CN119514786A 一种基于cs优化复合神经网络的客流预测方法 （华东交通大学）

一种基于CS优化复合神经网络的客流预测了一种基于CS优化复合神经网络的客流预测方据训练LRT_XGB复合神经网络;采用CS算法优化训练好的LRT_XGB复合神经网络，调整至网络模LRT_XGB复合神经网络进行模型预测，验证并分析该地铁线路四个站段的客流预测结果该基于化算法自动调整和优化LRT_XGB复合神经网络的2S1.获取某一地铁线路的四个站段在工作日的客流信息数据，对客流信息数据预处理S2.将客流数据集合划分得到训练数据集和测试数据集，建立LRT_XGB复合神经网络，;2）搭建RBF层，输入来自LSTM层提取的时间特;;3;其中husru表示在特定时间步的隐藏层状态输出的数值向量，hnsr表示输入数据在径向基函数空间中的响应值，hrransformer为输入数据在Transformer架构中的编码表示，;;所述CS算法优化LRT_XGB复合神经网络;;根据获取的模型参数最优配置的值更新LRT_XGB复合神经网络模型的原始参数，对所述;4;;5S1.获取某一地铁线路的四个站段在工作日的客流信息数据，对客流信息数据预置;6;;;其中(Q,K,V)分别是通过对输入数据进行不同的线性变换而输出得到的查询函数用于对注意力权重进行归一化；;其中husru表示在特定时间步的隐藏层状态输出的数值向量，hnsr表示输入数据;;7;;[0011]优选的，根据获取的模型参数最优配置的值更新LRT_XGB复合神经网络模型的原;2）再选取均方根误差法作为评价指标，对模型输出的客流预测结果进行量化分;;与现有技术相比，本发明提供了一种基于CS优化复合神经网络的客流预测方法，8图4为本发明中LRT_XGB复合神经网络S1.获取某一地铁线路的四个站段在工作日的客流信息数据，对客流信息数据预置;时间段以及对应时间段的客流量数据，对客流信息数据预处理包括数据清洗和归一化处数f(x)求取近似函数f(x)补齐缺失的未知数据点；9然后通过sklearn调用train_test_split函数对导入的客流数据集合进行处理，;;将LSTM和RBF能够提高网络模型对非线性时间序列数据的处理能力，适用于时间;其中(Q,K,V)分别是通过对输入数据进行不同的线性变换而输出得到的查询函数用于对注意力权重进行归一化；;其中husru表示在特定时间步的隐藏层状态输出的数值向量，hnsr表示输入数据;;数据与其他数据之间的关系权重，捕捉输入数据中的全局依赖关系，通过XGBoost算法将;;[0029]进一步的，根据获取的模型参数最优配置的值更新LRT_XGB复合神经网络模型的原始参数，对LRT_XGB复合神经网络模型输入测试样本数据，用于模型预测并输出预测结RBF网络在面对客流高峰时段数据时，其预测结果容易出现高峰提前和低谷延迟导致峰值和谷值之间存在较大的偏差以及在应对噪声数据RNN网络在处理处于上升状态的客流数据和下降状态的客流数据时，其预测曲线[0031]结合图5所示，将经过CS算法优化的LRT_XGB复合神经网络与模型参数未优化的;2）再选取均方根误差法作为评价指标，对模型输出的客流预测结果进行量化分;;算法优化后的LRT_XGB复合神经网络其模型预测结[0034]本发明的有益效果是：该基于CS优化复合神经网络的客流预测方法，通过建立LRT_XGB复合神经网络相较于单一网络模型在非线性和非平稳客流数据的预测时，能够充测精度，并且建立的LRT_XGB复合神经网络的预测结果精度均优于现有单一神经网络模型采用CS优化算法自动调整和优化LRT_XGB复合神经网络的模型参数，从而进一步提升预测模型的精度和鲁棒性，保证复合神经网络模型在各种应用场景下均能保持较高的预测性