地鐵項目完成數(shù)據(jù)挖掘

1、數(shù)據(jù)挖掘思路因為短期客流可以用數(shù)學模型進行，基于這個，數(shù)據(jù)挖掘的在方法中，使用神經(jīng)網(wǎng)絡的方法得到最初的結果，然后通過雨天和暴雨；向量中的其它因素取值為 0 或 1。，進行之前使用 python的一個神經(jīng)網(wǎng)絡庫 pyneurgen 進行實驗，但是對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其運營的重要性并簡介其他研究者使用的方法，引出考慮多因素的原因，并在這個基礎上提出了自己的組合方法。隨著國內(nèi)的快速推進，地鐵的建設也逐步加快，它已經(jīng)成為我國城市公共交通不可或缺的部分。地鐵客流的結果，在地鐵公司的日常工作中發(fā)揮理進行地鐵的配置和調(diào)度，提高運營組織效率。根據(jù)可的時間可以將軌道交

2、和短期軌道交通客流.城.:同濟大學,2008,10-15。 短力量,達到經(jīng)濟效益和社會效益最大化。短期客流一般有未來 一、未來一日客流和提前數(shù)小時等幾種。與四階段法（出行生客流更側重于數(shù)學模型及其求解算法。研究軌道交通客流數(shù)據(jù)變化，可以對行目的鏈的軌道交通客流模型研究 D.交通大學學報, 2009對傳統(tǒng) 進行分類。文獻Tsung-HsienTsai. Neural network based temporal feature models for short-term railway passenger demand forecastingJ.ExpertSystemswithApplicat

3、ions.2009求中。文獻 .灰色神經(jīng)網(wǎng)絡與支持向量機模型研究D.:理工大學.2009構建了基于灰色系統(tǒng)、神經(jīng)網(wǎng)絡、支持向量機的組合方法,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行客流的最重要環(huán)節(jié)之礎上使用進行修正，提高對隨機波動性較大的數(shù)據(jù)的精確度。客流模型不僅考慮了多種因素對地鐵客流的影響，而且還具有較 好解提出自己模型的流程，并簡要描述一下。, :電子科技大學,2012,23-線候發(fā)列客客客路車車車流流流結空頻進量量量構間率出隨規(guī)動簡封較站機律態(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,得到較為準確的結果,在之前,首先應該掌握客流的時序特史客流量的數(shù)據(jù)統(tǒng)計及影響因素分析,是有針對性地提出方案、改進方簡要介紹一中使用到的方法的算法模型（Elman 神經(jīng)網(wǎng)絡確確生確輸輸Elman 神經(jīng)網(wǎng)圖 客模型訓練過經(jīng)網(wǎng)絡，它基于BP 網(wǎng)絡并通過狀態(tài)使其具有動態(tài)特性的功能，從反映數(shù)據(jù)的動態(tài)特性。當時，為了識別動態(tài)特征，ElmanElman 神經(jīng)網(wǎng)絡訓練方法及其在非線性系統(tǒng)辨識中的應用J.煤礦機械， 2005石琴，陳無畏等.基于Elman型回歸神經(jīng)網(wǎng)絡的客流A. 合肥工業(yè)大 學學報（自然科學版，2008。對比BP神經(jīng)網(wǎng)絡，Elman網(wǎng)絡有一個 承接層輸出為輸入為u(k-

5、輸出單假設 u(k)為Elman 網(wǎng)絡輸入值，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)絡的數(shù)學表達為：x(k) = f(W1xc(k) + W2(u(k xc(k) = x(k y(k) = Elman神經(jīng)網(wǎng)絡的非線性 控制A.科技大學（自然科學版，2007。 Elman 神經(jīng)網(wǎng)絡的訓練過程 。法對于 修正，它的主要過程是：狀態(tài)劃分根據(jù)數(shù)據(jù)的相對誤差，將其進行狀態(tài)序列標記，把它們分為mE1 E2 Em馬氏性檢驗利用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