新型组合模型在铁路客运量预测中的应用.docxVIP

新型组合模型在铁路客运量预测中的应用 新型组合模型在铁路客运量预测中的应用 新型组合模型在铁路客运量预测中的应用 新型组合模型在铁路客运量预测中的应用 冯冰玉1,鲍学英1,王起才1,董朝阳2 (1.兰州交通大学土木工程学院,兰州 730070； 2.兰州中川铁路有限公司技术装备部,兰州 730000) 摘 要：客运量是用来测算交通运输业所承担的工作量,反映了运输业为国民经济和人民生活服务的数量指标,准确的客运量预测直接影响到铁路项目的经济效益评价及铁路交通组织安排。根据客流量数据的特点,提出新的组合预测方法,构建线性时间序列灰色GM(1,1)模型和考虑客流量影响因素的非线性遗传算法优化BP神经网络模型。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,并将组合模型预测结果和单一模型相比,得出新型线性和非线性组合模型预测精度更高,取得了满意的效果,为客流量的预测提供了一种新的工具。 关键词：铁路运输；客运量预测；组合模型；灰色理论； BP神经网络；遗传算法 铁路是现在交通运输体系的主要运输方式。我国铁路面临的主要问题是运输能力远不能适应国民经济和社会发展的需求。为了提高铁路投资的准确性，在建设的前期必须对运量进行可靠地预测[1]。随着计算机的进步，不断涌现出新的理论与方法。常用的定性预测方法是德尔菲(Delphi)法;定量预测方法有指数平滑法、回归分析法、神经网络法、弹性系数法和灰色系统法等[2]。其中灰色理论和神经网络相对灵活，在客流量应用中最为广泛，然而基于时间序列的灰色GM(1，1)模型假定客流量是一种线性变化的系统，考虑客流量影响因素的BP神经网络模型则假定客流量是一种非线性变化的系统。因此，针对客运量这个复杂的大系统来说，提出建立新型线性和非线性组合预测模型，并将模型运用到兰州至中川城际铁路客流量预测中，使得单个模型得到有效的发挥，尽可能地提高客运量预测精度，为交通运输规划提供一种新的依据。 2 铁路客运量组合预测模型 2.1 线性灰色GM(1，1)模型 灰色系统理论是1982年由我国学者邓聚龙教授创立的，是一种研究少数据、贫信息不确定性问题的新方法[3]。灰色理论的预测模型中GM(1，1)是最典型线性动态模型[4-5]，主要应用于时间序列预测。 设x(0)为原始时间序列[6]，共有n个观察值，即X(0)=(x(0)(1)，x(0)(2)，…x(0)(n))，对x(0)进行一次累加生成(1-AGO)，生成新的数列x(1) 对x(1)建立灰色微分方程，即GM(1，1)模型 式中，z(1)(k)为紧邻均值生成序列。 最后，做一次累减还原，得原始数据的拟合值和预测值 2.2 非线性GA-BP模型2.2.1 BP神经网络原理 BP神经网络(Back Propagation Neural Network)是一种按误差逆传播算法训练的多层前馈网络[7]，由输入层、隐含层及输出层组成[8](图1)。该神经网络算法流程可分为BP神经网络的构建、训练、预测三步骤。 图1 三层BP神经网络结构 BP网络通过拟合非线性函数的特点确定网络结构，具体步骤如下。 (1)权值、阀值初始化 根据输入输出数列(X，Y)，确定输入层节点数n，隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层连接权值wij，wjk，初始化隐含层阀值a，输出层阀值b，给定学习速率和神经元激励函数[9]。 (2)计算隐含层输出Hj 式中，f为隐含层激励函数；l为隐含层节点数。 (3)计算输出层输出Ok (4)计算误差ek 式中，O为网络预测输出值，Y为网络期望输出值。 (5)权值和阀值更新 式中，η为学习速率；ek为预测误差。 (6)判断指标是否满足精度要求，若不满足，返回步骤2重复计算。 2.2.2 遗传算法优化BP神经网络 BP神经网络具有很强的学习能力和适应能力，但网络训练需要较长的时间，易陷入局部最优解，遗传算法(Genetic Algorithms，GA)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型[7]，具有寻找全局最优解的特点，采用遗传算法优化BP网络初始权值和阀值可改进神经网络的性能[10]，形成具有极强的解决非线性问题的GA-BP模型。 遗传算法将需要求解的问题采用实数编码成染色体的形式[11]，计算每个染色体的适应度fi，根据适应度值选择优良的个体以pc的概率进行交叉，使得信息得到交换，再以pm的概率进行变异，开拓问题解的新空间，直到在种群中找到满意的个体，达到要求的收敛精度