大数据毕业设计PyTorch+Tensorflow火车站客流量实时预测 北京南站客流集散应急程序 火车站客流量实时分析 火车站客流量实时分析 大数据毕业设计 计算机毕业设计 机器学习 深度学习

博主介绍：✌全网粉丝100W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌

🍅由于篇幅限制，想要获取完整文章或者源码，或者代做，可以给我留言或者找我聊天。🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人 。

文章包含：项目选题 + 项目展示图片 （必看）

 

计算机毕业设计吊炸天PyTorch+Tensorflow火车站客流量实时预测 北京南站客流集散应急程序 火车站客流量实时分析 火车站客流量实时分析 大数据毕业设

 

1.

需要爬取到达北京南站的列车信息

信息包括：车次号，车辆编号，预计到站时间，晚点时间，实际到站时间（预计到站+晚点时间）

具体操作可以更改，目的是记录到站列车信息并存储在数据库中，并根据存储信息完成第二点的数据分析。

2.

1. 预测晚点引起的额外人流数量和分布。
2. 预测人流会采取什么方式进行集散。（从历史数据进行百分数预测）

3.

记录数据并得出预测结果后可视化展示

可视化展示要求：

动态显示车站到达层人员密集度

图示红点表示一个人，根据人员数量在这一区域内随机位置生成，并避免粘连重合

Ps: 如果客流量爬不出来再联系，更改方案，另外好兄弟效果呈现酷炫一丢丢，不要太廉价

4.最终目的（先完成前3步，第4步再做讨论额外开发）

1. 预测（检测）到人流激增。
2. 分析各种可能的交通工具调度方案之下，疏散相对密集人流的时间。
3. 有效利用交通资源降低高铁站拥堵情况。

 

import numpy as np  
import pandas as pd  
from keras.models import Sequential  
from keras.layers import LSTM, Dense  
from sklearn.preprocessing import MinMaxScaler  
from sklearn.model_selection import train_test_split  
import matplotlib.pyplot as plt  
  
# 假设你有一个CSV文件，其中包含日期和相应的火车站流量数据  
# 列名可能是 'date' 和 'passenger_flow'  
data = pd.read_csv('train_station_flow.csv')  
  
# 将日期转换为时间戳，以便我们可以从中提取有用的特征（如年、月、日、小时等）  
data['timestamp'] = pd.to_datetime(data['date'])  
data['year'] = data['timestamp'].dt.year  
data['month'] = data['timestamp'].dt.month  
data['day'] = data['timestamp'].dt.day  
data['hour'] = data['timestamp'].dt.hour  
  
# 删除原始的日期列，因为我们已经从中提取了有用的特征  
data.drop('date', axis=1, inplace=True)  
data.drop('timestamp', axis=1, inplace=True)  
  
# 将数据标准化到 [0, 1] 范围  
scaler = MinMaxScaler(feature_range=(0, 1))  
scaled_data = scaler.fit_transform(data)  
  
# 创建输入序列和目标值  
def create_sequences(data, seq_length):  
    X, y = [], []  
    for i in range(len(data) - seq_length - 1):  
        seq_x = data[i:(i + seq_length), :-1]  
        seq_y = data[i + seq_length, -1]  
        X.append(seq_x)  
        y.append(seq_y)  
    return np.array(X), np.array(y)  
  
# 定义序列长度  
seq_length = 3  
X, y = create_sequences(scaled_data, seq_length)  
  
# 划分训练集和测试集  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  
  
# 重塑输入以符合LSTM的要求 [samples, time steps, features]  
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], X_train.shape[2]))  
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], X_test.shape[2]))  
  
# 创建LSTM模型  
model = Sequential()  
model.add(LSTM(50, input_shape=(seq_length, X_train.shape[2])))  
model.add(Dense(1))  
model.compile(loss='mean_squared_error', optimizer='adam')  
  
# 训练模型  
model.fit(X_train, y_train, epochs=100, batch_size=32, verbose=1)  
  
# 进行预测  
train_predict = model.predict(X_train)  
test_predict = model.predict(X_test)  
  
# 反标准化预测结果  
train_predict = scaler.inverse_transform(train_predict)  
y_train = scaler.inverse_transform([y_train])  
test_predict = scaler.inverse_transform(test_predict)  
y_test = scaler.inverse_transform([y_test])  
  
# 计算并打印均方误差  
train_score = np.sqrt(np.mean((y_train[0] - train_predict) ** 2))  
print('Train Score: %.2f RMSE' % (train_score))  
test_score = np.sqrt(np.mean((y_test[0] - test_predict) ** 2))  
print('Test Score: %.2f RMSE' % (test_score))  
  
# 可视化预测结果  
plt.figure(figsize=(10, 5))  
plt.plot(y_test[0], color='red', label='Real Passenger Flow