申请/专利权人：北京交通大学

申请日：2020-08-21

公开（公告）日：2024-03-29

公开（公告）号：CN112001539B

主分类号：G06Q10/0637

分类号：G06Q10/0637;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2020.12.15#实质审查的生效;2020.11.27#公开

摘要：本发明提供的一种高精度的客运预测方法及客运预测系统，解决以往的客运预测方法单一，预测结果精度与可靠性较低，没有一个完整的客运需求预测系统来进行综合的整合数据资源的技术问题。本发明提供近似非齐次指数序列灰色预测模型DNGM1,1、OGM1,N模型、OBGM1,N模型三种预测模型，解决了预测方法单一，预测结果精度与可靠性较低等问题。客运预测系统解决了目前并没有一个完整的客运需求预测系统，来进行综合的整合数据资源，通过选择适合的算法来合理预测客运需求，并对客运信息进行综合查看展示的问题。本预测方法和预测系统可以对铁路管理决策者和工作者提供有效的支持。

主权项：1.一种高精度的客运预测方法，其特征在于，包括：获取客运历史数据；基于该客运历史数据，分别建立近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型；包括：设X0为原始数据序列，X1为X0的一阶累加生成序列，获得算式X0＝x01,x02,…,x0n1和 通过该算式1和2，获得所述近似非齐次指数规律的离散灰色模型 其中，δ为迭代初始值修正项，为迭代初始值，为原始序列数据的拟合值，α,β,γ为所述近似非齐次指数规律的离散灰色模型的参数，根据最小二乘法的算式 和 获得；该算式4和5中Y1＝[x12,x13,…,x1n]T6 所述的建立开放式地理数据优化模型的过程包括：设为系统特征数据序列或称因变量序列，为相关因素数据序列，为的一阶累加生成序列1-AGO序列，为的紧邻均值生成序列，获得所述开放式地理数据优化模型 式中，h1k-1和h2分别为所述开放式地理数据优化模型的线性修正项和灰色作用量；所述的建立多变量优化灰色预测模型的过程包括：设原始序列的一阶累加生成序列1-AGO序列为获得背景值系数为ξ∈[0,1]的所述多变量优化灰色预测模型的初始式 式中，参数列的最小二乘估计满足 所述多变量优化灰色预测模型的时间响应式为： 进一步获得所述多变量优化灰色预测模型的最终还原式： 其中， 对该近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行评估，获得客运预测结果；具体包括：获取评估数据；分别通过名称相似度方法、数据类型相似度方法和取值范围相似度方法中的一种或多种，以精确度指标并结合该评估数据对所述近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行模式匹配；包括：所述精确度指标通过式获得；式中，C为正确匹配的属性数量，I为未能正确匹配的属性数量；将所述评估数据分为未定义取值范围的属性A1和已定义取值范围的属性A2；基于该未定义取值范围的属性A1，通过所述名称相似度方法和组合使用所述名称相似度方法、数据类型相似度方法，以精确度指标并结合该未定义取值范围的属性A1对所述近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行模式匹配；基于该已定义取值范围的属性A2，通过单独使用所述名称相似度方法，组合使用所述名称相似度方法、数据类型相似度方法，组合使用所述名称相似度方法、数据类型相似度方法和取值范围相似度方法，以精确度指标并结合该已定义取值范围的属性A2对所述近似非齐次指数序列灰色预测模型、开放式地理数据优化模型和多变量优化灰色预测模型进行模式匹配。

全文数据：

权利要求：

百度查询： 北京交通大学 一种高精度的客运预测方法及客运预测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD