隐含层最佳神经元个数；步骤40：输出客运枢纽客流与交通接驳方式客流的偏差时间和定量关系表达式，将输出数据还原为实际数据。本发明能够基于海量的客运枢纽数据进行仿真，相比传统的数据拟合方法，效率更高、结果更加准确；基于处理后的客运枢纽数据，提出隐含层最佳神经元个数的计算方法，降低算法运行的随机误差对结果的影响，提高算法仿真结果的准确性；通过偏移交通接驳方式客流数据获取若干组客运枢纽数据，提高了求解的效率和精度。

技术领域

本发明涉及客运枢纽客流与交通接驳方式客流之间关系确定方法和装置，属于客运交通、数据融合领域。

背景技术

客运枢纽通常位于国家或地区政治、经济、文化中心，是交通运输系统的重要组成部分，是不同运输方式的交通网络运输线路的交汇点，是客流集散的重要场所，对于地区之间的联系和城市的发展具有促进作用。随着我国经济的快速发展，客运枢纽的规模不断扩大，数量不断增长，客流量日益扩增，为客运枢纽的可持续发展带来了一定的压力。传统的客运枢纽包括铁路枢纽、公路枢纽、航空枢纽、公交枢纽、轨道换乘枢纽等，乘客乘坐不同的交通接驳方式抵达或离开客运枢纽点进行换乘，并在客运枢纽点乘坐同一种交通方式开展出行活动，则不同交通接驳方式的客流与客运枢纽总客流之间的偏差时间和定量关系各不相同。不同客运枢纽在城市中的位置不同、功能不同、交通接驳方式的类型和数量不同，客流时空分布特点和流量差异较大。针对某种特定的客运枢纽类型，传统的数据拟合方法，如线性拟合、多项式拟合、对数拟合和幂函数拟合等难以准确反映客运枢纽客流与不同交通接驳方式客流的偏差时间和定量关系；针对不同类型的客运枢纽，需要采取不同的方法研究枢纽客流与不同交通接驳方式客流的偏差时间和定量关系，具有拟合精度较低、人工成本较高的缺陷。

随着机器学习的快速发展，大量人工智能的算法，如随机森林算法、K最邻近算法、马尔可夫算法、贝叶斯算法和神经网络算法等在解决复杂问题上呈现出快速、准确等良好的性能，在各个领域得到广泛应用。BP神经网络算法是一种监督式的学习算法，其基本结构由非线性变化单元组成，具有很强的非线性映射能力，在理论上可以逼近任意函数。网络的层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，具有灵活性高和学习结果准确等特点。

综上所述，目前针对不同类型客运枢纽客流与交通接驳方式客流偏差时间和定量关系的研究，传统的方法无法准确表示二者之间的关系，不利于客运枢纽的可持续发展。在当今大数据的时代，基于海量的客运枢纽数据，通过一套通用的人工智能算法学习不同类型客运枢纽客流与交通接驳方式客流的偏差时间和定量关系，能够为客运枢纽的建设、发展和改善提供依据和便利。BP神经网络算法作为人工智能算法的重要组成部分，能够基于海量的客运枢纽数据，通过模仿人的思维方式训练、学习得到客运枢纽客流和交通接驳方式客流的偏差时间和定量关系。

发明内容

本发明的目的在于提供一种基于BP神经网络算法确定客运枢纽客流与交通接驳方式客流之间偏差时间和定量关系的方法和装置，以解决客运枢纽客流与交通接驳方式客流之间偏差时间和定量关系求解的高效性、通用性和精准性。

本发明提供一种基于改进BP神经网络确定客运枢纽客流与交通接驳方式客流之间偏差时间和定量关系模型的方法，其特征在于所述方法包括如下步骤：

步骤10，数据预处理，具体为：基于原始的客运枢纽客流与交通接驳方式客流数据，设置统计数据的单位时间、交通接驳方式客流在时间轴上向前或向后偏移的单位时间和最大偏移时间；以某个相同时间为起始时间，计算客运枢纽客流数据和偏移后的若干组交通接驳方式客流数据；按照时间顺序将客运枢纽客流数据和每组交通接驳方式客流数据一一对应，形成若干组客运枢纽数据；采用最小最大标准化方法分别对客运枢纽客流数据和交通接驳方式客流数据进行归一化处理；

步骤20，设置网络参数，其中所述网络参数包括网络层数、网络传递函数、算法训练函数和算法停止条件；