神经网络与四阶段预测法组合构造的客运量预测模型.docxVIP

神经网络与四阶段预测法组合构造的客运量预测模型 目前，一般铁路客运预测方法主要集中在对因果回归模型和时间序列模型的分析上。该模型不能全面、科学、本质地反映动态数据的内部结构和复杂特征，也不能丢失信息。人工神经网络所具有的全息联想学习能力及很强的容错能力是进行交通产生量预测的基础。但只有当预测模型参数的选取值随着预测环境的不同而改变, 才会得出较好的预测结果, 这对于传统的交通产生量预测方法是难以解决的。 在实际应用中, 可用神经网络与四阶段预测法相组合, 全面利用样本信息, 提高预测的精度。第一阶段用神经网络预测交通量的产生和吸引;第二阶段用平均增长率法进行交通量分布;第三阶段计算诱发客流;第四阶段进行交通量的分担。新建铁路的旅客需求量就是诱发客流与分担客流之和。 1 神经网络结构与输入样本预处理 1.1 bp神经网络的基本原理 (1) 处理单元 (神经元) 。处理单元是神经网络的基本组成部分。输入层的处理单元只是将输入值转入相邻的连接权重。隐层和输出层的处理单元将它们的输入值求和并根据转移函数计算输出值。 (2) 连接权重。连接权重是将神经网络中的处理单元联系起来, 其值是随各处理单元的连接程度而变化。 (3) 层。神经网络一般具有输入层、隐层和输出层。 (4) 阈值。阈值可使网络能更自由地获取所要描述的函数关系, 其值可为恒值或可变值。 (5) 转移函数。转移函数通常为非线性函数, 它是将输入的数据转化为输出的处理单元。 误差反传神经网络 (Back propagation Neural Network) 是一种具有3层或3层以上的阶层型神经网络。上下层之间各种神经元实行全连接, 即下层的每一单元与上层的每一单元都实现权连接, 而每层各种神经元之间无连接。最基本的BP网是3层前馈网络, 即:输入层、隐层和输出层。 BP网的学习过程是由模式的正向传播和误差反向传播所组成。在正向传播过程中, 输入信息经隐含单元逐层处理并传向输出层, 如果输出层不能得到所期望的输出, 则转入反向传播过程, 将实际值与网络输出之间的误差沿原连接通路返回, 通过修改各层神经元的连接权重使误差减少, 然后再转入正向传播过程, 如此反复计算, 直至误差小于设定值为止。经过训练的神经网络提取了蕴藏在样本中的非线性映射关系, 并以权值的分布形式储存起来。在运行阶段, 当向神经网络输入样本时, 它便能完成从输入的n维空间到输出的m维空间的任意非线性映射, 从而正确描述无法用数学关系描述的规律。 1.2 附加冲量项的调整 学习速度缓慢并常出现平台问题, 是由于权值的修正量太小, 同时对不同样本对训练时, 样本对的修正量导致当前样本对的特征加强, 而将其他样本对的特征水量削弱, 从而使学习的误差函数值下降缓慢, 出现一段时间的误差平台区, 即平台。误差函数停在一个局部极小值而非全域最小值。为避免平台现象, 可采用附加冲量项加以解决。该方法是为每个加权调节量加上一项正比于前次加权变化量的值。附加冲量项的加权调节公式为: 式中:β为学习率;η为冲量系数, 一般取0.9左右。加上这一冲量后, 使调节向着底部的平均方向变化, 不致产生大的摆动, 即冲量项起到了缓冲平滑的作用。 学习率α、β和冲量系数η, 通常凭经验和试验选取。经验表明, 学习率的增加量最好是个常数, 但它的减少应按几何律减少, 下式表明了一种自适应关系: 式中:ΔE为每次迭代误差函数的变化, a、b为适当的常数。 1.3 原始样本的适度调整 由于衡量的指标各不相同, 原始样本各个分量数量级有很大的差异, 这就需要对样本进行规范化处理。 采用神经网络回归预测时, 可能某个节点输入值过大则其相应的更新增量过大, 从而使权值过大, 这样在隐单元j的输出vj中,项的影响就要比其他分量大的多, 导致其他分量几乎丧失了调控作用, 所以有必要对原始样本进行适度的规范化处理, 依据各项指标可参照价值的不同, 对输入幅值重新进行合理的调整 (或等比变换) , 使其变化范围大致均匀分布在 (0, 1) 区间内。样本的规范化处理应设计多种方案, 尽量避免“饱和现象”的前提下, 使样本在较大的幅值范围内均匀分布。 由于神经元的响应函数为Sigmoid函数, 因此输入值 (输出值) 都在 (0, 1) 之间, 必须对样本进行预处理。经反复试验, 当输入值在 (0.6, 0.9) 之间时, 预测精度最好, 收敛速度最快, 因此采用下式对输入值预处理: 输出值的预处理为: 因此, 由式⑷可以还原出预测的值。 2 交通量核算的步骤 在交通发生阶段, 主要是预测各交通小区的发生和吸引的交通量。即推求出各小区间的交通分布量。平均增长率法是极为单纯的分析方法, 计算也很简单。因此, 此法虽然要进行多次迭代, 仍然被广泛地使用, 计算步骤如