如需要完整文档点击下方 "点击下载文档" 按钮
铁路客票业务流量数据是反映系统业务运行状态的重要记录,为加强流量数据异常预警, 针对流量数据具有历史规律性及突变性的特点,选用适于解析数据时间序列依赖度高的门控循环单元神经网络模型( GRU) ,对流量数据实现时序拟合及趋势预测。GRU 采用不同时间步长对流量数据进行拟合的结果在整点或半点周期时间步长具有局部最小特征,该特征与铁路售票时刻规则形成的时间序列依赖规律相一致。 在相同数据条件下, 使用 GRU 算法与自回归模型等主流预测算法进行拟合准确度对比,结果证明 GRU 在解析铁路客票业务流量数据依赖方面具备较高的准确性。经过对异常流量数据趋势预测及拟合,在数据异常区间,预测结果与真实数据的拟合近似验证了 GRU 算法能够为铁路客票业务流量数据异常预警提供可行性策略。
如需要完整文档点击下方 "点击下载文档" 按钮
《基于门控循环单元的铁路客票业务流量数据预测》
将 完整文档 下载到本地,方便收藏和查阅
文件号:061379
点击下载文档