[发明专利]客运枢纽班次与客流定量关系确定方法和装置

说明书

本发明公开了客运枢纽班次与客流定量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：输出客运枢纽班次与客流定量关系表达式，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，通过增加算法运行次数，基于拟合系数的概念，提出评价函数的方法衡量隐含层神经元个数的优劣，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。

技术领域

本发明涉及客运枢纽班次与客流定量关系模型确定方法和装置，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，客运枢纽的种类繁多，如何快速准确寻找枢纽班次和客流之间的定量关系，成为近年的研究热点。不同客运枢纽在城市中的位置不同、功能不同，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班次和客流的定量关系；针对不同类型的客运枢纽，需要采取不同的方法研究班次和客流的定量关系，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班次和客流定量关系的研究，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班次和客流的定量关系，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、学习得到枢纽班次和客流的定量关系。

发明内容

本发明的目的在于提供一种基于改进BP神经网络确定客运枢纽班次与客流定量关系的方法及装置，以解决客运枢纽班次与客流定量关系求解的高效性、通用性和精准性。

本发明所述的基于改进BP神经网络确定客运枢纽班次与客流定量关系的方法，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班次和客流数据，利用最小最大标准化方法对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；

步骤30，计算隐含层最佳神经元个数，具体为：根据经验法初始化神经元个数的范围，设置每个神经元个数下的算法最大运行次数；将客运枢纽班次和客流数据一一对应，将数据随机分为实验数据和测试数据；基于实验数据构建神经网络，基于测试数据的实际输出数据与期望输出数据之间的残差平方和与总离差平方和计算拟合系数；针对每个神经元，利用算数平均法计算拟合系数均值，基于均值计算拟合系数方差；设置拟合系数均值的最小值，筛选并保留拟合系数均值大于最小值的神经元个数；采用均值归一化方法，分别将保留下来的神经元个数对应的拟合系数均值与方差进行归一化处理；为处理后的拟合系数均值和方差分配权重，设定两部分的加权和为神经元的评价函数值；评价函数值最大值对应的神经元个数为隐含层最佳神经元个数；