基于LSTM神经网络的城市交通客流量的预测.zip 大学生课程设计 基于lstm的课程设计 自己大二写的课程设计

针对目标快速移动和遮挡情况导致的客流统计存在误差的问题，设计目标的检测、跟踪、进门行为判断等策略，提出基于深度学习的餐饮业客流统计方法.首先，通过多数据集对YOLOv3-tiny模型进行训练，实现对于小目标的准确检测；进而设计多通道特征融合的目标跟踪算法，完成目标快速移动情况下的稳定跟踪；最后设计目标进门行为的判断方法，通过重叠率对目标的进门行为进行判断，实现对进门客流量的准确统计.最终通过实验验证，客流量统计的平均准确率达到93.5%.

D3TubeMap 使用 D3 构建的地铁站落脚图

【大话云原生】负载均衡篇-小饭馆客流量变大了.pdf

上海市地铁客流数据 接近半个月 太大无法无法上传 需要私信

旅游客流量受多种因素影响，传统的时间序列预测模型无法描述预测对象的规律，人工智能方法如BP神经网络，其结构的选择过多依赖经验，基于此提出了利用改进的粒子群算法优化BP神经网络，通过惯性因子的非线性递减来改善粒子群的寻优性能。将该预测模型应用于自贡灯会的客流量进行实际预测分析，通过对150组训练样本和50组测试样本的实验仿真，可知改进后的方法提高了预测结果的准确度，并且涉及参数少、简单有效。

北京地铁客流量统计（py爬虫+js统计图）.zip

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.

针对智能商业平台中的大数据预测问题，提出一种多因素稀疏回归预测模型。以离散余弦变换为基础，构建包含多个外部因素（节假日、天气、温度）的字典集，通过LASSO方法定量求解稀疏编码模型中各外部因素的影响。实验对2 000个商家的客流量进行预测。实验结果表明，外部因素不同程度地影响客流量，在预测模型中叠加外部因素后可以有效提高预测的准确性。同时，与其他方法对比表明，多因素稀疏回归预测模型比RNN、ARIMA 等模型的预测效果更好。

基于灰色马尔可夫模型的陕西省旅游客流量预测，陈冰冰，杨文鹏，针对旅游客流量的灰色特性，引入灰色GM (1, 1)模型进行预测，并通过建立马尔可夫链对预测结果进行修正。结合陕西省旅游客流量的统计