【摘要】中提到的是一种针对城市公交客流预测的新型模型，该模型采用了无监督特征学习理论和改进的卷积神经网络（CNN）。公交客流预测是一个复杂的问题，由于其随机性、时变性和不确定性，需要高效的预测方法来为市民提供实时、准确的公交出行建议。论文提出的方法首先利用无监督学习来提取公交客流的出行特征，这有助于从大量历史数据中捕获不同日期和时间段的客流模式。
在特征学习之后，文章重点介绍了改进的CNN模型。CNN在图像处理和模式识别中表现出色，但在防止过拟合方面有时会遇到挑战。为了解决这个问题，研究人员采用了DropSample训练方法，这是一种防止过拟合的有效策略，通过在训练过程中随机丢弃一部分神经元，增加了模型的泛化能力。
在模型训练过程中，采用了Adam优化算法，它能够自适应地调整学习率，以优化网络模型的参数。这种方法允许模型在训练过程中更加灵活地适应不同的数据分布，提高了预测的准确性。
实验结果表明，改进的CNN网络模型相对于传统的CNN模型、多元线性回归模型、卡尔曼滤波模型以及BP神经网络模型，其预测精度和可靠性都有显著提升。具体表现为：改进CNN模型的均方根误差（RMSE）为229.539，平均绝对百分比误差（MAPE）为0.117。这些指标都低于其他模型，说明提出的模型在预测误差上更小，具有更好的预测性能。
关键词涉及的“公交客流”是研究的核心问题，“卷积神经网络”是解决问题的主要工具，“无监督学习”用于特征提取，“DropSample训练方法”是防止过拟合的关键技术，而“模型预测系统”是整个研究构建的目标。
这篇论文提出的是一种结合无监督学习和改进CNN的公交客流预测模型，通过DropSample方法增强了模型的泛化能力和预测精度。这一方法在实际公交站点客流预测中的应用结果显示了其有效性和可靠性，对于优化城市公共交通规划和服务提供了重要的理论支持。
VIP享7折，此内容立减4.47元 
