资源描述：
《基于改进bp神经网络的公交线路od矩阵推算方法_俞洁》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第24卷第4期(总第148期)系统工程Vol.24,No.42006年4月SystemsEngineeringApr.,2006文章编号:100124098(2006)0420089204X基于改进BP神经网络的公交线路OD矩阵推算方法俞洁,杨晓光(同济大学道路与交通工程教育部重点实验室,上海200092)摘要:公交线路OD矩阵是公交线路优化设计调整的基础性数据,针对传统解析模型对输入数据敏感性高造成OD推算效果不理想的缺陷,提出了以改进BP神经网络为基础,根据公交站点上下客数据建立公交线路OD矩阵的推算模型,并设计了OD推算神经网络。进而基于算例数据
2、,应用数值试验对神经网络设计的核心参数进行了标定并给出OD推算的计算结果。算例分析结果表明,使用此方法能显著提高预测的精度,推算结果更具可靠性且更能反映公交线路的需求分布状况。关键词:交通规划;公交OD矩阵推算;改进BP神经网络;上下客人数中图分类号:U492文献标识码:A公交线路OD矩阵体现了公交客流在站点之间的分根本上克服前述传统解析模型存在的缺陷:①只要提供必布,是进行公交线路设计与优化调整的基础性数据。传统要的数据用于训练神经网络,使网络获得分配矩阵的信获取OD矩阵的方法是通过大规模的抽样调查,此种方息并储存于网络中,那么不必依赖确定的分配矩阵
3、就能法往往耗费大量精力而得来的数据生命周期却很短。近年对实际情况做出准确的预测,而且神经网络模型也能更来国外提出了利用快速路断面流量或上下匝道流量进行好地反映实际情况;②神经网络作为任何线性和非线性关[1-3]快速路OD矩阵推算的数学模型和求解算法。同时,系的统一模型,能够很好地描述这种同时具有规律性和一些学者也提出了利用公交站点上下客人数进行公交线一定随机性的实际非线性关系。[4]路OD矩阵估算的模型并进行了数值分析。但上述研究本文将采用改进的BP神经网络进行公交线路OD矩多采用解析模型和算法,存在高数据敏感性(highdata2阵推算,对OD推算神
4、经网络的设计、学习规则和训练停sensitivity)的缺陷:即很难从诸多调查数据集合中选取一止规则进行了详细阐述,而后基于算例数据,应用数值试组代表性数据作为解析模型的输入,而且不同的模型输入验对神经网络设计的核心参数进行了标定并给出OD推会导致不同的推算结果。因此,应用此类模型往往造成算的计算结果。OD推算效果不理想。人工神经网络ANN(TheArtificialNeuralNetwork)1OD连接权分布矩阵是模拟生物神经系统的处理方式、组织结构和系统功能的假设一个有n个站点的公交线路,其网络简化形式如简化系统。神经网络具有高度的自组织自适应能力
5、、信息图1所示,xi(i=1,2,⋯,N)和yj(j=1,2,⋯,N)分别代表存储能力和较强的计算能力,能够适应输入数据的多样性某时段站点i和站点j的上下客人数,ODij为对应时段从[5]和复杂性并表达任意的线性和非线性关系。与常规算法站点i上车到站点j下车的乘客数。相比,利用神经网络进行公交线路OD矩阵推算可以从图1设有N个站点的公交线路简化形式收稿日期:2006201213基金项目:国家“十五”科技攻关课题(2005BA414B01)作者简介:俞洁(19792),女,安徽芜湖人,同济大学交通运输工程学院博士研究生,研究方向:公共交通系统的理论研究与
6、应用;杨晓光(19592),男,江苏宿迁人,同济大学交通运输工程学院交通工程系系主任,教授,博士生导师,研究方向:交通系统工程。©1994-2010ChinaAcademicJournalElectronicPublishingHouse.Allrightsreserved.http://www.cnki.net90系统工程2006年令wij为从站点i到站点j的乘客数占在站点i上阵。车乘客数的比例,即wij=ODijöx.iwij是xi到yj的连接权,相应的公交OD连接权分布矩阵如表1所示。它具有3OD推算神经网络设计以下三条特性:①∑wij=1,Pi
7、;②wij=0,Pi=j;3.1网络设计参数j③∑wijõxi=yj,Pj.网络输入:jkkkkTX=[x1,x2,⋯,xN],Pk∈D(5)表1OD连接权矩阵期望网络输出:D12⋯NOkkkkTY=[y1,y2,⋯,yN],Pk∈D(6)1w11w12⋯w1N连接权矩阵:2w21w22⋯w2N0w12⋯w1N⋯⋯⋯⋯⋯w21O•W(t)=(7)NwN1wN2⋯wNN•OwN1⋯02OD推算模型构建实际网络输出:kkkkkTZ(t)=W(t)′X=[z1(t),z2(t),⋯,zN(t)],Pk∈D2.1基本假设(8)本文的研究重点旨在通过训练若干数据
8、集获取OD说明:t为训练次数;i为公交站点;k为数据样本集矩阵的连接权,由于该连接权矩阵满足所
