基于主成分分析法和BP神经网络组合停车需求预测模型.docVIP

基于主成分分析法和BP神经网络组合停车需求预测模型 　　摘要：停车需求预测是静态交通问题的一个重要内容。本文在研究现有停车需求预测模型的基础上，充分考虑影响停车需求的主要因素，提出了一种基于主成分分析法和BP神经网络的停车需求预测模型，其中停车需求预测影响因素采用主成分分析方法得到，停车需求预测模型基于BP神经网络建立。模型最后由实例进行验证。 　　关键词：停车需求；预测；主成分分析；BP神经网络 　　Abstract: The parking demand forecasting is an important element of the static traffic problems. On the basis of the existing parking demand forecasting model and take full account of the main factors affecting the parking demand, parking demand based on principal component analysis and BP neural network prediction model, including the parking demand forecasts influencing factors using principal component analysis approach, the parking demand forecasting model based on BP neural network. The model is validated by examples.Key words: parking demand; forecasts; principal component analysis; BP neural network 　　 　　中图分类号：F272.1文献标识码：A文章编号： 　　0 前言 　　 本文就停车需求预测方法进行了研究，提出了一种基于主成分分析法和BP神经网络的停车需求预测模型。其中主成分分析法是将多个指标化为少数相互无关的综合指标的统计方法，本文中用于对影响停车需求的影响因素进行分析；人工神经网络能够通过模仿脑神经系统的组织结构以及某些活动机理呈现出人脑的许多特征，具有强大的联想记忆、优化算法及知识处理能力，停车需求预测模型由BP神经网络建立[1-4]。 　　1 停车需求影响因素分析 　　 停车需求具有派生性，人们的社会、经济等活动决定了停车需求。详细而又准确地分析规划区域的社会、经济情况对停车需求预测模型的选择以及结果的精度有着重要的作用。 　　 由于影响因素众多且较为复杂，一般方法和模型较难综合全面考虑，停车需求预测的难度较大，预测结果精度较难保证。为此，深入研究国内外停车需求预测理论，结合最新需求预测理论，寻求能够充分体现诸因素间相互关系的停车需求预测方案，并建立合适的停车需求预测模型是很重要的。 　　 鉴于城市交通发展战略、停车管理制度等影响因素较为灵活，本文主要以定量分析为主，因此主要考虑的影响因素包括：规划区内土地利用状况、机动车拥有量、人口以及岗位数。其中根据土地利用性质可将土地的利用分为居住用地、公共设施用地、工业用地、仓储用地、对外交通用地、道路广场用地、市政公用设施用地、绿地等的八类用地。 　　2 模型建立 　　2.1 主成分分析法 　　 主成分分析法即为分析样本集中的相关性，将多个相关变量化为少数几个不相关变量。根据影响因素分析，本文选取机动车拥有量、人口、岗位数、居住用地等11个因子作为初始变量，依次设为，其中。 　　 设每个变量有k个样本，其中，则运用式（2-1）对初始变量进行零均值标准差标准化处理。 　　，其中，（2-1） 　　 利用标准化处理后的值建立相关矩阵，计算相关系数，求出p（p≤11）个特征值并对其进行排序,有。 　　 运用式（2-2）计算第j个主成分的方差贡献率，其中。当累积贡献率达到一定值时可以认为主成分包含了原始变量的绝大部分信息。 　　，其中（2-2） 　　2.2 BP神经网络 　　神经网络理论Kolmogorov定理已经证明，经充分学习的三层BP网络可以逼近任何函数，因此在停车需求预测模型中将构建三层BP网络,分别为输入层、隐含层以及输出层。其中输入层根据主成分分析法获得的影响因素定为个输入节点；隐含层初步定为6个，具体个数根据最后调整而定；输出层为1个即输出停车场泊位数。 　　 先对输入数据运用公式（2-3）进行归一化处理，使得样本具有统计分布特性。 　　 （2-3） 　　 其中为变量个数，j为变量下样本数，为原始数据，为归一化