地鐵項目完成的數(shù)據(jù)挖掘11

1、。現(xiàn)在（01量，例如（不是周末，雨天，不是節(jié)假日，是工作日，不存在大型活動pyneurgen的原因，并在這個基礎(chǔ)上提出了自己的組合方法。:同濟大學(xué),2008,10-15的研究重123（。現(xiàn)在（01量，例如（不是周末，雨天，不是節(jié)假日，是工作日，不存在大型活動pyneurgen的原因，并在這個基礎(chǔ)上提出了自己的組合方法。:同濟大學(xué),2008,10-15的研究重123（模型研究 交通大學(xué)學(xué)報, 2009模，模型馬爾科夫進行分類。文獻Tsung-Hsien Tsai. Neural network temporal feature s for short-term railway passenger

2、 forecastingJ.ExpertSystemspplications.2009位神經(jīng)網(wǎng)絡(luò)模型(MTUNN)和并行組合神經(jīng)網(wǎng)絡(luò)(PENN)求中。文獻模型研究:理工大學(xué).2009（測）(的它能以高精近非線性函數(shù)短期客模型不僅考慮了多組合下的客問題模型研究 交通大學(xué)學(xué)報, 2009模，模型馬爾科夫進行分類。文獻Tsung-Hsien Tsai. Neural network temporal feature s for short-term railway passenger forecastingJ.ExpertSystemspplications.2009位神經(jīng)網(wǎng)絡(luò)模型(MTUNN)和并

3、行組合神經(jīng)網(wǎng)絡(luò)(PENN)求中。文獻模型研究:理工大學(xué).2009（測）(的它能以高精近非線性函數(shù)短期客模型不僅考慮了多組合下的客問題2:電子科技大學(xué),2012,23-：123分析,是有針對性地提方案、改3中使用到的方法的算法模型（Elman 神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)ElmanBP 123分析,是有針對性地提方案、改3中使用到的方法的算法模型（Elman 神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)ElmanBP 控制J.計算機仿真,2003Elman軍. Elman 神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法及其在非線性系統(tǒng)辨識中的應(yīng)用J.2005ElmanElmanA.業(yè)大學(xué)學(xué)報（自然科學(xué)版，2008BP，Elman承接層圖 Elm

4、anu(k)Elman，x(k)為隱含層的輸出值，xc(k)為承接層的Elmanx(k承接層圖 Elmanu(k)Elman，x(k)為隱含層的輸出值，xc(k)為承接層的Elmanx(k) = f(W1xc(k) + W2(u(k xc(k) = x(k 1) y(k) = W1、W2、W3分別為承接層神經(jīng)單元到隱含層神經(jīng)單元的連接權(quán)重矩出層神經(jīng)單元的連接權(quán)重矩陣函數(shù) f()為隱含層神經(jīng)單元的傳遞函數(shù)函數(shù) g()Elman神經(jīng)網(wǎng)絡(luò)的非線控制，2007Elman。輸出單輸入單輸入為u(k-輸出為圖 Elman馬爾科法科夫比較適合于隨機波動性較大1）狀態(tài)劃m, Em2）馬氏性檢利用x2n 為狀態(tài)

5、E一步轉(zhuǎn)移到E圖 Elman馬爾科法科夫比較適合于隨機波動性較大1）狀態(tài)劃m, Em2）馬氏性檢利用x2n 為狀態(tài)E一步轉(zhuǎn)移到Ej ,Mij Moj m i=1 計n | 服從 ( m 的x 分布。通過選定由于x2 = m 3）確定轉(zhuǎn)移n | 服從 ( m 的x 分布。通過選定由于x2 = m 3）確定轉(zhuǎn)移如果狀態(tài)E通過一步轉(zhuǎn)向E的概率為P ，則p ，式中的n 為狀ijEi通過一步轉(zhuǎn)向Ej的頻數(shù)，Ni為狀態(tài)Eip 如果現(xiàn)在的狀態(tài)為ipi4）計算馬爾值假設(shè)系統(tǒng)處于狀態(tài)Eii及其轉(zhuǎn)移概率。它的一值可以由狀態(tài)中點與相應(yīng)的轉(zhuǎn)移概率乘積之和1 其中，1i和2i分別為狀態(tài)Ei的上下限，Ei 1i,2i3將4實驗數(shù)據(jù)和評價n1 iRME= nxi