基于DAE方法城市对外客运需求预测

摘要

对外客运需求预测研究中相关影响因素之间存在相关性关系,常使用神经网络等方法进行回归.但神经网络训练过程中常出现局部极值、梯度弥散以及少样本量下过拟合等问题,进而导致网络回归预测精度低.引入深度学习理论中噪声自编码(Denoising AutoEncoder,DAE)方法,通过数据的逐层自编码、解码过程获得良好的网络初始化参数,解决了局部极值与梯度弥散问题.人工主动随机噪声使得训练的网络鲁棒性、泛化能力更强,不易过拟合.并以北京市为实例验证,模型精度良好,方法可用于城市中远期对外客运需求预测.