基于RBM-GASA-BPNN的潜在 高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

基于GA-PSO混合优化的BPNN车速预测方法

BP神经网络(BPNN)已经用于车速预测方面的研究.针对BPNN不同的初始权值和阈值会影响车速预测精度的问题,提出一种基于GA-PSO混合优化的BPNN车速预测方法.以北工大西门到百葛桥为研究路径,构建基于BPNN的车速预测模型;将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合,通过逐次迭代取最优的方式确定BPNN的最优初始权值和阈值,以此设计基于GA-PSO混合优化的BPNN车速预测方法.最后,以所选路径为对象,利用基于GA-BPNN的预测法、基于PSO-BPNN的预测法,以及提出的方法对车速进行了实验预测.结果表明,相较于前两种车速预测改进方法,本文方法的平均车速预测误差分别降低了37.1%和24.1%,有效地提高了车速的预测精度.     

基于旅客出行意图的航线潜在价值计算模型

传统的航线价值计算通常以统计客流量为主,忽略了旅客偏好对航线潜在价值的影响,因此,本文提出了一种基于旅客出行意图的航线潜在价值计算模型.该模型利用最大似然估计法对旅客舱位偏好进行量化,然后引入出行意图的概念将旅客出行行为进行细分,并利用Gibbs Sampling方法实现出行意图的求解,最终达到航线潜在价值计算的目的.在中国民航旅客订票数据集上的实验表明,本文方法获得的2010年航线价值序列与2011年航线价值序列的相似度要明显高于统计客流量的方法,且对排名前5的高价值航线的挖掘准确率可达100%.     

基于潜在类别模型的高铁旅客市场细分

对高速铁路旅客市场进行细分是应用收益管理理论的重要环节.基于京沪高铁的客票数据,选取年龄、性别、出行日期、出行距离、购票方式和提前购票时间6类外显变量作为分类指标,采用潜在类别模型进行高速铁路旅客市场的细分.首先将外显变量概率参数化后代入模型进行建模并利用Mplus软件进行模型求解,模型拟合的AIC和BIC等指标表明,当潜在类别为3类时模型具有较好的效果.然后根据模型参数估计结果对所有数据进行潜在聚类分析,分类正确率达到93%左右,表明分类结果合理,3种类别的旅客在提前购票时间、出行距离等方面具有明显的差异.潜在类别模型的引入可以为我国高速铁路收益管理理论研究和实践应用提供参考借鉴.     

基于累积前景理论的城际列车分时定价研究

城际客流具有时段分布不均衡特点,表现为高峰时段一票难求而低峰时段客座率低。为均衡客流、提高城际高铁收益,选取客运通道内不同时段车次进行差别定价。考虑旅客选择行为的差异性和有限理性,采用潜在类别分析对旅客进行分类,选取票价和时段价值两个影响因素, 建立双参照点的旅客平行车次产品效用模型,以累积前景值刻画异质旅客对平行车次的出行效用。基于累积前景值构建以铁路企业收益最大,旅客广义出行费用最小的分时定价双层规划模型,设计基于灵敏度分析的启发式算法求解。最后以南宁-北海为例对高峰、非高峰时段平行列车进行实例分析,结果表明,本文提出的分时定价方法能提升收益约2.5%,且高峰、非高峰时段的客流更加均衡。     

地铁拥挤度和出行者异质性对时间价值的影响

出行者的选择偏好存在显著的异质性，现有研究根据出行者的某些特征对出行者分类，再分析不同类别出行者的选择行为，这种方法缺乏理论依据. 本文利用潜在类别条件 Logit 模型，研究出行者异质性和其对地铁时间价值的综合影响. 潜在类别条件Logit 模型根据出行者的选择行为进行分类，再分析出行者的个人特征对分类的影响. 通过分析，出行者可以划分为class1、class2 两个潜在类别.class1 中无座乘客不在意车厢内拥挤度，class2 中无座乘客极为在意车厢内拥挤度；class1 中有座乘客与无座乘客的时间价值分别为14.7 元/h、16.9 元/h， class2 中车厢内无座乘客的密度增加1 人/m2，其时间价值增加8.6 元/h；出行者的舒适性需求对出行者类别划分具有显著影响，出行者的舒适性需求越高，出行者越有可能属于class2.     

基于模拟退火算法的汽车悬架最优控制研究

设计了一种基于模拟退火算法优化常规线性二次最优控制器权值矩阵的方法。利用该算法的随机搜索特点,以主动悬架性能指标为目标函数对权值矩阵进行优化设计,提高了LQR控制器的设计效率和控制性能,解决了常规线性二次最优控制器的权值矩阵确定问题。应用该方法进行了汽车悬架主动控制仿真。研究结果表明:基于模拟退火算法优化的LQR控制器的汽车主动悬架相对于应用常规LQR控制器的主动悬架和被动悬架,能够大大改善主动悬架的性能;同时在充分利用常规LQR控制器优势的基础上,改善了其权值矩阵确定存在的问题。     

一种基于ADPSO优化的循环神经网络模型

针对循环神经网络(Recurrent Neural Network,RNN)采用传统的训练方法造成的收敛速度慢、易陷入局部最优的问题,提出一种自动调整的动态粒子群优化算法(ADPSO),利用ADPSO较强的全局寻优能力来优化RNN的初始权值及阈值,构建基于ADPSO优化的RNN模型(ADPSO-RNN),从而提升RNN的预测性能及泛化性能.在ADPSO中,将动态搜索空间策略引入到粒子群算法中,同时自适应地调整学习因子以平衡算法的全局和局部搜索能力.在实验中,将ADPSO与PSO进行算法优化性能对比,结果表明ADPSO具有更好的寻优性能;然后以某股票的股票价格历史数据为实验数据,将ADPSO-RNN与常规RNN、PSO优化的RNN分别对其进行预测,结果表明ADPSO-RNN模型在股票价格预测中预测指标平均绝对误差和均方误差上相对于另外两种模型均有所降低,具有更好的泛化性能.     

���ڴʰ�ģ�͵����������֤�㷨

随着火车票实名制的不断推广,人工核实身份的验票方式已不能满足实际需求,鉴于此本文提出一种基于词包模型的人脸身份认证算法,通过人脸比对自动完成身份核实.首先提取每幅图像的尺度不变特征变换(SIFT)描述子;其次利用词包模型(BOVW)构建人脸的典型特征;随后训练SVM分类器,将同一人不同年龄段的图像作为同一类,针对同一人的类内相似性和不同人的类间差异性进行建模;最后通过SVM分类器分别对旅客图像和其身份证图像进行分类,根据所属类别的一致性判断是否属于同一人.实验结果表明,本算法能有效地进行身份认证,并且针对图像质量较低、光照情况不可控的情况仍可达到比较高的准确率.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度，提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间，利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间；将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量，基于底层BPNN模型预测车辆在目标路段的行程时间，进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试，并与其他4 种模型进行比较. 结果表明，所提模型具有较高的预测精度，尤其在雨天，比传统BPNN模型预测精度提高57.25%.     

考虑个性化出行需求的多模式公交路径规划

在多模式公交出行中,传统的路径规划方案已无法满足出行者日益增长的出行需求. 为提供基于出行者多种出行需求的个性化路径规划方案,通过IC卡刷卡数据模拟公交时刻表,建立基于模拟时刻表的多模式公交路网模型;采用动态阈值化法建立个性化出行需求评价值模型;设计深度优先搜索-遗传算法（depth first search-genetic algorithm,GA-DFS）,并基于此组合算法提出初始种群产生策略和两点变异方法;最后,假设了3种不同出行需求的出行场景,将某市区的多模式公交路网数据应用于模型和求解算法中,并与使用较广的模拟退火-遗传算法（simulated annealing-genetic algorithm,GA-SA）进行对比分析. 仿真结果表明:所提出的算法与模拟退火-遗传算法相比,平均迭代次数减少了42%,寻优能力提高了50%,并且可以提供基于乘客多种出行需求的路径规划方案.      

基于萤火虫优化的BP神经网络算法研究

为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领城的可行性和有效性.     

基于时空行为规律挖掘的公交乘客分类方法

应用智能公交系统(APTS)提取个体乘客出行信息，构造了公交出行链，研究了基于时空行为规律挖掘(STBRM)的公交乘客分类方法；应用时间序列表征乘客出行时间特征，利用互相关距离(CCD)算法计算了个体乘客出行时间规律；应用带噪声基于密度的空间聚类(DBSCAN)算法，挖掘了个体乘客的出行空间规律；依据出行强度和出行时空规律，将乘客划分为极少出行、时间规律、空间规律、时空规律和不规律等5个群体；以出行天数、类似上车时间数量和类似上车站点数量为聚类指标，应用K-Means++算法将乘客划分为高规律、中规律和低规律3类，比较了本文提出的STBRM方法和K-Means++聚类方法的分类结果，揭示了2种方法分类结果之间的关系。研究结果表明: 当时段划分长度取5 min，时间规律性判断阈值取3.0时，利用CCD算法识别时间模式规律乘客的效果最佳，与常用的DBSCAN算法相比，识别率提升了14.64%；增加时间窗长度能够提高时间、空间模式规律判定结果的稳定性；时间窗长度达到3周后，空间模式规律的乘客比例下降趋缓，达到6周后趋于稳定；时间窗长度达到2周后，时间模式规律的乘客比例增长趋缓，达到4周后趋于稳定；时间规律、空间规律和时空规律等3类乘客数量仅占总乘客数量的30.4%，但其出行量占到了总出行量的84.7%，公交依赖度很高，应作为公交机构重点保障的对象；本文提出的STBRM方法与K-Means++聚类方法的分类结果具有较强的关联性，规律性极高或极低的群体高度重合。      

城市轨道交通小交路计划与客流控制协同优化策略

高峰时段的大客流需求易造成城市轨道站台乘客大量聚集,从而给城市轨道交通系统带来安全隐患,降低乘客乘车的舒适度;同时,客流空间分布的不均衡性导致供需能力不匹配,降低 了列车资源的利用率。针对该现象,本文结合大小交路开行方案与客流控制策略研究城市轨道交通列车时刻表协同优化问题。考虑到城市轨道交通客流的不确定性,将乘客到达率设置为不确定变量,而后基于客流演化与列车运行的动态关系,建立以最小化滞留乘客数、客流控制人数、 列车运行时间,以及最大化列车资源利用率衡量值为目标的优化模型,并设计一种基于机会约束 的随机场景优化算法进行模型求解。以北京市某轨道线路为例进行数值实验验证模型的有效性。结果表明,相较于常规运营策略,本文提出的协同优化策略在期望滞留人数和列车运行时间方面有了较大改善,更好地实现了乘客成本和企业运营成本之间的均衡。     

基于扩展置信规则库的海盗袭击事件风险预测

为有效应对海盗袭击事件，减少可能产生的损失，本文提出一种新的基于扩展置信规则库 (EBRB)联合优化的海盗袭击事件风险预测模型。通过引入Relief F算法和差分进化算法，从结构和参数两个角度对EBRB系统进行优化，以确保EBRB系统具有最优的参数数量和取值，利用实际海盗事件数据集进行模型验证。结果显示，联合优化的EBRB系统预测结果与实际情况的拟合效果较好，相对于初始的EBRB系统，联合优化EBRB系统将海盗事件的风险预测准确性提高 了60%。此外，与现有其他预测模型对比发现，基于联合优化EBRB系统的预测模型在提高预测准确性方面具有一定的优势。     

基于Martins算法的联合运输最优路径规划

为了快速高效地找出最优的联运路径,在现有模型的基础上,考虑时间窗约束,建立了具有多目标、多运输方式、多货种的路径选择改进模型,并设计了2层搜索算法求解该模型.第1层在已知每条路径标签的基础上,根据时间窗删除规则并利用改进的Martins算法,计算出有效路径集;第2层将第1层的有效解作为其初始解,删除不满足货物运输总时间、中转次数和运输方式容量3个限制条件的路径,得到最优路径集合.根据货主的需求,采用序数偏好方法,组合不同的费用权重和时间权重得到综合权重值,找出对应最大综合权重值的最优路径.实例分析表明:相比已有的标签算法,改进算法增加了运算方式容量限制条件,缩小了解空间,避免了生成无效路径;相比拉格朗日松弛算法只能求得解的上下限,本文算法能够求得精确解,耗时在30 s以内,计算时间减少75%.