MATLAB神经网络工具箱公交出行比例预测.pdfVIP

第34卷第2期 北京工业大学学报 V01．34No．2 UNIVERSITY 2008年2月 JOURNALOFBEIJING OFTECHNOLOGY Feb．2008 基于MATLAB神经网络工具箱的公交出行比例预测 陈艳艳1，朱跃华1，王振报2，史建港1 摘要：在分析影响公交出行比例因素的基础上，运用城市已有的交通调查资料，建立了公交出行比例的BP神 经网络预测模型，并利用MATLAB环境下的神经网络工具箱开发了相应程序．预测结果表明，该模型程序具有 学习能力强、预测精度高、快速方便等特点，为公交出行比例的预测研究提供了一种可供借鉴的思路与方法，同 时为用地规划、公交优先政策和需求管理政策的实施提供帮助． 关键词：公交出行比例；BP模型；土地利用；预测 中图分类号：U491 文献标识码：A 文章编号：0254—0037(2008)02—0173—05 大力发展公交，提高公交吸引力及出行比例，对遏制私人小汽车过度使用，防止交通拥阻的进一步恶 化，起着至关重要的作用．公交出行比例影响因素分析及预测是城市用地规划、制定公交优先政策及交通 需求管理政策的前提和基础． 目前，公交出行比例预测主要通过建立出行交通方式与出行距离(费用)的关系曲线求得，该方法隐藏 了公交出行与其他因素特别是土地使用之间的复杂关系，而且无法推知未来影响因素变化时的公交出行 比例变化，因而不利于公交引导的土地规划及政策制定与效果分析．神经网络模型具有高维性、并行分布 处理性、自适应、自组织、自学习等特点[1-2】，为传统方法所难以解决的复杂多变的公交出行比例预测提供 了一条新途径．因此，作者重点分析了土地使用对公交出行的影响，并采用BP神经网络方法对各小区的 公交出行比例进行了预测研究． 1 MATLAB中BP神经网络模型的实现 1985年美国加州大学的PDP小组提出了一种误 差反向传播(Back Propagation)神经网络模型，简称 BP模型，成为当今人工神经网络ANN(Artificial Neural Network)模型中使用最广泛的一类．实践表 明，它在MATU蛆环境下开发的神经网络工具箱中 可以得到很好的实现[34】，具体流程见图1．基本步骤 为：1)BP模型的初始化．在设计BP网络时，只要已 知输入变量、各层的神经元个数和作用函数，就可以 图I MATLAB中BP神经网络模型的实现流程图 利用函数initff()对BP网络进行初始化．当输入变 Flow of network Fig．1 chartneural model 量不是同一数量级时，应当使用premnmx()函数对 realizationinMATLAB 其进行归一化处理．2)BP网络的训练学习．函数 收稿日期：2006．10—31． 基金项目：北京市教委重点资助项目(KZ200510005002)；霍英东教育基金资助项目(104008) 作者简介：陈艳艳(1970一)，女，河南郑州人，教授，博导． 万方数据 174 北京工业大学学报 2008钽 或做出预测．对进行过归一化预处理的数据，输出时使用postmnmx()函数进行还原． 2小区公交出行比例预测 2．1输人因子的选择及评价 影响一个区域公交选择的影响因子很多，主要包括公交服务水平、社会经济水平及用地特征等．而公 交可达性是服务水平的一个主要体现，它主要由出行时间、准点性、方便性等决定．公交出行时间包括起 讫地到公交站点的步行时间、等候时间、车上行驶时间、换乘时间．一个区域的用地特征对公交可达性，进 而对公交吸引力及公交出行比例起着重要的影响．例如，是否TOD组团式布局决定了公交线路站点的布 设及停靠站距，从而影响了居住或