地鐵項(xiàng)目完成數(shù)據(jù)挖掘

1、數(shù)據(jù)挖掘思路因?yàn)槎唐诳土骺梢杂脭?shù)學(xué)模型進(jìn)行，基于這個(gè)，數(shù)據(jù)挖掘的在方法中，使用神經(jīng)網(wǎng)絡(luò)的方法得到最初的結(jié)果，然后通過雨天和暴雨；向量中的其它因素取值為 0 或 1。，進(jìn)行之前使用 python的一個(gè)神經(jīng)網(wǎng)絡(luò)庫(kù) pyneurgen 進(jìn)行實(shí)驗(yàn)，但是對(duì)其輸入輸一種基于多因素下的地鐵客流短期模首先闡述軌道交通客流對(duì)其運(yùn)營(yíng)的重要性并簡(jiǎn)介其他研究者使用的方法，引出考慮多因素的原因，并在這個(gè)基礎(chǔ)上提出了自己的組合方法。隨著國(guó)內(nèi)的快速推進(jìn)，地鐵的建設(shè)也逐步加快，它已經(jīng)成為我國(guó)城市公共交通不可或缺的部分。地鐵客流的結(jié)果，在地鐵公司的日常工作中發(fā)揮理進(jìn)行地鐵的配置和調(diào)度，提高運(yùn)營(yíng)組織效率。根據(jù)可的時(shí)間可以將軌道交

2、和短期軌道交通客流.城.:同濟(jì)大學(xué),2008,10-15。 短力量,達(dá)到經(jīng)濟(jì)效益和社會(huì)效益最大化。短期客流一般有未來(lái) 一、未來(lái)一日客流和提前數(shù)小時(shí)等幾種。與四階段法（出行生客流更側(cè)重于數(shù)學(xué)模型及其求解算法。研究軌道交通客流數(shù)據(jù)變化，可以對(duì)行目的鏈的軌道交通客流模型研究 D.交通大學(xué)學(xué)報(bào), 2009對(duì)傳統(tǒng) 進(jìn)行分類。文獻(xiàn)Tsung-HsienTsai. Neural network based temporal feature models for short-term railway passenger demand forecastingJ.ExpertSystemswithApplicat

3、ions.2009求中。文獻(xiàn) .灰色神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)模型研究D.:理工大學(xué).2009構(gòu)建了基于灰色系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)的組合方法,雖然精度和性能比原始單一模型有所提高,但是在模型的可擴(kuò)展性、高提出多因素下的的原天氣變化等)的客流,選擇合適的客流方法是進(jìn)行客流的最重要環(huán)節(jié)之礎(chǔ)上使用進(jìn)行修正，提高對(duì)隨機(jī)波動(dòng)性較大的數(shù)據(jù)的精確度?？土髂Ｐ筒粌H考慮了多種因素對(duì)地鐵客流的影響，而且還具有較 好解提出自己模型的流程，并簡(jiǎn)要描述一下。, :電子科技大學(xué),2012,23-線候發(fā)列客客客路車車車流流流結(jié)空頻進(jìn)量量量構(gòu)間率出隨規(guī)動(dòng)簡(jiǎn)封較站機(jī)律態(tài)單閉高性性性客流是以歷史客流數(shù)據(jù)為依據(jù)的,地鐵交通路網(wǎng)隨著城

4、市交通壓力的增種變化情況,得到較為準(zhǔn)確的結(jié)果,在之前,首先應(yīng)該掌握客流的時(shí)序特史客流量的數(shù)據(jù)統(tǒng)計(jì)及影響因素分析,是有針對(duì)性地提出方案、改進(jìn)方簡(jiǎn)要介紹一中使用到的方法的算法模型（Elman 神經(jīng)網(wǎng)絡(luò)確確生確輸輸Elman 神經(jīng)網(wǎng)圖 客模型訓(xùn)練過經(jīng)網(wǎng)絡(luò)，它基于BP 網(wǎng)絡(luò)并通過狀態(tài)使其具有動(dòng)態(tài)特性的功能，從反映數(shù)據(jù)的動(dòng)態(tài)特性。當(dāng)時(shí)，為了識(shí)別動(dòng)態(tài)特征，ElmanElman 神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法及其在非線性系統(tǒng)辨識(shí)中的應(yīng)用J.煤礦機(jī)械， 2005石琴，陳無(wú)畏等.基于Elman型回歸神經(jīng)網(wǎng)絡(luò)的客流A. 合肥工業(yè)大 學(xué)學(xué)報(bào)（自然科學(xué)版，2008。對(duì)比BP神經(jīng)網(wǎng)絡(luò)，Elman網(wǎng)絡(luò)有一個(gè) 承接層輸出為輸入為u(k-

5、輸出單假設(shè) u(k)為Elman 網(wǎng)絡(luò)輸入值，x(k)為隱含層的輸出值，xc(k)為承接層的輸出值，那么 Elman 神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)為：x(k) = f(W1xc(k) + W2(u(k xc(k) = x(k y(k) = Elman神經(jīng)網(wǎng)絡(luò)的非線性 控制A.科技大學(xué)（自然科學(xué)版，2007。 Elman 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程 。法對(duì)于 修正，它的主要過程是：狀態(tài)劃分根據(jù)數(shù)據(jù)的相對(duì)誤差，將其進(jìn)行狀態(tài)序列標(biāo)記，把它們分為mE1 E2 Em馬氏性檢驗(yàn)利用x2n 為狀態(tài)E一步轉(zhuǎn)移到EjMoj , 由于x2 m |lnMij m12 x2 確定轉(zhuǎn)移矩陣=如果狀態(tài)E 通過一步轉(zhuǎn)向E 的概率為P ，則nij ，式中的n 為狀=p = 如果現(xiàn)在的狀態(tài)為 i，轉(zhuǎn)移矩陣 p 的第 i 行表示