基于神经网络的地铁客流短期预测..doc

题号 成 绩 8 题目名称： 基于神经网络的地铁客流短期预测 同组学生姓名及学号： 孙健 , 秦领 , 阿卜莱提 , , , 教 师： 李秀敏 日 期： 2014.12.25 - 2014.12.30 目录 1绪论 1 2神经网络简介 2 2.1 BP神经网络 2 2.2 Elman神经网络 3 3神经网络建模对地铁客流短期预测 5 3.1客流数据统计 5 3.2神经网络建模 6 3.3数据分析 7 4结论 10 参考文献 11 1绪论 随着大中型城市地铁的开通，地铁站自动扶梯数量剧增。经实地考察大部分地铁站扶梯在客流量大时以额定速度运行，在人少或没人的情况下仍然以额定速度运行，从而造成耗能大，机械磨损严重，使用寿命减少等缺点。上海电气中央研究院于2007年夏季完成了对地铁1号线马戏城自动扶梯客流情况的调研，发现自动扶梯的满载率不到20%，其他大部分时间都在轻载和无人情况下运行。如果能够预知地铁站客流，使自动扶梯控制系统跟随客流的变化调节控制策略，不仅有利于地铁客流高效、及时地疏散，还可降低扶梯能耗，及自动扶梯的机械磨损，提高使用寿命，进一步提高安全系数。 目前有不少针对地铁客流预测的研究和报告。例如在地铁线路规划的时候都需要对沿线客流情况进行预测，从而确定早晚运行时间、列车编组辆数、配属车厢数量、供电设备和通风设备的容量。这种预测主要是对每天或者每年客流总数的预测，预测方法都是采用“四阶段”预测法。对地铁客流预测还有很多方法，传统的预测方法有回归分析算法以及Kalman滤波等。这些方法假设系统为平稳的线性系统，因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。由于自动扶梯客流具有高度的复杂性、随机性和较强的非线性，很难有特定的函数表达形式，因此用以上方法很难获得好的效果。 近年来随着神经网络理论的发展，有很多用神经网络对客流预测的研究但这些研究以公路客流为主，将神经网络用在地铁客流量预测的研究较少。同时以上神经网络对客流的预测仅处于已知前几天或前几年的客流从而预测下一天或下一年客流的研究上，没有做到将天气、季节、节假日等情况考虑进去预测每一时刻客流。 本文将根据地铁站自动扶梯客流统计数据，结合外部因素(如天气，季节等)，分别用BP和Elman神经网络建立数据模型，对地铁站自动扶梯客流进行预测分析，从而得到更适合地铁站自动扶梯客流预测的数据模型。2神经网络简介 神经网络是一种大规模并行分布处理的非线性系统，具有高度的非线性运算能力和的自学习、自组织、联想记忆和并行处理能力，神经网络的信息分布式存储在权系数中，具有集体运算和自适应学习的能力。同时间序列模型相比，神经网络模型具有较强的自适应性，预测的精度较高。本文主要用到BP神经网络和Elman神经网络，下面对这两种神经网络进行简单介绍。 2.1 BP神经网络 BP神经网络是一种多层前馈型神经网络，由于权值的调整采用反向传播学习算法而得名在BP网络中，信号向前传播，误差反向传播，通常具有一个或多个隐含层和线性输出层，能够对具有有限不连续点的函数进行逼近。这种信号的正向传播和误差反向传播以及各层权值调整过程是循环进行的，一直进行到网络输出误差减少到设定值，或者进行到预先设定的学习次数。 图1 BP神经网络结构 训练样本，其中一个样本为p，则隐含层的第j个神经元在样本p作用下的输入为: 式中:和分别为输入节点i在样本p作用下的输入和输出，为输入层神经元i与隐含层神经元j之间的连接权值; 为隐含层神经元j的阀值。 输出层第k个神经元的总输入为: 式中: 为隐含层神经元j与输出层神经元k之间的连接权值;θk为输出层神经元k的阀值;q为隐含层节点数。 2.2 Elman神经网络 Elman反馈神经网络是一种带反馈的两层神经网络，反馈连接从第一层输出连接到输入端，这种反馈连接使Elman网络能检测和生成时变模式。它是一种典型的动态神经元网络，是在BP网络基本结构的基础上，通过存储内部状态使其具备映射动态特征功能，从而使系统具有适应时变特征的能力。 Elman神经网络也有多层结构，如图2 所示，除了普通的隐含层外，还有一个特别的隐含层，称为上下文层或状态层。该层从普通隐含层接收反馈信号，上下文层内的神经元输出