基于BP神经网络的轨道客流短期预测.docVIP

基于BP神经网络的轨道客流短期预测 　　摘 要 　　本文主要以城市轨道交通的客流预测为研究对象，简单介绍几种目前国内外主流的预测方法。之后运用BP神经网络算法，对上海轨道交通的实际客流做预测，并给出预测结果数据和分析。希望能够通过对客流预测的研究，为城市轨道交通的调度与紧急情况下的疏散客流提供数据支持。 　　【关键词】城市轨道交通 客流 预测 　　随着全球城市现代化公共交通进程的不断推进，轨道交通作为一种新型的具有较大运量、较高效率的公共交通方式具有巨大的优势，能够有效的提高居民的出行效率、缓解城市的交通压力，因此城市轨道交通在我国近些年发展迅速。随着轨道交通客流量的增长，对于轨道交通的客流预测的研究也随之而兴起。通过精确的客流预测，可以为轨道运营单位提供相对准确的数据支撑。使其日常的运力配置、客运组织更合理，在紧急突发事件下的预警和疏散更高效。因此，对轨道交通客流短期预测和分析的研究显得越来越重要。 　　1 正文 　　1.1 国内外预测方法介绍 　　轨道交通短期客流预测交通客流预测在国际上是一个比较活跃，但是预测结果一直不怎么不令人满意的研究课题。因为轨道交通是一个有人参与的、时变的复杂系统，具有高度的不确定性，这种不确定性给轨道交通客流预测带来了困难。目前，在国内外交通客流预测分析领域的很多专家学者也在进行这方面的研究，并有了一些成果。这里介绍几种常用方法： 　　1.1.1 基于四阶段法的预测模型 　　以1962年美国芝加哥市发表的《Chicago Area Transportation Study》为标志，作为一种交通规划理论和方法得以诞生。它以居民出行调查为基础，由出行生成、出行分布、出行方式划分、出行量分配四个阶段组成。四阶段法将研究对象划分为交通小区，并通过对区域内人口、土地利用、就业情况、出行信息等相关资料进行综合分析，建立数学模型，最终对客流总量进行预测。通过运营经验确定轨道交通站点客流吸引范围，之后在此范围内进行出行调查。根据第36届轨道交通国际会议的经验值，轨道交通站点客流吸引半径为：在城市中心地区，行人由所在地到达轨道交通车站，其步行距离大约为550米左右则较为合适；而在城市外围区，其步行距离应该在八百至一千米左右则较为适宜。 　　1.1.2 基于统计方法的预测模型 　　例如时间序列预测模型（将被预测量按照时间顺序排列起来，构成一个连续的时间序列，并分析这组时间序列的过去变化，来推测今后可能的变化趋势和变化规律）、卡尔曼滤波模型（卡尔曼滤波模型由Kalman于1960年提出的一种应用广泛的代控制理论方法。卡尔曼预测方法主要将控制理论中的卡尔曼模型应用于交通客、的预测，由状态方程和观测方程组成的状态空间模型描述交通系统，并利用状态方程、观测方程和卡尔曼滤波预测交通流）。另外还有历史平均模型、线性回归模型、极大似然估计模型等。 　　1.1.3 基于灰色马尔科夫的预测模型 　　其基础理论――灰色理论，是由我国华中科技大学的邓聚龙教授于上世纪80年代首先提出的理论。其理论概念为：通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律作出模糊性的长期描述。灰色马尔科夫模型是采用灰色模型对客流数据进行拟合，分析和判断大客流的变化趋势，并在灰色预测基础上进行马尔科夫修正预测，相对单纯采用灰色模型，预测精度和效果有较大提高。 　　1.1.4 基于神经网络的预测模型 　　神经网络是一种新型的模拟人脑结构及其功能的处理系统，其利用大量的历史数据训练神经网络模型，得到输出对输入的一种映射关系，利用这种映射关系对相应的输入可以得到相关的预测结果。在1943年，美国心理学家W.S.McCulloeh和数学家W.Pitts提出了MP模型，首次提出了对人工神经网络的研究。 　　1.2 基于BP神经网络预测实例 　　接下来，本文介绍利用BP神经网络的一个轨道客流短期预测的实例，运用上海轨道交通的历史实际客流数据做为时间序列，对网络进行训练，进行之后某日的客流预测。 　　BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。他能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是通过信息的正向传播和误差的反向传播这两个过程来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（Input）、隐层（Hidden）和输出层（Output）。示意图如图1。 　　其详细原理，本文不再赘述。 　　本文采用了2015年上海轨道交通从某日开始的连续100天的日客流总量的统计数据，对其按时间序列进行排序，形成一组数据向量，