基于BP神经网络得上海地铁日客流量预测.docVIP

基于BP神经网络的上海日客流量预测 摘要：地铁作为短途出行工具，影响客流量的主要因素源自乘客的主观选择，而这种主观选择性又很大程度上受到天气，节假日等因素影响。根据这些因素采集足够多的样本，利用BP网络对数据进行训练及预测，结果比较可靠，可为相关部门及顾客出行提供预测客流量作为参考。在此基础上利用GUI强大的人际界面设计功能，设计出具有良好交互性的预测平台。 关键词：地铁 GUI BP网络 概论 上海轨道交通，又称上海地铁，其第一条线路于1995年4月10日正式运营。截止2013年01月01日，上海轨道交通全路网开通运营12条线、291座车站，运营里程达420公里。 作者研究了2012年全年每日的客流量，发现日客流量分布大体从400万至700万人次之间。其客流量特点大致可归纳为如下： （1）乘客出行受到许多不可预知因素的影响，故影响日客流量的因素比较复杂。 （2）影响客流量的各因素与流量之间呈现非线性相关关系。但是各影响因素相互之间又存在着相关联系。 地铁日客流量的这些特点，正好适应了神经网络的性能。所以从理论上讲，进行地铁日客流量的预测，神经网络是一个比较优越的研究方法。 基于以上，本文利用4层BP神经网络对采集的54组数据进行合理的训练并进行仿真。 BP网络结构 BP网络是一种具有3层或3层以上的单向传播神经网络，包括输出层、中间层（隐层）和输入层。BP神经网络是一种多层网络的“逆推”学习算法。其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出（教师信号）不符，则转向误差的反向传播阶段。误差的反向传播是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止[1]。 2.1网络输入变量的选取 建立模型的首要问题是自变量的选择，它是建模成功的基础。在预测时，模型中若包含与因变量即预测对象关系不大的因素或者对预测对象影响不明显的因素，既会增大计算分析的工作量又会降低预测的精度；反之，若选择的自变量虽然对预测对象影响很大，但彼此之间高度线性相关，则会导致一系列的错误，使模型无法用于预测。选择自变量时要注意依据两条准则：一是选择的自变量应是与那些预测对象密切相关的因素；二是所选择的自变量之间不能有较强的线性关系。 依据这两条准则选定的输入变量包括以下四维数据：上海当日是否有雨、当日的温度、是否为节假日以及当日是星期几。 2.2输出层的确定 由本系统的功能可确定输出节点为一个，即上海地铁的日客流量。 2.3 隐层的确定 确定最佳隐层节点数的一种常用方法称为试凑法，其计算公式为 式中：m为隐层节点数，n为输入层节点数，l为输出层层节点数，为1~10之间的常数。得隐层节点数4~13个，最后根据训练结果对BP网络进行调整，确定隐层节点的个数。 2.4 基于Matlab的BP神经网络改进算法 在本文中,旅游交通客流量神经网络模型的建立与实现都是借助Matlab提供的神经网络工具箱编程实现的。在Matlab神经网络工具箱中集成了BP网络的各种算法。改进BP算法及其相应的训练函数有:附加动量法(traindm) 、自适应学习速率法 (traingda ,traingdx) 、RPROP方法(trainrp) 、共扼梯度法(traincgf ,traincgp,traincgb ,trainscg) 、拟牛顿法(trainbfg) 以及Levenberg-Marquardt方法 (trainlm)。编程中通过采用不同的训练函数训练网络,实现了对不同改进BP算法的使用[2]。 Matlab设计流程分析 3.1 样本的选择 样本的数量是神经网络建模的质量保障，一个神经网络模型性能的优劣最主要的体现就是它的泛化能力。神经网络模型的泛化能及，即当输入网络遇到未“见过”的样本，他也能映射出正确的输出。 保障网络泛化能力的必要条件是：样本的数量要足够大，一般讲，样本与隐层结点须相互匹配。总之，只有把充分的“知识”让神经网络学习、领会，才能有归纳推理能力。 在建模的过程中，要把样本分为训练样本和测试样本两部分，测试样本用于对所建的网络模型的检验和测试。本文使用上海市2012年4月1日至2012年5月24日的地铁日客流作为样本数据。通过控制Slider的值来改变训练样本和测试样本占总样本数量的比例。原始样本数