基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
This paper studies the short-term prediction methods of sectional passenger flow, and selects BP neural network combined with the characteristics of sectional passenger flow itself. With a case study, we design three different schemes. We use Matlab to realize the prediction of the sectional passenger flow of the Beijing subway Line 2 and make comparative analysis. The empirical research shows that combining data characteristics of sectional passenger flow with the BP neural network have good prediction accuracy.
推荐文章
一种用于PWM的Rail-to-Rail比较器
PWM
Rail-to-Rail
共模输入范围(CMIR)
电流比较器
恒定跨导Rail-to-Rail CMOS运放设计
Rail-to-Rail
CMOS
跨导恒定
最大电流选择电路
1.5V低功耗Rail-to-Rail CMOS运算放大器
CMOS
低功耗
rail-to-rail
运算放大器
高性能Rail-to-Rail恒定跨导CMOS运算放大器
Rail-to-Rail
恒定跨导
浮动电流源
CMOS运算放大器
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 The Research of Urban Rail Transit Sectional Passenger Flow Prediction Method
来源期刊 智能学习系统与应用(英文) 学科 数学
关键词 URBAN RAIL TRANSIT NEURAL Network Sectional PASSENGER FLOW Prediction Method
年,卷(期) 2013,(4) 所属期刊栏目
研究方向 页码范围 227-231
页数 5页 分类号 O1
字数 语种
DOI
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2013(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
URBAN
RAIL
TRANSIT
NEURAL
Network
Sectional
PASSENGER
FLOW
Prediction
Method
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
智能学习系统与应用(英文)
季刊
2150-8402
武汉市江夏区汤逊湖北路38号光谷总部空间
出版文献量(篇)
166
总下载数(次)
0
总被引数(次)
0
论文1v1指导