基于eemd经验模态分解与神经网络的城市轨道交通客流自动预测模型构建.docxVIP

基于eemd经验模态分解与神经网络的城市轨道交通客流自动预测模型构建 摘要：针对现有城市轨道交通客流自动预测模型存在的预测精度较低、预测时间较长的问题，提出基于EEMD经验模态分解与神经网络的城市轨道交通客流自动预测模型。构建城市轨道交通客流预测的统计分析模型，采用模糊约束特征参数估计和自适应信息跟踪识别的方法实现对城市轨道交通客流特征挖掘，提取城市轨道交通客流的空间状态分布特征量，采用EEMD经验模态特征分解方法实现对城市轨道交通客流的特征挖掘和信息聚类处理，对提取的城市轨道交通客流特征量采用神经网络分类方法进行特征分类调度，实现对城市轨道交通客流的优化估计和预测。仿真结果表明，采用该方法进行城市轨道交通客流预测的精度普遍高于90%,预测时间普遍在30 s以内，可见该模型提高了城市轨道交通客流的规划能力。 0 引言随着城市轨道交通建设的快速发展，城市轨道交通的客流量越来越大，需要根据城市轨道交通客流的分布特性，对城市轨道交通客流进行预测，从而满足城市轨道交通建设的需求变化。通过对城市轨道交通客流进行优化管控和调度，构建城市轨道交通客流的优化预测模型，实现对城市轨道交通客流的优化检测和融合分析，根据城市轨道交通客流状态分布，提高城市轨道交通客流的自动化预测水平在现有此方面的相关研究中，对城市轨道交通客流预测方法主要有基于小波尺度融合分解的城市轨道交通客流预测方法、基于模糊统计分析的城市轨道交通客流预测方法、基于自相关特征匹配的城市轨道交通客流预测方法等1 城市轨道交通客流预测大数据分析模型1.1 为了实现基于EEMD与神经网络的城市轨道交通客流自动预测，结合统计分析和大数据融合采样方法，构建城市轨道交通客流预测的网格信息分布模型，如图1所示。根据图1所示的城市轨道交通客流预测的网格分布，建立城市轨道交通客流规划的分区块预测模型，采用模糊相关性特征分析和大数据融合调度的方法，进行城市轨道交通客流的统计分析=其中，采用关联规则调度的方法，得到城市轨道交通客流分布参数的关联调度特征解析模型 其中，1.2 构建城市轨道交通客流预测的统计分析模型，采用模糊约束特征参数估计和自适应信息跟踪识别的方法实现对城市轨道交通客流特征挖掘 其中，根据相似度特征补偿方法，得到城市轨道交通客流大数据的属性聚类的目标规划模型=[其中，采用大数据融合调度方法进行城市轨道交通客流大数据分析，建立城市轨道交通客流统计的模糊信息分布数学模型=其中， 其中(其中， 其中，2 城市轨道交通客流量预测模型优化2.1 在上述构建了城市轨道交通客流量的大数据分析模型基础上，进行城市轨道交通客流量动态预测和自适应控制=(其中， 其中，E通过上述数学模型构建，建立城市轨道交通客流预测的动态特征提取模型。2.2 采用 其中，Τ结合人工智能学习方法进行城市轨道交通客流预测的自适应学习，得到城市轨道交通客流数据 其中，G3 仿真实验与结果分析为了验证本方法在实现城市轨道交通客流预测中的应用性能，通过Matlab仿真进行实验测试分析，对城市轨道交通客流数据采集的样本数为2 000,对城市轨道交通客流预测的训练样本数为120,PID神经网络预测的适应度系数为0.36,流量分布的相似度系数为0.17,根据上述参数设定，进行城市轨道交通客流预测仿真分析，得到原始采集的城市轨道交通客流信息采集结果如图2所示。以图2采集的城市轨道交通客流信息为研究对象，进行城市轨道交通客流预测，得到预测结果如图3所示。分析图3得知，本方法进行城市轨道交通客流预测的可靠性和收敛性较好，特征聚敛性较强。为了进一步验证本方法的应用性能，运用不同方法进行城市轨道交通客流的自动预测。首先，记录不同方法下城市轨道交通客流的预测精度，得到对比结果如图4所示。分析图4得知，随着迭代步数的增加，不同方法进行城市轨道交通客流预测的精度都有所上升，但本方法进行城市轨道交通客流预测的精度是最高的，普遍高于90%,明显高于其他传统方法。其次，运用不同方法测试城市轨道交通客流预测的响应时间，得到对比结果如图5所示。分析图5可知，随着样本数量的增加，不同方法下的城市轨道交通客流预测时间都得